ETKENLER VE ÖLÇÜTLER

O passo inicial na análise da qualidade do modelo é verificar se as estimativas dos seus parâmetros são aceitáveis e atendem as expectativas de acordo com a teoria do subjacente ao modelo. Com este propósito, os valores das estimativas devem ser examinados, em conjunto com análise da significância. Uma estimativa infratora ou imprópria ocorre quando o software utilizado para ajustar e avaliar este tipo de modelo, produzir estimativas para os parâmetros que excedem os limites aceitáveis, considerando não só o modelo de medida, como o modelo estrutural. Entre os exemplos mais comuns de estimativas infratoras, destacam-se, conforme Hair

et al. (2009):





148 Diante de problemas desta natureza, deve-se resolvê-los previamente, antes de serem feitas avaliações de qualquer resultado específico do modelo. A resolução de tais problemas, remete o pesquisador, usualmente, a eliminação de pendências relacionadas com a identificação do modelo. Se as estimativas infratoras permanecem, mesmo com a resolução dos problemas de identificação do modelo, então devem ser adotadas outras providências. No caso de ocorrência de variâncias negativas para os termos de erro (problema referido na literatura como casos de Heywood), uma das possibilidades, conforme recomendação de Bentler e Chou (1987), além de Dillon et al.(1987), é fixar essas variâncias num valor muito pequeno.

Entretanto, deve ser observado que este procedimento objetiva contornar o problema, razão pela qual deve ser considerado na circunstância da análise dos resultados. No que se refere aos coeficientes padronizados que ultrapassam a unidade, ou correlações muito elevadas entre variáveis latentes, deve ser avaliada a possibilidade de eliminação de algumas dessas variáveis ou certificar-se que a validade discriminante dessas variáveis está assegurada, considerando que tais problemas surgem, usualmente, quando as variáveis latentes estão fortemente correlacionadas entre si (HAIR et al., 2009).

5.6.2 Ajustamento global do modelo

Esta fase tem por objetivo verificar a correspondência entre a matriz de covariância amostral S e a matriz que resulta da especificação do modelo formulado Σ(Θ). A matriz que resulta da diferença entre S e Σ(Θ) é denominada de matriz residual. Quanto mais esta matriz se aproxima de uma matriz nula, melhor o modelo em análise se ajusta aos dados (LISBOA et al., 2012). Na MEE, não existe um único teste estatístico que seja aceito de forma unânime, como aquele que melhor avalia a robustez das relações estabelecidas no modelo. A avaliação do ajuste de um modelo de equações estruturais não é algo simples e único, tendo sido desenvolvido uma série de medidas que, conjuntamente, permitem analisar a sua bondade e adequação. Existem três tipos de medidas de ajuste global: medidas de ajuste absolutas, medidas de ajuste incrementais e medidas de ajuste parcimoniosas (BARRETT, 2007).

As medidas absolutas de ajustamento apenas avaliam a estimação global do modelo, e não distinguem se o ajustamento do modelo geral é melhor ou pior nos modelos estrutural e de mensuração (SCHUMACKER e BEYERLEIN, 2000). Dentre as medidas dessa classe,

149 destacadas por Bollen (1989), Raykov e Marcoulides (2000), além de Schumacker e Lomax (1996), estão: a Estatística Qui-Quadrado (2_{), o Noncentrality Parameter (NCP), o Root Mean}

Square Error de Approximation (RMSEA) e o Goodness of Fit Index (GFI). Estes índices serão

utilizados para medir o grau com que o modelo global desenvolvido representa a matriz de entrada dos dados.

As medidas de ajustamento incremental comparam o modelo proposto com um modelo base, normalmente designado como modelo nulo. O modelo nulo é um modelo que estabelece uma referência para outros modelos diferentes, com a expectativa que esses modelos o excedam em termos de medidas de ajustamento aos dados. Neste sentido, embora o ajuste do modelo proposto não seja perfeito, será uma melhor aproximação à realidade na medida em que melhoram o ajuste do modelo nulo. Incluídas no elenco de medidas dessa classe, destacadas por Bollen (1989), Raykov e Marcoulides (2000), além de Schumacker e Lomax (1996), estão: o

Adjusted Goodness of Fit Index (AGFI), o Normed Fit Index (NFI), o Nonnormed Fit Index

(NNFI), o Incremental Fit Index (IFI), o Relative Fit Index (RFI), o Tucker-Lewis Index (TLI) e o Comparative Fit Index (CFI).

Por fim, as medidas de ajustamento de parcimônia, ajustam as medidas de ajustamento global e incremental, possibilitando uma comparação entre modelos com diferentes números de parâmetros a estimar, tendo como propósito determinar a proporção do ajustamento conseguida por cada parâmetro estimado. Com base nesta classe de medidas, procura-se relacionar a qualidade do ajustamento com o número de parâmetros estimados exigidos para se conseguir aquele nível de ajustamento. Dentre as medidas dessa classe, destacadas por Bollen (1989), Raykov e Marcoulides (2000), além de Schumacker e Lomax (1996), estão o Parsimonious

Normed Fit Index (PNFI), o Parsimonious Goodness of Fit Index (PGFI), o Qui-quadrado

Normalizado (2_{/df), o Akaike Information Criterion (AIC) e o Critical N (CN).}

Como referem Hair et al., (2009), a avaliação da qualidade do ajustamento de um modelo é mais um processo relativo do que um critério absoluto de comparação, de modo que a grande maioria dos autores defendem que, para avaliar o seu modelo, o pesquisador deve usar medidas das três classes mencionadas. Nenhuma das medidas sugeridas pela literatura (exceto a estatística do Qui-Quadrado) possui um contraste estatístico associado.

Uma descrição sintética de algumas das principais medidas de qualidade do ajustamento do modelo que têm sido sugeridas pela literatura será apresentada no Anexo I desta tese.

150

5.7 Avaliação do modelo de medida

A avaliação do modelo de medida permite ao pesquisador ter uma percepção da forma como as variáveis não observáveis ou latentes estão sendo medidas pelos indicadores selecionados para efeitos da sua medição, ou seja, busca-se aferir a confiabilidade de medida de cada variável latente e também aferir a confiabilidade de medida de cada indicador. Após serem avaliadas estas respectivas confiabilidades de medida, deve-se direcionar as verificações para cada um dos indicadores envolvidos na medição dessa variável, bem como para sua correspondente significância estatística (HAIR et al., 2009).