lo hipotético considerado neste estudo foi testado através da Análise Fatorial Co
software AMOS© 16.0 (ARBUCKLE, 2007), utilizando-s
o uma classificação da qualidade, segundo os critérios adotados, como razoáv ariáveis), boas (10,6%), muito boas (14,9%) e excelentes (70,2%).
fim, devido ao caráter unidimensional dos fatores identificados nas análises tes principais (PCA) e por Máxima V
a investigação mais aprofundada em cada construto-fator, passando
firmatória dos dados, realizada por meio da modelagem de equações estruturais e o procedimento de estimação por Máxi
e Bootstrapping.
ão do modelo hipotético - Modelagem de Equações Estruturais
dimentos e medidas utilizadas na análise dos dados
O mode
nfirmatória (AFC), utilizando-se a técnica de Modelagem de Equações Estruturais (MEE).
Utilizando a abordagem de modelagem por dois passos sugerida por Anderson e Gerbing (1988), esta análise baseou-se na matriz de dados brutos e, considerando procedimento de estimação escolhido, o tamanho da amostra (n=638) foi considerado adequado (ROUSSEL et al., 2002).
Os dados foram calculados pelo
e o procedimento de estimação por Máxima Verossimilhança (MLE - Maximum
A operacionalização da abordagem de modelagem por dois passos citada foi realizada, primeiramente, através da AFC, a fim de avaliar o ajuste do modelo de mensuração aos dados empíricos assim como estimar a capacidade dos indicadores empíricos escolhidos na análise fatorial exploratória (AFE) em medir os fatores subjacentes latentes identificados.
O segundo passo foi avaliar o grau de ajuste de outros modelos estruturais, fornecidos
fatores latentes subjacentes.
prevê uma ab latentes e seu
Es uma variável é mediadora quando:
b) c)
Es e nos seguintes passos (HOLMBECK, 1997):
rel Pa
sig ho (preditor → mediador →resultado), e,
s relações diretas entre os preditores e resultados que foram
n
ou Critério
pelo software escolhido, a fim de testar as hipóteses do modelo em estudo considerando as relações entre os
Para sua execução, seguiu-se o método recomendado por Holmbeck (1997), que ordagem de três passos, a fim de testar as relações diretas entre as variáveis papel mediador.
se autor afirma que
a) Há uma relação direta entre variáveis preditoras e variáveis de resultado (passo 1);
Há uma relação direta entre variáveis mediadoras e de resultado (passo 2); A adição de ligações diretas entre variáveis preditoras e de resultado não melhoram o ajuste do modelo (ou não reduzem consideravelmente os valores da relação entre as variáveis) (passo 3).
te método consist
Passo 1: testar a significância dos coeficientes de caminho estimados para as ações diretas (preditor → resultado),
sso 2: avaliar o ajuste do modelo global de mediação (modelo teórico) e testar a nificância dos coeficientes de camin
Passo 3: testar o ajuste de modelos alternativos, ou seja, o modelo global de mediação, para a
adicionadas (preditor→mediador→resultado), onde a ligação preditor → resultado é direta. Para avaliar este passo, verifica-se a diferença entre os valores dos qui-quadrados dos modelos alternativos e o do modelo teórico-hipotético em estudo.
Conforme descrito no capítulo 4 deste trabalho, várias medidas de qualidade de ajuste (QUADRO 9) são utilizadas pela MEE.
As medidas de ajuste parcimonioso como o AIC - Akaike's Information Criterio de Informação de Akaike (AKAIKE, 1987) e o ECVI - Expected Cross-Validation
número de parâmetros estimados, representando o melhor ajuste do modelo quanto menores forem os valores de cada um destes índices.
Para avaliar o ajuste dos modelos globais (modelo de mensuração, modelo teórico-hipotético e modelo final), calculam-se diversas medidas de qualidade de ajuste (goodness-of-fit) para compensar as deficiências de cada medida (ROUSSEL et al., 2002).
O qui-quadrado estatístico (X2) é o índice mais freqüentemente utilizado para avaliar a ca
o, estes pressupostos não são cumpridos em muitas pesquisas.
) Complexidade do modelo: uma desvantagem do valor do X2 é que ele diminui parâmetros são adicionados ao modelo. Assim, o valor do X2 de um modelo mais complexo, altamente parametrizado, tende a ser menor que o valor de modelos mais simples, devido à redução dos graus de liberdade.
altamente super-
to leva ao problema que modelos razoáveis podem ser rejeitados com base
(X2/df), representada pela divisão
do qui-qua
pacidade dos modelos para reproduzir observações. No entanto, esta estatística é muito sensível ao tamanho da amostra e ao número de parâmetros estimados e, além disso, não fornece informações sobre a variância entre os valores calculados pelo modelo e os dados observados (GERBING; ANDERSON, 1993; KLINE, 1998).
De acordo com Schermelleh-Engel, Moosbrugger eMüller (2003), o X2 apresenta, também, as seguintes limitações:
a) Violação de pressupostos: O X2 baseia-se nos pressupostos de que as variáveis observadas são multivariadas normais e que o tamanho da amostra é suficientemente grande. No entant
b
quando novos
Assim, um bom ajuste de modelo pode resultar tanto de um modelo corretamente especificado quanto a partir de um modelo
parametrizado.
c) A dependência do tamanho da amostra: com o aumento da dimensão da amostra e um número constante de graus de liberdade, o valor do X2 aumenta. Is
em um significativo X2 estatístico.
Considerando essas limitações, não deve ser colocada demasiada ênfase sobre o significado do X2 estatístico.
Para atenuar o efeito do tamanho da amostra, Jöreskog e Sörbom (1996) recomendam a utilização da medida qui-quadrado normado
drado pelos graus de liberdade do modelo. Um valor inferior a 3 é considerado aceitável (KLINE, 1998).
No que diz respeito às medidas de ajuste absoluto (HAIR et al., 2005), calcula-se o GFI (Goodness-of-fit Index ou Índice de Qualidade de Ajuste Global) e o RMSEA (Root
Mean Square Error of Approximation ou Raiz de Erro Quadrático Médio de Aproximação).
Embora o GFI seja sensível à complexidade do modelo, ele é menos sensível do que a medida do qui-quadrado para as variações do tamanho da amostra (GERBING; ANDERSON, 1993; NUNNALLY; BERNSTEIN, 1994). Um GFI superior a 0,90 reflete o bom ajuste do modelo (KLINE, 1998; ROUSSEL et al., 2002).
o valor de RMSEA é inferior a 0,05 (QUADRO 9, página 87).
a o tamanho da amostra. O CFI e o NNFI -
Nonnormed