Psicologia: Teoria e Pesquisa

Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216

Modelos de Equaes Estruturais em Psicologia:

Conceitos e Aplicaes
Ronaldo Pilati1
Jacob Arie Laros
Universidade de Braslia

RESUMO O debate sobre procedimentos e tcnicas de tratamento de dados relevante para o contexto de produo e
avano do conhecimento em vrias reas do saber. Os Modelos de Equaes Estruturais so um conjunto de tcnicas de
tratamento de dados que tm recebido grande ateno de pesquisadores, especialmente nos ltimos 10 anos. Esse procedimento
de tratamento de dados possui suas razes relacionadas a distintas reas do conhecimento: a biometria, a econometria e
a psicometria. Como conseqncia de suas peculiaridades, o relato cientco em Modelos de Equaes Estruturais deve
considerar vrios aspectos relevantes, como a denio terica do modelo a ser testado, a especicao e identicao do
modelo, alm de aspectos de estimao e mensurao dos ndices de adequao. Vrios desses elementos so apresentados e
discutidos no presente artigo focando-se nas possibilidades de aplicao na Psicologia e em cincias correlatas. Perspectivas
futuras e limitaes dos Modelos de Equaes Estruturais so discutidas.

Palavras-chave: modelos de equaes estruturais; anlise de dados multivariados; modelos de equaes mltiplas.

Structural Equation Modeling in Psychology:

Concepts and Applications
ABSTRACT The debate concerning procedures and techniques of data treatment is relevant in the context of production and
progress of knowledge in a broad range of subject areas. In the past decade, a framework of data treatment methods denomi-
nated Structural Equation Modeling received a great deal of attention from researchers. This data treatment procedure has its
historical origins related to different areas of knowledge like biometrics, econometrics and psychometrics. As a consequence
of its unique characteristics, scientic report in Structural Equation Modeling should consider various relevant aspects, like
the theoretical denition of the model to be tested, the specication and identication of the model, as well as estimation and
measurement aspects of the adequation indices. Several of these elements are presented and discussed in the present article,
focusing on the possibilities of practical application in the eld of Psychology and related sciences. In addition, future perspec-
tives and limitations of Structural Equation Modeling are also discussed.

Key words: structural equation modeling; multivariate data analysis; multiple equation models.

Procedimentos de anlise de dados so caractersticos
na pesquisa em psicologia. A complexidade dos fenmenos
estudados exige que os pesquisadores das diferentes reas da
psicologia desenvolvam ou apliquem tcnicas multivariadas
de anlise de dados condizentes com os fenmenos estuda-
dos. Isso pode ser observado desde o desenvolvimento de
modelos de testagem psicolgica ao nal do sculo XIX e
princpios do sculo XX (Anastasi & Urbina, 2000; Laros,
2005; Thompson, 2004), at as discusses mais recentes so-
bre delineamentos de pesquisa experimental e quase-experi-
mental em Psicologia (Shadish, Cook & Campbell, 2002).
Paralelamente ao desenvolvimento da pesquisa psicolgi-
ca, nas duas ltimas dcadas, o desenvolvimento da microin-
formtica tornou o uso e aplicao de modelos estatsticos
mais complexos acessveis aos pesquisadores em Psicologia.
1 Endereo: Departamento de Psicologia Social e do Trabalho, Instituto
de Psicologia. Campus Universitrio Darcy Ribeiro, Instituto Central
de Cincias - Ala Sul, Braslia, DF, Brasil 70900-000. E-mail: rpilati@
unb.br
Isso ocorre graas ao aumento crescente da capacidade de
processamento de computadores e programas estatsticos
mais poderosos e de fcil manuseio.
Esse incremento popularizou o uso de anlise estatstica
multivariada, o que permite o desenvolvimento terico e
metodolgico do campo, possibilitando testes empricos de
modelos tericos de forma cada vez mais completa, pois os
modelos multivariados atuais permitem que dezenas de rela-
es mltiplas possam ser testadas simultaneamente, o que
coerente com a complexidade dos fenmenos de interesse
dos cientistas psiclogos. Mas, de qualquer forma, esses pro-
cedimentos de anlise de dados exigem ateno e cuidado do
pesquisador, para que ele seja capaz de realizar as aplicaes
corretas, bem como interpretar resultados adequadamente,
evitando falcias ou falsas concluses.
Uma das tcnicas que tem se proliferado ultimamente
na cincia psicolgica e reas correlatas so os modelos de
equaes estruturais (MEE). Essa tcnica entendida por
autores do campo (e.g. Klem, 2002; Thompson, 2002; Ull-
man, 2007) como uma mistura de anlise fatorial e anlise
de regresso, que permite aos pesquisadores testar estruturas
fatoriais de instrumentos de medida psicomtrica, por meio

205
 R. Pilati1 e J. A. Laros
da anlise fatorial conrmatria. A MEE no apenas permite
o teste conrmatrio da estrutura psicomtrica de escalas de
medida mas tambm pode ser utilizada para analisar relaes
explicativas entre mltiplas variveis simultaneamente, sejam
essas latentes ou observadas. Segundo Hox e Bechger (1998),
a MEE proporciona um arcabouo geral e conveniente de
procedimentos de anlise de dados que incluem vrios pro-
cedimentos tradicionais de anlise de dados multivariados.
A nomeao da tcnica profusa, pois vrios nomes
diferentes podem ser observados na literatura. Nunally e
Bernstein (1994) dizem que a tcnica conhecida como
anlise de estruturas de covarincia e relaes estruturais
lineares. J Ullman (2007) aponta que a tcnica tambm
conhecida como modelagem causal, anlise causal, mode-
lagem de equaes simultneas e anlise de estruturas de
covaricia. Como forma de nomear a tcnica sem provocar
maior profuso, adota-se, no presente trabalho, o termo
modelos de equaes estruturais.
Dentro do escopo internacional de produo de conhe-
cimento em Psicologia, o uso dessa tcnica de anlise de
dados tem se tornado cada vez mais comum. Em uma simples
busca por operadores booleanos, restrita aos anos de 1980
a 2005, dentro de uma das mais abrangentes bases de dados
de produo cientca em psicologia (PsycLIT da American
Pscyhological Association), obtm-se como resultado apro-
ximadamente 1.400 artigos cientcos que de alguma forma
fazem uso da tcnica de modelos de equaes estruturais
como mecanismo de tratamento de dados.
A grande profuso do uso dessa tcnica de anlise de
dados tambm pode ser notada pelo intenso debate que se
d ao redor desse tema. Desde 1993, a SEMNET (Structural
Equation Modeling Network), uma lista de discusso mul-
tidisciplinar dedicada a debater os tpicos de interesse de
pesquisadores e desenvolvedores dos modelos matemticos
de MEE, est em funcionamento, contando, j em 1998,
com mais de 1.500 integrantes de dezenas de pases (Kaplan,
2000). Dentro dessa mesma perspectiva foi criado o peridico
cientco Structural Equation Modeling: A Multidisciplina-
ry Journal, que desde 1994 vem publicando artigos inditos,
empricos ou tericos que sejam relacionados ao tema de
MEE. Como pode ser observado, a profuso do uso dessa
tcnica, bem como dos problemas e desaos decorrentes da
mesma, so intensamente debatidos na produo internacio-
nal em Psicologia e outras reas correlatas.
No contexto brasileiro, desde meados da dcada passada
comeou-se a notar um aumento de interesse sobre o uso da
tcnica de MEE como estratgia de anlise de dados e teste de
modelos tericos. Em uma busca com operadores booleanos,
na base de dados multidisciplinares Scielo, encontrou-se oito
artigos que abordam o tema de MEE. Quando essa pesquisa
expandida para uma rea correlata Psicologia, a Admi-
nistrao, mais especicamente nos anais dos ENANPADs
(Encontro da Associao de Ps-Graduao e Pesquisa em
Administrao) e resumos da RAC (Revista de Administra-
o Contempornea), RAE (Revista de Administrao de
Empresas) e RAUSP (Revista de Administrao da USP)
uma busca simples revela cerca de 25 trabalhos que utilizam
a MEE como procedimento de anlise de dados. Observa-se,
graas a esses e outros indicadores, o incio do interesse de
pesquisadores brasileiros sobre a temtica.
206
Uma das questes centrais sobre o uso acadmico de
modelos inovadores de tratamento de dados diz respeito
formao de pesquisadores e alunos de ps-graduao. A
profuso de programas de anlise de dados que realizam pro-
cedimentos estatsticos complexos no garante que cuidados
essenciais no uso da tcnica sejam observados, o que pode
levar a resultados esprios e mal interpretados, construo
errnea de modelos, decises sobre ndices e pressupostos
equivocadas e uso indevido de uma srie de conceitos rela-
tivos MEE. Dentro desse contexto de ensino e produo de
conhecimento em Psicologia e reas ans que este artigo
se insere, pois tem o objetivo de apresentar e discutir sobre
as concepes e aplicaes da MEE na produo de conhe-
cimento em Psicologia e reas correlatas.
Histrico e Conceituao
A MEE uma tcnica de anlise de dados que possui
origem hbrida, em ao menos trs diferentes cincias. De
acordo com Kaplan (2000), a MEE foi inuenciada pela
psicometria do incio do sculo XX, graas aos trabalhos
seminais de alguns psicometristas (e.g. Pearson, Spearman,
Thurstone, entre outros). O modelo da psicometria clssica
estabeleceu o princpio de mensurao de caractersticas
latentes humanas (e.g. habilidades cognitivas) por meio de
tarefas comportamentais. Os psiclogos procuravam men-
surar tais capacidades humanas por meio de uma srie de
tarefas (i.e. itens dos testes) e a identicao da estrutura
dessas medidas era dada pelas intercorrelaes entre esses
itens. De acordo com Kaplan (2000), esse modelo de trao
latente, que utilizava o modelo analtico da anlise fatorial,
foi a primeira inuncia para o desenvolvimento dos atuais
modelos de equaes estruturais. No decorrer do sculo XX
vrios outros psicometristas e estatsticos aperfeioaram o
modelo da anlise fatorial at o desenvolvimento do modelo
atual da MEE.
Kaplan (2000) aponta que a outra inuncia advinda
dos modelos de equaes mltiplas. Essa linha de tratamen-
to de dados foi originalmente proposta por um geneticista
chamado Wright, que estava interessado em compreender
aspectos da morfologia animal a partir da anlise simult-
nea de diferentes variveis antecedentes. A partir do uso de
equaes de regresso mltipla, Wright criou a anlise de
trajetrias, em seus estudos seminais do incio do sculo
XX. Por outro lado, a lgica de anlise de equaes mlti-
plas tambm foi desenvolvida no seio da econometria. Em
meados do sculo XX, os economistas estavam interessados
em compreender fenmenos macroeconmicos por meio do
emprego de mltiplas equaes de regresso. De acordo com
Kaplan (2000), essa questo atual e a preocupao com a
modelagem de equaes mltiplas de dados longitudinais
segue em discusso na econometria.
Dessa forma, a MEE tem uma origem histrica hbrida
e aplicada a resoluo de problemas prticos de testagem de
modelos complexos, com mltiplas variveis simultneas e
traos latentes. Por esse motivo, a MEE apresentada por
vrios autores como uma mistura de anlise fatorial com
regresso mltipla e anlise de trajetrias (e.g. Ullman,
2007). A MEE uma tcnica de equaes estruturais ou
equaes mltiplas, mas se diferencia da anlise de trajetrias
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
 Modelos de Equaes Estruturais em Psicologia
porque trabalha com variveis latentes, ou seja, medidas no
diretamente observadas, mas sim derivadas de indicadores
observveis, como itens de uma escala de avaliao psico-
lgica ou de comportamento organizacional. Dessa forma,
a tcnica utiliza princpios tericos e lgicos dos modelos
psicomtricos da anlise fatorial e a lgica de teste de equa-
es mltiplas da econometria.
Como a maioria das tcnicas de anlise de dados, a MEE
til para o teste de modelos tericos em diferentes reas
do conhecimento. utilizada, no contexto brasileiro, em
pesquisas de Psicologia Organizacional e do Trabalho (e.g.
Pilati & Abbad, 2005), Psicologia Social (e.g. Gouveia, Mar-
tinez, Meira & Milfont, 2001), Marketing (e.g. Frederico &
Robic, 2005), gesto de pessoas (e.g. Medeiros, Albuquerque
& Marques, 2005), entre outras reas. Assim, demonstra-se
como tcnica til para o desenvolvimento terico de diversas
subreas da Psicologia, bem como para outras disciplinas que
tenham a necessidade de mensurao e teste de relaes entre
fenmenos complexos e que exijam a anlise de mltiplas
relaes simultneas, entre as quais variveis latentes.
Alm disso, a MEE pode ser utilizada como procedimen-
to de tratamento de dados em diferentes delineamentos de
pesquisa em Psicologia e cincias humanas. Usualmente, a
maioria das aplicaes tem sido observada em pesquisas de
delineamento correlacional, nas quais mltiplas variveis so
mensuradas e suas relaes so testadas por meio da MEE,
sem controle de variveis. Mas a tcnica tambm pode ser
utilizada em delineamentos de pesquisa de outros tipos, como
os quase-experimentais ou experimentos de campo ou os
delineamentos experimentais clssicos (Bullock, Harlow &
Mulaik, 1994; Shadish & cols., 2002). A aplicao de MEE
nesse contexto traz vrias vantagens para o pesquisador que
est conduzindo experimentos, pois, de acordo com Shadish
e cols. (2002),
um simples experimento randmico nos aponta a ocorrncia
de um efeito. O uso de modelagem causal nos ajuda a explicar
o efeito por meio da modelagem de possveis relacionamentos
entre componentes moleculares da varivel independente, de
variveis mediadoras, de variveis moderadoras e da varivel
dependente (p. 404).
Em suma, vericados os pressupostos de anlise, a MEE
pode ser aplicada independentemente do delineamento de
pesquisa, o que pode trazer luz para resultados de experi-
mentos que exijam a avaliao de mltiplas variveis, alm
do teste de relaes diretas e indiretas simultneas.
MEE: Conceitos Bsicos
Segundo Bollen (1989), a MEE tem por lgica bsica a
reproduo da matriz de covarincias populacionais por meio
das covarincias amostrais associadas s imposies de par-
metros determinadas pelo pesquisador. Se o modelo imposto
for plausvel, isso signica que covarincias provenientes de
dados amostrais podem reproduzir os dados populacionais
associados ao conjunto de parmetros do modelo estrutural.
Modelos plausveis indicam que a reproduo gerou resduos
reduzidos. Do contrrio, se essa reproduo no foi plausvel,
os resduos so elevados.
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
Com essa lgica, o modelo da MEE procura replicar um
conjunto de dados observados por meio da imposio de pa-
rmetros nas matrizes, que so as relaes tericas denidas
pelo pesquisador. Essa caracterstica a principal diferena
entre a MEE das outras tcnicas de anlise multivariada,
pois a imposio dos parmetros na matriz de relaes
entre as variveis d a ela um carter conrmatrio, pois
exige do pesquisador uma pr-denio do tipo de relaes
existentes entre as variveis do modelo em teste, que so
operacionalizadas em termos de restries nas matrizes. Por
esse motivo, a MEE necessita que a) as medidas utilizadas
pelo pesquisador sejam de boa qualidade psicomtrica e b)
modelos tericos slidos e fundamentados em pesquisas
anteriores que permitam ao pesquisador estabelecer essas
imposies (relaes pr-denidas) com propriedade. De-
vido a essa ltima caracterstica que a MEE entendida
como uma tcnica conrmatria, pois a modelao terica
sobre o que est sob investigao deve ter ocorrido antes
da anlise dos dados.
Uma outra questo de fundamental importncia no
campo e relacionada ao carter conrmatrio da tcnica
diz respeito MEE estabelecer relaes causais. Muitos
autores tm discutido sobre a questo causal da MEE e o
debate continua em aberto (e.g. Bullock & cols., 1994; Hox
& Bechger, 1998). De acordo com Shadish e cols. (2002),
relaes causais dizem respeito a controles metodolgicos
e no estatsticos sobre variveis de um estudo. Bullock e
cols. (1994) argumentam que se os dados so correlacio-
nais por natureza, nenhum mtodo estatstico pode alterar
o delineamento (p. 254).
Nessa mesma linha de argumentao, Hox e Bechger
(1998) dizem que a maioria dos estudos que utilizam MEE
correlacional e que a interpretao causal do modelo nal
pode ser correta, mas que a MEE no consegue transformar
magicamente dados de natureza correlacional em relaes
causais. Dessa forma, Hox e Bechger (1998) argumentam
que os pesquisadores devem ter em mente que, se um mo-
delo corroborado pelos dados em estudos de MEE, isso
no implica que esse modelo tenha sido provado como
verdadeiro, mas sim que o modelo no foi falseado. Isso
no implica na ausncia de outros modelos concorrentes
que possam, tambm, ser no-falseados. Esse princpio
lgico argumentado pelos autores corrobora a noo epis-
temolgica falsicacionista de produo de conhecimento
(Popper, 1972), o que totalmente coerente com as reais
preocupaes da cincia psicolgica contempornea. O que
deve ser evitado que os pesquisadores, por mal uso de
conceitos de MEE, faam concluses ou tomem decises
equivocadas, dado o princpio epistemolgico subjacente
concepo da tcnica.
Assim, a atribuio de causalidade entre dois fenmenos
(i.e. A causa B) est associada capacidade do delineamento
de pesquisa elaborado controlar a multiplicidade de fatores
que podem, tambm, interferir na variao de B e isolar o
efeito provocado por A, chegando-se, ento, concluso
de que A causa B. A questo da causa em cincia est
diretamente relacionada ao tipo de delineamento utilizado
pelo pesquisador em sua investigao e no metodologia
estatstica por ele utilizada para o controle matemtico-es-
tatstico dos dados empricos. A noo de causa em MEE
207
 R. Pilati1 e J. A. Laros
est estreitamente relacionada lgica de imposio ou
restrio de relaes entre variveis, algo realizado pelo
pesquisador com suporte terico e emprico precedente. Essa
concepo tambm relacionada direo dos coecientes
de determinao, tambm estabelecidos pela perspectiva
terica do pesquisador. Mas esses aspectos no signicam
que a adequao das relaes impostas indique relao
causal entre variveis, mas sim uma relao preditiva ou
de determinao. Em suma, o problema da relao causal
um artefato metodolgico (Shadish & cols., 2002) e no
matemtico, como muito da discusso na literatura de MEE
pode levar a entender.
Em MEE, uma das questes primordiais diz respeito
especicao do modelo. Isso , o estabelecimento de re-
laes entre as variveis, a denio dos tipos de variveis
no modelo e a caracterizao do tipo de modelo existente.
Segundo Hox e Bechger (1998), o processo de especicao
de um modelo guiado pela combinao de elementos teri-
cos e de evidncias empricas de pesquisas anteriores. Uma
caracterstica comum em MEE, como forma de especicao,
a representao grca ou pictrica dos modelos estruturais.
Essa representao possui uma simbologia de nomenclatura
convencionada pelos pesquisadores do campo. As relaes
estruturais entre variveis so representadas por diagramas.
Nesses diagramas, as variveis representadas por retngulos
ou quadrados indicam variveis observadas e variveis repre-
sentadas por crculos ou elipses indicam variveis latentes. As
variveis latentes, por sua vez, esto associadas s variveis
observadas, pois os construtos latentes so aferidos, via de
regra, por fenmenos observveis do campo de investigao
(e.g. os itens de um instrumento psicomtrico de medida so
os indicadores observveis de construtos latentes que tais
itens tm como funo mensurar). Hair, Anderson, Tatham
e Black (2005) denem variveis latentes como a operacio-
nalizao de construtos em MEE. Construtos so variveis
no diretamente obervadas, mensuradas de forma indireta por
meio de variveis observadas. Por sua vez variveis observa-
das ou manifestas so denidas por Hair e cols. (2005) como
os indicadores de uma varivel latente ou construto.
A Figura 1 uma representao pictrica de um modelo
de equaes estruturais. Nessa gura, as variveis latentes
ou fatores so representados pela sigla F, as variveis
observadas pela letra V e os erros, associados a cada
varivel observada, pela letra E. O distrbio, erro asso-
ciado a uma varivel dependente, representado pela letra
D. Ressalta-se que variveis latentes so aqui entendidas
como fenmenos que no so mensurados via observao
direta, mas sim de forma indireta por meio de indicadores
observados. No caso da Psicologia muito comum que
estes indicadores observados sejam itens de instrumentos
psicomtricos, como defendido no mbito da psicometria
(Anastasi & Urbina, 2000; Pasquali, 2003).
Como pode ser observado na Figura 1, as relaes
explicativas entre as variveis so descritas por setas
unidirecionais. Cada uma dessas setas pode ser descrita
matematicamente como uma reta de regresso2. De acordo
2 Equao linear de regresso simples: y = a + bx + e; onde a o
intercepto, o b o coeciente angular e o e o termo de erro.
208
com Hox e Bechger (1998), essas relaes tambm podem
ser entendidas como cargas fatoriais, se relativas anlise
fatorial conrmatria de instrumentos de medida. J as setas
curvas e bidirecionais representam correlao ou covarincia
entre variveis. Um outro aspecto relevante que deve ser
ressaltado em relao Figura 1 a predenio do valor
de uma relao de determinao ou carga fatorial entre a
varivel latente e uma varivel observada (e.g. a relao
entre F1 e V1 denida com valor um). Essa predenio
importante para o estabelecimento da mtrica em que as
relaes sero apresentadas na anlise.
Um outro aspecto relevante na nomenclatura de MEE diz
respeito ao tipo de variveis dos modelos. Kaplan (2000)
dene que o primeiro chamado de variveis endgenas e
se referem quelas que recebem setas unidirecionais. Essas
so conhecidas tambm como variveis critrio ou vari-
veis dependentes. J as variveis exgenas so aquelas que
originam setas unidirecionais, sendo tambm conhecidas
como variveis preditoras ou variveis independentes. Em
MEE ocorrem casos nos quais uma mesma varivel pode
ser endgena ou exgena, ou seja, ela pode receber e
enviar setas, comportando-se como varivel critrio e
varivel preditora simultaneamente. Isso possvel devido
a aspectos tericos de mediao entre variveis, tipo de
relao que pode ser testado em MEE.
Alm da denio do tipo de variveis para a especi-
cao de um modelo, crucial a denio da caracterstica
geral do mesmo. De acordo com Kline (1998), existem dois
tipos bsicos de modelos em MEE: recursivos e no-recursi-
vos. Modelos recursivos tm como caracterstica a ausncia
de covarincia entre distrbios de variveis endgenas e a
unidirecionalidade das relaes de determinao entre as va-
riveis (i.e. no existem setas unidirecionais de retorno entre
variveis endgenas e exgenas). Modelos no-recursivos,
por sua vez, possuem relao de dupla determinao entre
variveis (i.e. duas setas unidirecionais entre duas variveis
do modelo) e/ou correlaes (i.e. setas bidirecionais) entre
os distrbios de variveis endgenas.
DL3
1
V9 E9
1 1 1
E1 V1 1 1
V8 E8
1
E2 V2 F1 F3 1
V7 E7
1
E3 V3
1
V6 E6
F2
1
V4 V5
1 1
E4 E5
Figura 1. Exemplo de representao pictrica de modelo de equaes
estruturais.
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
 Modelos de Equaes Estruturais em Psicologia
A Figura 1 um exemplo prototpico de um modelo
recursivo, pois as relaes de determinao (setas) so todas
unidirecionais, ou seja, partem dos fatores (F) ou para outros
Fs ou para variveis observadas (Vs). Tomando-se como base
o modelo da Figura 1, este poderia se tornar no-recursivo se,
por exemplo, uma nova seta unidirecional fosse inserida no
modelo, indicando uma relao de retorno entre F3 e F2.
A caracterstica de um modelo de MEE crucial para o pro-
cesso de identicao de modelos estruturais, pois modelos
no-recursivos tm um nmero maior de parmetros para
serem estimados, o que traz certas exigncias para o processo
de anlise.
Em relao especicao de modelos estruturais, tambm
necessria a denio dos dois sub-modelos existentes. O
primeiro refere-se ao modelo de mensurao, que se traduz na
relao entre variveis latentes e as variveis observadas (i.e.
mensuradas na realidade emprica), que permitem a mensura-
o dos fenmenos latentes existentes no modelo. Na Figura
1, o modelo de mensurao representado pela relao entre
os fatores (F) e as variveis observadas (Vs). A adequao e
ajuste do modelo de mensurao crucial para que um modelo
de equaes estruturais possa ser testado. Esse processo de
aferio do modelo de mensurao conhecido como anlise
fatorial conrmatria (AFC). O segundo sub-modelo existente
o chamado modelo estrutural ou diagrama estrutural, que
trata das relaes entre variveis latentes do modelo em teste.
Na Figura 1, o modelo estrutural representado pelas relaes
entre os fatores (Fs).
Outro aspecto para o teste de modelos estruturais a iden-
ticao do modelo. Pelo seu carter conrmatrio, a MEE
impe relaes entre variveis que so simultaneamente ex-
pressas por uma matriz de dados. Por essas relaes no serem
informaes presentes na matriz de covarincias necessrio
que as mesmas sejam estimadas por mtodos matemticos.
Essa estimao tem como ponto de partida os dados presentes
na matriz. A referida caracterstica gera um problema de falta
de informaes para o processo de estimao. Quanto maior for
o nmero de parmetros (relaes entre variveis, varincias
e covarincias a serem estimadas), maior a diculdade para a
estimao. De acordo com Kaplan (2000), a identicao de
um modelo estrutural ocorre quando o nmero total de par-
metros a serem estimados pode ser unicamente representado
pelo conjunto de dados da matriz de covarincias amostrais. A
regra mais simples e difundida para se estabelecer o ndice de
identicao do modelo de equaes estruturais a regra da
contagem (Byrne, 2001; Kaplan, 2000; Ullman, 2007). Na ma-
triz de covarincias ou correlaes o nmero total de elementos
no redundantes igual a 1 2 p( p  1) onde p o nmero total
de pontos da matriz de covarincia ou correlaes.
Se o nmero total de parmetros for igual ao nmero de
elementos no redundantes, tem-se um modelo identicado,
ou seja, os graus de liberdade (GL)3 desse modelo so iguais
a zero. Se for menor ou maior ao nmero, tem-se, respectiva-
mente, modelos sub-identicados e superidenticados. Para
que seja possvel a estimao dos parmetros, essencial que
3 Os graus de liberdade de um modelo de equaes estruturais so de-
nidos pela diferena entre o nmero de elementos no redundantes
na matriz de correlaes e o nmero de parmetros do modelo.
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
o modelo em teste seja ao menos superidenticado, ou seja,
que tenha GL maior que zero.
Pressupostos da MEE
Como toda tcnica pertencente ao modelo linear geral
(MLG), a MEE exige que os dados possuam certos pressupos-
tos para serem submetidos a modelagem. Maiores discusses
sobre essa questo podem ser encontradas em Tabachnik e
Fidell (2007). Textos especcos dedicam-se a desenvolver
argumentaes sobre a importncia da anlise exploratria
de dados para adequao ao modelo linear geral, explanando
sobre tcnicas de identicao e resoluo de problemas de
ausncia de pressupostos para anlise de dados. Para tanto,
sugere-se ao leitor que busque essa literatura especca, pois
no presente trabalho pretende-se abordar apenas algumas das
questes relativas aos pressupostos dos dados estatsticos,
aquelas consideradas mais relevantes na MEE.
Um dos mais importantes pressupostos dos dados para
a MEE a normalidade das distribuies das variveis. H
necessidade de que os dados em anlise respeitem pressu-
postos de normalidade univariada e multivariada. A MEE
utiliza diferentes mtodos de estimao para o clculo dos
parmetros do modelo. O mais difundido dos mtodos o
da mxima verossimilhana (MLE), que exige que os dados
tenham normalidade para a estimao. Nesse mtodo, alm da
normalidade univariada, necessrio que os dados possuam
normalidade multivariada. De acordo com Kline (1998), a
normalidade multivariada signica que a) os dados tenham
todos distribuio univariada normal; b) a distribuio conjunta
de qualquer combinao de variveis deve ser normal e c)
todos os grcos de disperso bivariados devem ser lineares
e homocedsticos. Segundo Kline (1998), de forma a permitir
a anlise conjunta da normalidade das variveis, programas
de modelos de equaes estrurais, como o AMOS, calculam
ndices de assimetria e achatamento multivariados, por meio
do coeciente de Mardia (1971). Dessa forma, possvel que o
pesquisador avalie essa caracterstica da distribuio de dados
e utilize um mtodo de estimao de parmetros coerente com
o padro de normalidade das variveis.
Existem mtodos de estimao dos parmetros que no
exigem o pressuposto da normalidade dos dados, como o ADF
(Mtodo Assinttico Isento de Pressupostos de Distribuio).
O MLE, entretanto, apresenta algumas vantagens relevantes,
como a facilidade do processamento estatstico e tamanho
reduzido da amostra, alm da possibilidade de estabelecimento
de diversos ndices de adequao. O pesquisador deve estar
atento a esses aspectos para poder estimar com validade e
preciso os parmetros do modelo. Caso o pressuposto da
normalidade no seja atingido, mesmo aps a aplicao de
procedimentos de transformao das variveis (e.g. Osborne,
2002), o pesquisador pode optar por utilizar outros mtodos de
estimao, como o ADF. De acordo com Kline (1998), alm
dos processos de transformao de variveis, o pesquisador
tambm pode optar pelo tratamento dos casos extremos como
forma de incrementar a normalidade dos dados.
Outro pressuposto de grande importncia relativo aos
casos omissos, ou dados faltosos. De acordo com Kline (1998),
esse um problema comum em pesquisa de diferentes reas,
mas que deve ser tratado para no inuenciar o processo de
209
 R. Pilati1 e J. A. Laros
anlise por meio da MEE. A falta de dados brutos ocasiona pro-
blemas na estimao dos parmetros de um modelo estrutural,
pois os coecientes da matriz de covarincia so obtidos com
nmeros no homogneos de dados brutos. De acordo com
Little e Rubin (1987), esse tipo de ocorrncia deve ser superado
pelo uso de tcnicas de estudo do carter de sistematicidade de
dados omissos e pela posterior estimao dos valores omissos
por meio do uso de um procedimento adequado de estimao.
Essa estimao ou imputao de dados brutos essencial para
que as covarincias ou correlaes da matriz sejam calcula-
das com um nmero homogneo de informaes. Portanto,
a questo de dados omissos crucial em anlises do modelo
linear geral e vrias estratgias de resoluo dessas questes
esto disponveis na literatura especializada.
Kline (1998) ainda discute que, alm dos pressupostos
at aqui comentados, o pesquisador tambm deve estar atento
para questes de homocedasticidade, heterocedasticidade,
singularidade e valores ou casos extremos. Apesar de mag-
nitude e inuncia menor sobre o processo de MEE, esses
pressupostos tambm devem ser observados para que no
ocorram problemas com o processo de estimao dos pa-
rmetros e ndices associados MEE. Como salientado no
incio dessa seo, no funo do presente trabalho esgotar caracterstica essencial para que o pesquisador possa alcanar
a discusso sobre pressupostos de anlise, mas apenas alertar
aos leitores sobre aspectos dos pressupostos considerados
como mais relevantes.
Informaes Essenciais em Relatos de MEE
Devido s suas caractersticas peculiares como tcnica de
anlise e tratamento de dados, o uso da MEE deve ser relatado
levando-se em considerao alguns aspectos. Tais aspectos
so relativos clareza de transmisso das informaes e ao
tipo de informaes que devem ser transmitidas para que a
comunidade cientca possa ter acesso aos aspectos cruciais
que levaram o pesquisador s decises tomadas e concluses
alcanadas. Na literatura internacional, so observados arti-
gos cientcos que buscam discutir esses aspectos do relato
de estudos que utilizam MEE (e.g. Boomsma, 2000; McDo-
nald & Ho, 2002). Como o objetivo do presente trabalho
apresentar elementos gerais e bsicos para o uso criterioso
da MEE no contexto da pesquisa brasileira, decidiu-se por
apresentar alguns dos princpios de apresentao de resulta-
dos discutidos na literatura internacional da rea. Espera-se
que essa discusso possibilite o aprimoramento do tema na
pesquisa em Psicologia e em reas correlatas no Brasil.
Os cuidados no relato de pesquisas com uso de MEE
devem seguir aspectos relativos aos conceitos bsicos de
MEE. Portanto, pode-se observar que alguns dos aspectos
aqui tratados so conceituados em sees anteriores. Por
um motivo de exposio lgica dos princpios do relato da
MEE, os elementos cruciais sero apresentados na seqncia
lgica de preocupao do pesquisador. Assim, os relatos de
MEE devem considerar os seguintes elementos: a) aspectos
tericos; b) elaborao de modelos (relaes hipotetizadas
entre as variveis); c) determinao terica e descrio dos
aspectos psicomtricos das medidas do modelo; d) especi-
cao do modelo (de suas duas partes, a saber, mensurao e
estrutural); e) identicao do modelo (i.e. relao parmetros
versus pontos de dados da matriz de correlaes, representa-
210
o grca do modelo hipottico, xao da escala de medida
do modelo de mensurao); f) descrever mtodos de estima-
o de parmetros; g) denir ndices de ajuste e valores de
referncia para cada um; h) apresentar coecientes estimados
e seu teste de signicncia; i) apresentar ndices de ajuste do
modelo; j) relatar resduos; k) descrever possveis ndices de
modicao do modelo; e l) justicar teoricamente possveis
modicaes do modelo hipotetizado.
O primeiro passo para se estabelecer um relato de MEE
com os devidos cuidados est relacionado aos aspectos teri-
cos do estudo. Como j discutido anteriormente e partilhado
por diferentes autores do campo (e.g. Bullock & cols., 1994;
Byrne, 2001; Kaplan, 2000; Ullman, 2007), a MEE possui
um carter conrmatrio. Por esse motivo, essa no uma
tcnica adequada para explorar relaes entre variveis, o
que pode ser efetuado por meio de outras tcnicas de esta-
tstica multivariada (para maiores detalhes veja Tabachnik &
Fidell, 2007 ou Hair & cols., 2005). Por essa caracterstica,
a elaborao terica de modelos hipotticos to importante
no contexto da MEE, pois as relaes que sero construdas
pelo pesquisador entre as variveis devem ser embasadas em
pressupostos tericos e evidncias empricas anteriores. Essa
resultados teoricamente coerentes e modelos ajustados aos
dados. Caso o campo de investigao no possua tais evidn-
cias, recomenda-se que o pesquisador inicie os estudos com a
utilizao de outras tcnicas multivariadas de anlise de dados
que no possuam caracterstica conrmatria.
O levantamento e a descrio de aspectos tericos permi-
tem ao pesquisador o desenho de modelos a serem investigados
por meio da MEE. Essa etapa do processo refere-se formula-
o de hipteses de relaes entre variveis. Essa formulao
de hipteses permitir ao pesquisador denir as relaes de
determinao entre variveis do modelo estrutural. Dentro de
uma perspectiva terica podem existir modelos concorrentes
e o pesquisador dever modelar teoricamente seu conjunto de
hipteses da forma mais coerente e lgica possvel, para que
suas hipteses faam sentido no processo de construo de
conhecimento em um campo do saber. A escolha e a denio
das relaes mais procedentes entre variveis so relativas
modelagem terica de uma rea do saber e dizem respeito a
um aspecto essencial para a especicao e identicao de
um modelo estrutural a ser testado por meio da MEE.
Outro aspecto de fundamental importncia e parte integral
de um relato de MEE relativo fundamentao terica das
medidas no modelo. A tradio terica da MEE est centrada
nos modelos de trao latente, presentes na Psicologia desde
o princpio do sculo XX (Anastasi & Urbina, 2000; Kaplan,
2000; Ullman, 2007). A teoria psicomtrica pressupe que
a resposta a um conjunto de itens de um instrumento esteja
associada a um trao latente (i.e. habilidade, atitude, etc)
presente nos esquemas cognitivos dos indivduos. A partir
desse pressuposto, modelos tericos foram desenvolvidos
para a construo de medidas de fenmenos latentes. Os
modelos da psicometria clssica ou da psicometria moderna,
respectivamente Teoria Clssica dos Testes (TCT) e Teoria de
Resposta ao Item (TRI), denem conceitos e procedimentos
para a estruturao terica e validao emprica de medidas
(Pasquali, 2003). O pesquisador que faz uso da MEE deve ter
em mente que os instrumentos de medida devem ser vlidos
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
 Modelos de Equaes Estruturais em Psicologia
e dedignos. Assim, fundamental que as medidas utilizadas
em um estudo de MEE tenham sido desenvolvidas a partir
de estruturas tericas slidas e que j tenham sua validade
demonstrada, preferencialmente em estudos anteriores. Alm
disso, fundamental que o pesquisador tambm relate as
caractersticas psicomtricas das medidas utilizadas, dando
possibilidade ao leitor de julgar a qualidade psicomtrica dos
instrumentos de medida.
O quarto aspecto a ser considerado pelo pesquisador em
um relato de MEE diz respeito especicao do modelo.
Esta necessita da explicitao de dois aspectos cruciais. O
primeiro relativo especicao do modelo de mensura-
o, que diz respeito qualidade das medidas utilizadas para
aferir as variveis latentes. Para tanto, o pesquisador deve
submeter as medidas anlise fatorial conrmatria (AFC)
por meio da MEE e testar a qualidade das medidas a partir
dos ndices de adequao do modelo de mensurao, entre
outros indicadores. Essa etapa crucial para que problemas
de estimao do modelo estrutural no sejam atribudos a
decincias das medidas utilizadas pelo pesquisador. O se-
gundo relacionado ao modelo estrutural e dene-se como
as relaes de determinao e covarincias que as variveis
exgenas e endgenas tero entre si. A denio do modelo
estrutural implica na atribuio de restries na matriz de
dados, que so os parmetros que o processo de anlise de
dados deve estimar. Como a MEE trabalha intensamente com
modelos grcos, essa especicao do modelo estrutural
pode ser representada por meio dos diagramas de MEE, como
aquele apresentado na Figura 1 do presente trabalho.
O processo de especicao do modelo traz tona a
necessidade da identicao do modelo que ser testado.
O pesquisador que est a relatar um estudo com uso de
MEE deve explicitar em sua argumentao as caracters-
ticas de identicao do modelo, ou seja, a relao entre
parmetros xos versus parmetros livres do mesmo. Para
que o modelo em teste seja passvel de estimao este deve
ter uma relao adequada entre parmetros livres (a serem
estimados) e parmetros xos, ou seja, o grau de liberdade
deve ser superior a zero. Essa informao j foi apresentada
anteriormente por meio da regra bsica de identicao do
modelo. O pesquisador deve relatar essa relao de forma a
propiciar ao seu leitor esta informao. Alm disso, tambm
faz parte da identicao do modelo a denio da escala
de trabalho do modelo de mensurao que, como j comen-
tado anteriormente, feita por meio da xao, geralmente
no valor um, de uma das cargas fatoriais de uma varivel
latente do modelo.
Uma outra informao que os pesquisadores devem
relatar o mtodo de estimao. A questo do mtodo de
estimao essencial para que o leitor possa compreender
a qualidade dos dados estimados, assim como as ameaas
ao processo de estimao, dadas as caractersticas dos da-
dos. Segundo Foguet e Gallart (2001), so frequentemente
observados na literatura especializada quatro mtodos de
estimao de parmetros em MEE: a) Quadrados Mnimos
No-Ponderados (ULS); b) Quadrados Mnimos Ponderados
(GLS), que possuem a normalidade como pressuposto de tra-
balho; c) Mxima Verossimilhana (MLE), que tambm exige
normalidade dos dados; e d) Mtodo Assinttico Isento de
Pressupostos de Distribuio (ADF) que no exige pressupos-
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
to de normalidade das variveis. Os autores comentam que os
mtodos mais frequentemente utilizado so o MLE e o GLS,
provavelmente devido sua maior difuso nos estudos semi-
nais de MEE. Ainda de acordo com Foguet e Gallart (2001),
a aparente superioridade do ADF, devido a no necessidade
de que os dados atinjam o pressuposto de normalidade, no
real, pois esse mtodo exige grandes contingentes amostrais
para proporcionar estimaes conveis. Em relao ao
tamanho da amostra, o MLE e o GLS funcionam bem entre
200 e 500 indivduos, sendo possvel que sejam adequados
tambm para amostras maiores a depender das caractersticas
dos dados em anlise. Por questes como essa, importante
que o pesquisador discuta e selecione mtodos de estimao
adequados s caractersticas amostrais de seu estudo.
Aps a denio dos aspectos relativos estimao, o
pesquisador deve posicionar-se sobre os ndices de ajuste
que sero utilizados para teste de adequao do modelo. Esse
aspecto da MEE importante e o desenvolvimento de vrias
estratgias de teste de adequao possibilitou o surgimento
de vrios e diferentes mtodos para a estimao do ajuste
de um modelo estrutural aos dados, tendo em vista que essa
uma das informaes mais relevantes em MEE. Segundo
Hox e Bechger (1998), o ndice clssico de ajuste de um
modelo o qui-quadrado (2). Para esses autores o grande
problema desse ndice seu alto grau de sensibilidade ao
tamanho das amostras, o que torna o ndice signicativo, o
que no desejado pois indica a rejeio do modelo. O con-
trrio tambm verdadeiro, pois se a amostra reduzida, o
ndice ser no-signicativo, o que pode levar o pesquisador
a aceitar um modelo quando outros concorrentes so mais
verossmeis. Para se lidar com situaes como essa, a rea de
MEE desenvolveu grande quantidade de ndices de adequao
de modelos de equaes estruturais.
Ullman (2007) classica os ndices de adequao em
cinco categorias. A primeira denominada ndices com-
parativos e trabalha com a lgica de comparao do2 de
modelos independentes com o 2 do modelo em teste. So
exemplos desses ndices o NFI (Normed Fit Index), o NNFI
(Non-Normed Fit Index), o IFI (Incremental Fit Index) e o
CFI (Comparative Fit Index). Um ndice peculiar nessa cate-
goria, segundo a classicao da autora, o RMSEA (Root
Mean Square Error of Approximation) que testa o ajuste
prximo do modelo por meio da comparao entre o modelo
em teste e um modelo saturado com o mesmo conjunto de
dados. A literatura aponta que valores entre 0,90 e 0,95 so
indicadores de ajuste suciente e valores acima de 0,95 so
considerados bons ajustes (Ullman, 2007). Em relao ao
RMSEA, espera-se um valor menor do que 0,08 (Hancock
& Freeman, 2001; MacCallum, Browne & Sugawara, 1996)
considerado como adequado, dado o poder do teste. Uma
outra caracterstica relevante do RMSEA a possibilidade
de estimao de intervalos de conana do ndice, o que
auxilia no julgamento de ajuste prximo. Esses valores de
intervalo de conana do RMSEA devem ser relatados pelo
pesquisador. A segunda categoria, ndice de adequao ab-
soluto, tem apenas um representante, o MFI. Esse realiza o
teste de adequao por meio da relao entre o 2 do modelo
e seus graus de liberdade. Este ndice considerado absoluto
porque no compara o modelo em teste com qualquer outro
possvel modelo.
211
 R. Pilati1 e J. A. Laros
A terceira categoria de ndices so aqueles relativos
proporo de varincia explicada. So exemplos dessa ca-
tegoria de ndices: o GFI (Goodness of Fit Index) e o AGFI
(Adjusted Goodness of Fit Index). Esses ndices baseiam-se
no clculo da proporo da varincia explicada por meio
da estimao. No caso destes, tambm se espera valores
prximos a 1,0 para a indicao de ajuste do modelo. De
acordo com Hox e Bechger (1998), pode-se aceitar um mo-
delo com valores de 0,90 e um valor considerado indicador
de um bom ajuste seria o de 0,95.
A quarta categoria de ndices diz respeito ao grau de
parcimnia do modelo testado. Fazem parte dessa categoria
o PGFI (Parcimony Goodness of Fit Index), o AIC (Akaike
Information Criterion) e o CAIC (Consistent Akaike Infor-
mation Criterion). Esses ndices do informaes da ade-
quao do modelo por meio de uma relao entre o nmero
de parmetros estimados e o nmero de pontos de dados na
matriz de covarincias. De acordo com Byrne (2001), o AIC
e o CAIC permitem a comparao de dois ou mais modelos.
Aqueles modelos que obtiverem valores menores indicam
que possuem melhor ajuste. Para a anlise dos ndices
importante considerar os graus de liberdade do modelo,
que nesse caso est relacionado ao nmero de parmetros
estimados. No teste de adequao de modelos estruturais
possvel a comparao de modelos concorrentes por meio
da restrio de um nmero diferente de relaes entre va-
riveis, o que diferencia o nmero de parmetros a serem
estimados. Se o pesquisador utiliza o AIC ou o CAIC para
teste de adequao, ele deve considerar, alm da diminuio
do valor absoluto dos ndices, o valor da razo crtica do
novo modelo e da diferena dos indicadores para todos os
modelos em teste. Ento, o ndice de melhora de ajuste se d
pela razo crtica encontrada, que a relao entre o valor
do ndice e o nmero de parmetros, e no simplesmente
pela diminuio do valor absoluto dos indicadores.
A ltima categoria de ndices descrita por Ullman (2007)
a dos ndices de ajuste baseados em resduos. O principal
representante o RMR (Root Mean Square Residual) e sua
variao SRMR (Standardized Root Mean Square Residu-
al). Ambos avaliam a distncia entre os elementos predi-
tos por meio da estimao dos parmetros do modelo e os
dados observados na matriz de covarincias. Nesse ltimo
caso, esperam-se valores prximos de zero como indica-
dores de ajuste do modelo. O pesquisador que desenvolve
um relato de MEE deve indicar ao seu leitor quais ndices
sero utilizados para aferir o grau de ajuste do modelo,
bem como, quais os valores de referncia encontrados no
processo de modelagem dos dados. Todos os valores dos
ndices de ajuste apresentados no presente artigo funcionam
como regras de tomadas de deciso, de forma que cabe ao
autor do relato que faz uso de MEE, a seleo dos ndices e
a denio dos critrios de corte com base em argumentao
consistente sobre os ndices de adequao.
Aps a descrio desses elementos preliminares, os
autores devem procurar apresentar um conjunto sistemtico
de informaes que permita ao leitor avaliar os resultados al-
canados. Para tanto, so essenciais os seguintes elementos:
apresentao dos coecientes (determinao e covarincia)
e seus respectivos graus de signicncia; apresentao dos
ndices de ajuste do modelo e apresentao dos resduos do
212
modelo testado. fundamental para o leitor de um relato
de MEE que ele tenha acesso completo s informaes pa-
dronizadas dos coecientes que indicam as relaes entre
as variveis do modelo. Isso porque essa informao pos-
sibilita a avaliao do grau e magnitude das relaes entre
variveis alm do seu nvel de signicncia, reforando a
dimenso do teste das hipteses especcas de um modelo,
permitindo assim melhor fundamentao para a discusso
e desenvolvimento terico dos resultados do estudo. Outro
elemento que deve estar presente no relato so ndices de
adequao com os respectivos valores obtidos. Esses indi-
cadores permitiro ao leitor acessar a qualidade do modelo
como um todo. Juntamente com os ndices de adequao,
importante o pesquisador apresentar informaes sobre os
resduos da anlise. Essa informao complementar pode
ser apresentada de forma sinttica ou por meio da matriz de
resduos e serve para o leitor complementar o julgamento
sobre a adequao do modelo e das imposies tericas
sobre os dados.
Anlises por meio de MEE podem indicar possveis alte-
raes nas relaes entre variveis que permitem viabilizar a
melhora do ajuste do modelo aos dados. Essas indicaes so
fornecidas pelos ndices de modicao e devem ser cuidado-
samente trabalhadas em um relato cientco. Uma dimenso
dessa questo diz respeito aos ndices de modicao pro-
priamente ditos. De acordo com Ullman (2007), existem trs
tipos bsicos de ndices de modicao: Lagrange Multiplier
(LM), Wald Test e a comparao de 2 de modelos alterados. A
comparao de 2 uma estratgia interessante e funcional em
modelos que tm caracterstica aninhada (Foguet & Gallart,
2001). J o LM permite o teste e comparao do incremento
de ajuste a partir da insero de parmetros especcos no
modelo e, portanto, exige a comparao desses elementos a
partir do teste de modelos especcos. De acordo com Ullman
(2007), o Wald Test trabalha em uma perspectiva parecida do
LM, mas estima a alterao do ajuste por meio da eliminao
de parmetros do modelo.
A partir do uso de ndices de modicao possvel
para o pesquisador alterar um modelo estrutural inicial, mas
o processo de alterao, graas ao carter conrmatrio da
MEE, no pode ser unicamente baseado nos indicadores
estatsticos de modicao. Para tanto, fundamental que o
pesquisador tenha fundamentao terica para modicao
do seu modelo inicial. Foguet e Gallart (2001) apresentam
alguns elementos que so esclarecedores para a modicao
de modelos estruturais. Segundo os autores, o processo de
modicao das relaes estruturais de um modelo em MEE
deve buscar consistncia terica. Assim, o pesquisador no
pode proceder a modicaes extensas no modelo e reavaliar
seu grau de ajuste. Isso porque o processo de modicao
est relacionado ao problema da capitalizao da chance, em
que as alteraes podem evocar erros de tipo I e de tipo II no
modelo. Esses autores argumentam que vlido o processo de
modicao em pesquisas de MEE, mas que essas alteraes
devem ser feitas com base em elementos tericos relevantes
e no exclusivamente nos ndices de modicao. Portanto,
o pesquisador desenvolvendo um relato de MEE deve pre-
ocupar-se com os indicadores de modicao do modelo,
mas procurar todas as evidncias tericas para efetivar tais
modicaes.
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
 Modelos de Equaes Estruturais em Psicologia

Devido s suas peculiaridades, o relato de um trabalho Exemplificao de Resultados de uma AFC

de pesquisa que tenha utilizado a MEE como estratgia de
anlise de dados e teste de modelos devem considerar os as-
pectos aqui relatados. Isso porque tais aspectos permitem ao
leitor de resultados de MEE possuir informaes sucientes
para julgar e contrapor os resultados e concluses relatadas
pelo autor. Alm disso, tais cuidados tambm auxiliam ao
prprio pesquisador a no chegar a julgamentos errneos ou
falcias devido falta de cuidado com vrios dos aspectos
relativos MEE. Como j foi salientado anteriormente,
h vrias questes terico-metodolgicas relativas ao uso
da MEE que no podem ser esquecidas pelo pesquisador,
justamente para permitir que o desenvolvimento terico de
um campo no seja limitado devido ao uso inadequado de
estratgias de teste estrutural de modelos tericos. Como
forma de estabelecer um princpio guia para o pesquisador
que faz uso da MEE, a Figura 2 apresenta o conjunto de
aspectos que devem ser considerados no relato de pesquisa
de MEE, como forma de sntese do que foi abordado nessa
seo.
Como forma de elucidar alguns dos aspectos comentados
no artigo, principalmente os concernentes apresentao dos
resultados de MEE (parte inferior da Figura 2), apresenta-se
a seguir um exemplo de anlise fatorial conrmatria (AFC)
descrito por Arbuckle e Worthke (1999) no manual do usurio
do AMOS 4.0. importante ressaltar ao leitor que existem
vrios programas estatsticos que realizam anlise de MEE.
Para aqueles interessados, recomenda-se a leitura de Ullman
(2007) que apresenta uma sntese comparativa entre tais pro-
gramas computacionais.
Recorda-se que a AFC uma possvel aplicao da MEE.
Optou-se por apresentar uma AFC porque um tipo de anlise
frequentemente utilizado por pesquisadores em Psicologia e
reas correlatas, como forma de aferir a validade de construto
de medidas.
A Figura 3 apresenta o modelo estrutural do exemplo de
anlise conrmatria. Deve-se observar que h valores pr-
denidos, uma carga fatorial para cada fator, que denem a
mtrica da anlise. Esses valores referem-se queles, sem erro
padro, apresentados na Tabela 1.

Aspectos Tericos 1
Percp. Visual err1
1

Delineamento de 1
Modelos Espacial Visual. Espacial err2

1
Fundamentao Orient. Espacial err3
Terica das Medidas

Especificao do 1
Comp. Pargrafos err4
Modelo 1

1
Identificao do Verbal Preenc. Sentenas err5
Modelo

1
Signif. Palavras err6
Mtodo de
Estimao Figura 3. Diagrama da AFC exemplificada por Arbuckle e Worthke
(1999).

ndices de Ajuste
A Tabela 1 apresenta os resultados da anlise fatorial
conrmatria. As informaes desta tabela so as bsicas que
Apresentar
devem ser relatadas em qualquer pesquisa de MEE.
Como pode ser observado na Tabela 1, so apresentadas
Coeficientes ndices Ajuste Resduos
informaes de cargas fatoriais, padronizadas e no-padroni-
zadas, erro padro de cada coeciente (valor entre parnteses
ao lado da carga no-padronizada) e coecientes de correla-
o mltipla de um instrumento para aferio de habilidades
ndices Modificao espaciais e verbais. Esse instrumento hipotetizado com
dois fatores latentes (i.e. espacial e verbal) que possuem
trs indicadores ou variveis observadas associados a cada
Fundamentao
Terica para
um: percepo visual, visualizao espacial e orientao
Modificao espacial para o fator espacial; e compreenso de pargrafos,
preenchimento de sentenas e signicado das palavras para
Figura 2. Aspectos a serem considerados em um relato MEE. o fator verbal.

Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216 213
 R. Pilati1 e J. A. Laros
Tabela 1. Coecientes de determinao (cargas fatoriais), erro padro e correlao mltipla ao quadrado (SMC) da AFC descrita por Arbuckle e Worthke (1999).
Cargas fatoriais no-padronizadas
Espacial
Percepo visual 1,00
Visualizao espacial 0,61 (0,14)
Orientao espacial 1,20 (0,27)
Compreenso de pargrafos
Preenchimento de sentenas
Signicado das palavras
Os ndices de signicncia de cada carga fatorial dessa
anlise so determinados por meio da relao do valor da
carga fatorial pelo seu erro padro. Essa diviso d a infor-
mao da razo crtica (RC), elemento crucial no relato de
resultados de MEE. Usualmente valores maiores do que 1,96
e menores do que -1,96 so considerados signicativos em um
teste bicaudal. No caso desse exemplo, todos os coecientes
estimados obtiveram valores signicativos, indicando que
existe menos de 5% de probabilidade que os coecientes, na
verdade, sejam iguais zero. Aqueles que possuem valor 1
(um) associados so os que foram pr-xados, com o intuito
de determinao da mtrica de apresentao dos coecientes
e por isso no possuem erro padro associado.
Com relao aos ndices de ajuste, essa anlise obteve
GFI=0,97 e CFI=1,0, o que indica altssimo grau de ajuste
para os dois tipos de ndices. J o RMSEA igual a 0,00,
com intervalo de conana de 90% variando de 0,00 a 0,137.
Essa informao tambm indica ajuste prximo desse modelo
de anlise fatorial, apesar de uma margem alta de variao
no intervalo de conana. Sobre os resduos, observa-se
a existncia de alguns valores acentuados, como pode ser
observado pelo valor do RMR, que igual a 1,68, o que
indica que h elementos a serem aprimorados no presente
modelo de AFC. No so observados ndices de modicao
na presente anlise.
Limitaes no Uso da MEE
A MEE uma tcnica que traz vrias possibilidades para
o desenvolvimento terico e metodolgico em um campo do
saber, como a Psicologia. Mas como qualquer tcnica, ela no
capaz de abarcar a especicidade de todo e qualquer tipo de
fenmeno e, portanto, possui limitaes em seu uso.
A primeira questo que deve ser pontuada que a MEE
e seus modelos mais difundidos fazem parte da famlia de
tcnicas multivariadas pertencentes ao modelo linear geral.
Desta feita, ela no adequada e nem capaz de avaliar rela-
es entre variveis que no possuam um padro linear de
relacionamento. Nesse caso, o pesquisador deve lanar mo
de alternativas que possam lidar com esse tipo de situao.
A evoluo natural dos modelos matemticos da MEE deve
passar pelo desenvolvimento de tcnicas e procedimentos
no-lineares, visando dar resposta para esse tipo de situao.
H notcias de que alguns programas especcos de MEE
esto implementando resolues de anlise desse tipo. Uma
214
Cargas fatoriais padronizadas SMC
Verbal Espacial Verbal
0,70 0,49
0,65 0,43
0,74 0,54
1,00 0,88 0,77
1,33 (0,16) 0,83 0,68
2,23 (0,26) 0,84 0,71
alternativa para se lidar com essa situao seria trabalhar
com matrizes de correlaes ou covarincias, base da MEE,
adequadas para diferentes tipos de dados. Sugere-se que o
leitor interessado busque informaes especcas na literatura
especializada.
Uma outra limitao do uso da MEE o tamanho das
amostras que devem ser utilizadas para que os dados sejam
submetidos MEE. Isso porque os estimadores da MEE
exigem variabilidade acentuada para realizar o processo de
estimao. No caso dos estimadores que pressupe norma-
lidade multivariada dos dados, o tamanho das amostras
menor se comparado queles que so livres de distribuio,
mas mesmo assim ainda so amostras grandes. Essa carac-
terstica pode afugentar os pesquisadores que trabalham
com delineamentos de menor nmero de sujeitos, como os
delineamentos experimentais. Mas mesmo assim existem
possibilidades de aplicao de procedimentos de equaes
mltiplas e anlise de trajetrias que poderiam ser teis
nesses casos. Vale ressaltar que a discusso sobre esse tpico
ainda est aberta na literatura especializada, o que indica que
h situaes em que, dadas algumas caractersticas amostrais,
possvel fazer uso da MEE sem amostras de nmero elevado
de componentes. O que relevante nesse contexto a ten-
tativa do pesquisador em buscar solues para as limitaes
da tcnica para que seu uso possa ser aplicado na busca de
avanos nas diversas reas do saber.
Concluses e Perspectivas Futuras da MEE
A MEE traz grandes e importantes possibilidades para
o desenvolvimento terico da Psicologia e de outras reas
do conhecimento. Atualmente, o debate no campo da MEE
segue em ritmo acelerado, com o desenvolvimento de novos
modelos de anlise adequados para a resoluo de questes
empricas recorrentes em diferentes campos do conheci-
mento.
Uma dessas aplicaes est relacionada aos fenmenos
multinvel. A teoria multinvel de compreenso de fenmenos
e modelagem de dados est interessada no desenvolvimento
de estratgias para a produo de conhecimento em diferentes
campos, como a teoria de comportamento organizacional
(e.g. Kozlowski & Klein, 2000) e a avaliao educacional
(e.g. Willms, 1999). Essa perspectiva de modelagem terica
e de processo de anlise de dados j est presente h certo
tempo nas discusses da literatura de MEE. Kaplan (2000)
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
 Modelos de Equaes Estruturais em Psicologia
apresenta o modelo geral da MEE multinvel, com a aplicao
dos devidos elementos de modelos hierrquicos aninhados
para a matemtica linear da MEE. Esse desenvolvimento do
modelo da MEE de extrema relevncia para o avano no
campo, de forma a possibilitar o teste de modelos multin-
vel de fenmenos em diferentes contextos, permitindo uma
modelagem terico-emprica que considere a complexidade
de muitos fenmenos humanos e sociais.
Uma segunda perspectiva de desenvolvimento da MEE
est relacionada associao da MEE com a psicometria
moderna, a teoria de resposta ao item (TRI). H uma grande
semelhana de concepes da MEE e da TRI, pois as duas
partem do princpio de traos latentes. A concatenao das
duas tcnicas de grande importncia para o desenvolvi-
mento de ambas, medida que permitem agregao mtua.
A TRI trabalha com o desenvolvimento de instrumentos
mais adequados aos princpios de medio das habilidades
e caractersticas latentes humanas, enquanto a MEE neces-
sita de instrumentos realmente ecazes para a mensurao
de fenmenos latentes. A partir da construo de bancos de
itens para a elaborao de instrumentos mais adequados, a
MEE pode aprimorar seus modelos de mensurao, o que
beneciaria o desenvolvimento de modelos tericos relevan-
tes e ecientes para a descrio e explicao de fenmenos
humanos e sociais. J podem ser observados na literatura
trabalhos (e.g.: Raju, Latte & Byrne, 2002; Reise, Wida-
man & Pugh, 1993) que buscam coadunar as duas tcnicas
de anlise de dados e desenvolvimento de instrumentos, o
que pode trazer notveis benefcios para o desenvolvimento
terico das diversas reas do saber.
Como toda tcnica no muito difundida na comunidade
cientca, a MEE tambm merece ateno de pesquisadores
para que problemas encontrados em decorrncia do processo
do desenvolvimento da pesquisa e anlise dos dados possam
ser evitados. O emprego da terminologia adequada para os
achados resultantes de anlises de MEE, bem como a clareza
sobre limitaes e caractersticas das possveis concluses,
de extrema importncia para o bom andamento da produo
cientca. Em especial, aqueles mais novos no processo
de produo de conhecimento, ou aqueles que se encontram
no processo de formao como pesquisadores, podem ser
contaminados pelo uso de conceitos sedutores no seio da
MEE. Vrios desses conceitos foram discutidos ao longo
deste artigo, como da questo conrmatria de anlise de
dados e do estabelecimento de relaes causais. Para o bom
andamento da atividade cientca fundamental que poten-
cialidades e limitaes de tcnicas de anlise de dados sejam
largamente e amplamente discutidas nos veculos de divulga-
o cientca, propiciando que um debate sbrio e eciente
seja realizado para auxiliar na produo do conhecimento
em diferentes reas do saber. Cabe ao pesquisador usurio
da MEE tomar os devidos cuidados no processo de redao
de relatos cientcos que fazem uso da tcnica, para que o
desenvolvimento terico da decorrente no seja prejudicado
pelo mal uso de conceitos relativos MEE.
Tem-se como perspectiva que este trabalho seja um insti-
gador dos pesquisadores para que busquem a diversicao
de suas tcnicas de anlise de dados, mas que o faam com
cuidado e zelo pelos aspectos tericos e conceituais relativos
ao uso de tais tcnicas. A grande profuso de programas de
Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
anlise de dados e computadores mais ecientes no processa-
mento de grandes conjuntos de informaes devem ser apro-
veitada em toda sua potencialidade, para que a capilarizao
de mtodos e tcnicas de produo de conhecimento sejam
cada vez mais difundidos na cincia brasileira, propiciando
a produo slida e continuada de conhecimento sobre a
realidade social e humana de nosso pas.
Referncias
Anastasi, A. & Urbina, S. (2000). Testagem psicolgica. Porto
Alegre: Artmed.
Arbuckle, J. L. & Worthke, W. (1999). AMOS 4.0 users guide.
Chicago: SmallWaters.
Bollen, K. A. (1989). Structural equations with latent variables.
New York: John Wiley and Sons.
Boomsma, A. (2000). Reporting analyses of covariance structures.
Structural Equation Modeling, 7(3), 461-483.
Bullock, H. E., Harlow, L. L. & Mulaik, S. A. (1994). Causation
issues in structural equation modeling research. Structural
Equation Modeling, 1(3), 253-267.
Byrne, B. (2001). Structural equation modeling with Amos:
Basic concepts, applications and programming. New Jersey:
Lawrence Erlbaum Associates.
Foguet, J. M. B. & Gallart, G. C. (2001). Modelos de ecuaciones
estructurales. Madrid: La Muralla.
Frederico, E. & Robic, A. R. (2005). Determinantes da continuidade
do relacionamento entre varejistas de moda e seus fornecedores:
Uma comparao entre a utilizao de modelos estruturais e
anlise multivariada convencional [Trabalho completo]. Em
ANDAP (Org.), Anais do XXIX ENANPAD (pp. 1-16). Braslia:
ANPAD.
Gouveia, V. V., Martnez, E., Meira, M. & Milfont, T. L. (2001). A
estrutura e contedo universais dos valores humanos: anlise
fatorial conrmatria da tipologia de Schwartz. Estudos de
Psicologia, 6(2), 133-142.
Hair, J. F., Anderson, R. E., Tatham, R. L. & Black, W. C. (2005).
Anlise multivariada de dados. Porto Alegre: Artmed.
Hancock, G. R. & Freeman, M. J. (2001). Power and sample size for
the root mean square error of approximation test of not close t
in structural equation modeling. Educational and Psychological
Measurement, 61(5), 741-758.
Hox, J. J. & Bechger, T. M. (1998). An introduction to structural
equation modeling. Family Science Review, 11, 354-373.
Kaplan, D. (2000). Structural Equation Modeling: foundations and
extensions. Sage: Thousand Oaks.
Klem, L. (2002). Structural equation modeling. Em L. G. Grimm
& P. R. Yarnold (Orgs.), Reading and understanding more
multivariate statistics (pp. 227-260). Washington: American
Psychological Association.
Kline, R. B. (1998). Principles and practice of structural equation
modeling. New York: Guilford Press.
Kozlowski, S. W. J. & Klein, K. J. (2000). A multilevel approach
to theory and research in organizations: contextual, temporal
and emergent processes. Em K. J. Klein & S. W. J. Kozlowski
(Orgs.), Multilevel theory, research and methods in organizations
(pp. 3-90). San Francisco: Jossey-Bass.
Laros, J. A. (2005). O uso de anlise fatorial: algumas diretrizes
para pesquisadores. Em L. Pasquali (Org.), Anlise fatorial para
pesquisadores (pp. 163-184). Braslia: LabPAM.
215
 R. Pilati1 e J. A. Laros

Little, R. J. A. & Rubin, D. B. (1987). Statistical analysis with
missing data. New York: Lawrence Erlbaum.
MacCallum, R. C., Browne, M. W. & Sugawara, H. M. (1996).
Power analysis and determination of simple size for covariance
structure modeling. Psychological Methods, 1, 130-149.
Mardia, K. V. (1971). The effect of nonnormality on some
multivariate tests and robustness to nonnormality in the linear
model. Biometrika, 58 (1), 105-121.
McDonald, R. P. & Ho, M. R. (2002). Principles and practice in
reporting structural equation analyses. Psychological Methods,
7(1), 64-82.
Medeiros, C. A. F., Albuquerque, L. G. & Marques, G. M. (2005).
Comprometimento organizacional: Um estudo de suas relaes
com caractersticas organizacionais e desempenho de empresas
hoteleiras [Trabalho completo]. Em ANDAP (Org.), Anais do
XXIX ENANPAD (pp. 1-16). Braslia: ANPAD.
Nunnally, J. C. & Bernstein, I. H. (1994). Psychometric Theory (3a
ed.). NewYork: McGraw-Hill.
Osborne, J. (2002). Notes on the use of data transformations.
Practical Assessment, Research & Evaluation [On-Line],
8(6). Retirado em 25/04/2003 do http:// ericae.net/pare/getvn.
asp?v=8&n=6.
Pasquali, L. (2003). Psicometria. So Paulo: Vozes.
Pilati, R. & Abbad, G. (2005). Anlise fatorial conrmatria da
escala de impacto do treinamento no trabalho. Psicologia:
Teoria e Pesquisa, 21(1), 43-51.
Popper, K. (1972). A lgica da pesquisa cientca. So Paulo:
Cultrix.
Raju, N. S., Laftte, L. J. & Byrne, B. M. (2002). Measurement
equivalence: A comparison of methods based on conrmatory
factor analysis and item response theory. Journal of Applied
Psychology, 87(3), 517-529.
Reise, S. P., Widaman, K. F. & Pugh, R. H. (1993). Conrmatory
factor analysis and item response theory: Two approaches for
exploring measurement invariance. Psychological Bulletin,
114(3), 552-566.
Shadish, W. R., Cook, T. D. & Campbell, D. T. (2002). Experimental
and quasi-experimental design for generalized causal inference.
Boston: Houghton Mifin Company.
Tabachnick, B. G. & Fidell, L. S. (2007). Using multivariate
statistics (5 ed.). Boston: Pearson Education.
Thompson, B. (2002). Ten commandments of structural equation
modeling. Em L. G. Grimm & P. R. Yarnold (Orgs.), Reading
and understanding more multivariate statistics (pp. 261-283).
Washington: American Psychological Association.
Thompson, B. (2004). Exploratory and confirmatory factor
analysis: understanding concepts and applications. Washington:
American Psychological Association.
Ullman, J. B. (2007). Structural Equation Modeling. Em B. G.
Tabachnick & L. S. Fidell (Orgs.), Using multivariate statistics
(5 ed.). Boston: Pearson Education.
Willms, J. D. (1999). Basic concepts in hierarchical linear modeling
with applications for policy analysis. Handbook of Educational
Policy. New York: Academic Press.
Recebido em 14.12.2006
3ULPHLUDGHFLVmRHGLWRULDOHP
9HUVmRQDOHP
Aceito em 12.12.2006

VI CONGRESSO BRASILEIRO DE PSICOLOGIA DO

DESENVOLVIMENTO
Tema: Psicologia do Desenvolvimento e suas Interfaces
com a Educao e a Sade

Local: Vitria - ES
Perodo: 06 a 09 de setembro de 2007

Realizao:
Universidade Federal do Esprito Santo
Programa de Ps-graduao em Psicologia

Informaes e inscrio:
www.sbpd.org.br

216 Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216