Modelagem Equacoes Estruturais PDF

PLS
PLS
PLS
Modelagem em equações estruturais

com estimação PLS (partial least
squares-path modeling)
PLS
PLS
PLS
Boa tarde !
SmartPLS (necessário se cadastrar, mas é free) = www.smartpls.de
Como não está rodando com Java mais novo (7), devemos usar o SmartPLS que
contém a versão correta do Java “embedded” e está disponível para download no
link:
http://www.smartpls.de/forum/downloads/smartpls/smartpls_2.0.M3_win32.win32.x8
6_including_jre.zip
• Este trabalho teve apoio financeiro do
CNPq.
– Edital Universal CNPq
– Número do processo: 484262/2010-6
– Edital/Chamada: Edital MCT/CNPq 14/2010 -
Universal
• Vinculado ao projeto “MODELAGEM EM

EQUAÇÕES ESTRUTURAIS PARA A
PESQUISA EM ADMINISTRAÇÃO: Partial
Least Squares Path Modeling”.
Agradeço
• Nessa jornada de estudar e aplicar a Análise

Fatorial e a Modelagem em Equações
Estruturais, algumas pessoas participaram
de forma ímpar:
– Arilda Schmidt de Godoy

– César Alexandre de Souza
– Dirceu da Silva
– Fábio Frezatti
PLS
PLS
PLS-PM Calibrar
com os
PLS
presentes
• Objetivos
– Identificar as situações em que o PLS-PM é o método
mais recomendado;
– Reconhecer as diferenças entre PLS-PM e LISREL;
– Iniciar a capacitação dos participantes a utilizarem o
PLS-PM em suas pesquisas;
– Sensibilizar quanto à necessidade de rigor nas
análises, bem como nas pesquisas publicadas que
tenham utilizado este método.
PLS
PLS
PLS-PM
PLS
• Conteúdos
– O que é modelo? PLS-PM é MEE?
– Modelo de mensuração e estrutural
– Variável latente e indicadores formativos e reflexivos
– Um pouco da história
– Diferenças entre LISREL e PLS-PM e PLS-R
– Análises exploratórias e confirmatórias
– Exemplos de pesquisas em Aprendizagem
organizacional
– Estimação de modelo com software SmartPLS:
• análise fatorial confirmatória e
• modelo estrutural.
EXEMPLOS
PLS
PLS
Exemplo 1 no SmartPLS
PLS
– TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.;

LAURO, C. PLS path modeling. Computational
Statistics & Data Analysis, v.48, p.159-205, 2005.
(não é muito "amigável", mas é bem completo) -->
disponível !
Modelo ECSI
Tem sido usado como
exemplo didático na Europa
e no fórum do SmartPLS
Modelo ECSI
Tem sido usado como
exemplo didático na Europa
e no fórum do SmartPLS
PLS
PLS
Exemplo 2 no SmartPLS
PLS
– BIDO, D. S.; GODOY, A. S.; ARAUJO, B. F. V. B.;

LOUBACK, J. C. Articulação Entre a Aprendizagem
Individual, Grupal e Organizacional: Um Estudo no
Ambiente Industrial. RAM, v.11, n.2, março-abril 2010.
--> disponível !
Modelo AI-AG-AO
Exemplo mais sofisticado, porque envolve VL de 2ª ordem.
AI, AG, AO são VL de 2ª ordem.
Seus indicadores são as VL de 1ª
ordem. Para “rodar” no PLS-PM todos
os indicadores de suas VL de 1ª ordem
são repetidos nelas, aqui eles estão
escondidos (Hide)
PLS
PLS
Basic principles of model building
PLS
Wold (1969) e Lohmöller (1989, p.13-

15)
15)
Conhecimento
T ↔E
científico =
15)
Conhecimento
T ↔E
científico =
Frame of
reference
15)
Conhecimento
T ↔E
científico =
Aspectos
teóricos
15)
Conhecimento
T ↔E
científico =
Aspectos Aspectos
teóricos empíricos
15)
Conhecimento
T ↔E
científico =
match
15)
Conhecimento
T ↔E
científico =
Dedução T �E
15)
Conhecimento
T ↔E
científico =
Dedução T �E
Indução T �E
15)
Dedução T �E
Conteúdo empírico não é totalmente explicado pela

teoria.
Erro de mensuração, erro de previsão, flutuação

amostral, ou variação sistemática (variação única ou erro
de especificação).
15)
Indução T �E
𝑇𝑇 = 𝑇𝑇(𝐸𝐸 ) + 𝛿𝛿
Conteúdo teórico é parcialmente uma função do

empírico e parcialmente não observável.
Por exemplo: Se T é o conceito teórico “Inteligência”, e E

é um teste de inteligência, então T(E) é o QI, e δ pode
ser entendido como a falta de validade do teste.
15)
• SES = social-economic status
• Education of father; Education of mother; Occupation
of father
• IQ = intelectual achievement, abilities of the

children
• Verbal; Number; Spatial; Reasoning
• Environment = learning environment at home

• Parental dominance: father; mother (papel nas decisões
da família e envolvimento com as atividades dos filhos).
• Family size: number of children; sibling position
Estudo com crianças de 11
• Pressure for activity
anos.
• Pressure for achievement
Alguns comentários
Dependendo do estágio em que se encontra o desenvolvimento da
teoria que está sendo utilizada para embasar a pesquisa (“arcabouço
teórico” ou “estoque de conhecimento”), pode-se utilizar uma
abordagem exploratória, testando vários modelos alternativos, que são
definidos a priori com base em teorias concorrentes ou modelos
equivalentes, que são revisados com base nos índices de modificação
e possuem os mesmos índices de adequação, ou ainda, a abordagem
confirmatória, apenas verificando se o modelo teórico se adéqua aos
dados coletados.
Essas situações foram destacadas por Jöreskog e Sörbom (1993,
p.115) como:
• abordagem de geração de modelos;
Teste de teoria no
• modelos concorrentes ou alternativos; e LISREL
• situação estritamente confirmatória.
JÖRESKOG, K. G.; SÖRBOM, D. LISREL 8: structural equation modeling with

T �E T �E Qual ?
• “... aprenda com seus dados, mas não

deixe que eles sejam seu professor.”
(KLINE, 2005, p.149).
• “... quem ama a prática sem a teoria é

como o marinheiro que embarca em um
navio sem leme nem bússola e nunca
sabe onde pode ser atirado.”
(KLINE, 2005, p.186).
LOHMÖLLER, Jan-Bernd. Latent Variable Path
Modeling With Partial Least Squares.
Heidelberger: Physica-Verlag, 1989.
ISBN 3-7908-0437-1
PLS
PLS
PLS
MODELO DE MENSURAÇÃO
E
MODELO ESTRUTURAL
Introdução
Será aprofundado com
exemplos na seção 5,
agora é apenas uma introdução
• Definição
– Constitutiva ou conceitual
– Operacional ou empírica
KIRKWOOD, C. W. System Dynamics Methods: A Quick Introduction. 1998. [p.13 – Cap.1]
Disponível em http://www.public.asu.edu/~kirkwood/sysdyn/SDIntro/SDIntro.htm
Símbolos para as variáveis
Variável Observável, indicador
Variável Latente
MEE - definição
• Diferentemente de outras técnicas de

regressão, permite representar múltiplas
relações simultaneamente e com
especificação da direção causal
• Por exemplo:
ζ1
Y1 = b1X1 + b2X2 + ζ1
X1 b1 ζ2
Y2 = b3X2 + b4Y1 + ζ2
Y1 b4
b2
X2 b3 Y2
MEE- definição
Variáveis observáveis Conceitos não-observáveis
Variáveis manifestas Constructos ou construtos
Variáveis mensuráveis Construtos não observáveis
Itens do questionário Variáveis latentes
Indicadores Fator comum (neste exemplo)
e1 i1
e2 i2
X1
e3 i3
Erros de mensuração
MEE - definição
• Possui a habilidade de representar conceitos
não-observáveis em modelos complexos, o que
o torna uma ferramenta de análise multivariada
“de segunda geração” (CHIN, 1998)
e7 e8 e9
e1 i7 i8 i9
i1
e2 i2 ζ1
X1 b1 ζ2
e3 i3
Y1 b4
i10
b2 e10
e4 i4 x11
X2 b3 Y2 e11
e5 i5 x12 e12
e6 i6
Modelo de mensuração e estrutural
Variáveis Observadas
D1
E4 Iates Sorrisos E1
0,75
0,67
0,85 0,51 0,78

E5 Viagens Riqueza Felicidade Gargalhadas E2
0,67 0,98
E6 Automóveis Contentamento E3
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Conceitos não-observáveis
(variáveis latentes)
Modelo de
mensuração
D1
0,75
0,67
0,85 0,51 0,78

0,67 0,98
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Modelo estrutural
Outer model
=
modelo de mensuração
D1
0,75
0,67
0,85 0,51 0,78

0,67 0,98
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Inner model
=
modelo estrutural
Construto Exógeno
D1
0,75
0,67
0,85 0,51 0,78

0,67 0,98
Ajuste do Modelo:
c2 = 10,3 df= 7 p=0.172
Construto Endógeno
Under a new Constitution, government programs
must be judged by the happiness they produce,
not by the economic benefits.
Recalculating Happiness in a Himalayan Kingdom

http://www.nytimes.com/2009/05/07/world/asia/07bhutan.html
Qual a piada?
Sim,
PLS-PM também é “equações estruturais”!
PLS
PLS
PLS
Entre a AFE e o LISREL ou

Raciocínio estrutural na AFE?
ou
Que peso dar aos dados-teoria?
QUAL PESO DAR AOS DADOS?
QUAL PESO DAR À TEORIA?

1º Exemplo: Periódico internacional
– TEMPLETON, G. E., LEWIS, B. R., SNYDER,

C. A. Development of a measure for the
organizational learning construct. Journal of
Management Information Systems, v.19, n.2,
p.175-218, Fall 2002.
Templeton, Lewis e Snyder (2002)
Perspectiva Individual
demográfica Organizacional e societal
Aquisição conhecimento
Perspectiva Distribuição informação

AO
Ação social
Huber (1991) Interpretação informação
Memória organizacional
Mudança estrutural
Aprender a aprender (dêutero)
Perspectiva Inteligência
Validade do conteúdo da informação
resultados
Controle
Conseqüências organizacionais
Teoria
Análise Fatorial AFE
Exploratória
tab.4 (p.194-196) tab.5 (p.199-200)

8 fatores
ortogonais !
Knowledge Acquisition Awareness
Communication
Information
Performance Assessment
Distribution
Intellectual cultivation
Environmental
adaptability
Information
Social Learning
Interpretation
Intellectual Capital
Management
Organizational Memory Organizational grafting

Teoria
Análise Fatorial AFE
Exploratória
tab.4 (p.194-196) tab.5 (p.199-200)

8 fatores
ortogonais !
Communication
Information
Distribution
Intellectual cultivation
Environmental
adaptability
Information
Social Learning
Interpretation
Management

…. e se…
Análise Fatorial
Teoria
Exploratória
tab.4 (p.194-196) tab.5 (p.199-200)
… fizesse AFC, poderia

manter os 4 fatores Communication
propostos pela teoria

Information
e provavelmente Distribution
seriam
correlacionados, Intellectual cultivation
como é esperado.
Environmental
adaptability
Information
Social Learning
Interpretation
Management

2º Exemplo: Evento nacional
• Watkins & Marsick: Dimensions of the Learning

Organization Questionnaire (DLOQ)
• CORREA, E. A.; GUIMARÃES, T. A. Cultura de

Aprendizagem e Desempenho em Organizações.
Validação de Escala de Medida e Análise de suas
Relações. XXX ENCONTRO DA ASSOCIAÇÃO DOS
PROGRAMAS DE PÓS-GRADUAÇÃO E PESQUISA EM
ADMINISTRAÇÃO, Salvador/BA, 2006, Anais... Rio de
Janeiro: ANPAD, 2006.
Teoria e pesquisas prévias = 7 dimensões
Correa & Guimarães
(2006)
Dimensions of
the Learning Resultou em 4 fatores
Organization (não cita método de
Questionnaire extração e rotação)
(DLOQ)
1. Continuous 1. Relações
learning
2. Inquiry and interpessoais
dialogue
3. Collaboration and 2. Compartilhamento
team learning e controle de
4. Systems to
capture learning aprendizagem
5. Empower people
6. Connect the 3. Suporte à
Organization aprendizagem
7. Provide Strategic
for Learning
4. Delegação e
liderança.
3º Exemplo: Periódico nacional
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Managing knowledge: the link between culture
and organizational learning. Journal of Knowledge Management, v.8, n.6, p.93-105, 2004.
[Proquest].
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Organizational learning as a determining
factor in business performance. The Learning Organization, v.12, n.3, p.227-245, 2005a.
[Proquest].
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Human Resource Practices, Organizational
Learning and Business Performance. Human Resource Development International, v.8, n.2,
p.147-164, Jun./2005b. [EBSCO].
– LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Human Resource Management as a
Determining Factor in Organizational Learning. Management Learning, v.37, n.2, p.215-239,
Jun,/2006. [Proquest].
– SILVA FILHO, A. I. Mecanismos de aprendizagem em organizações: desenvolvimento e

validação de uma escala de medida. In: XXXI Encontro da Associação Nacional dos
Programas de Pós-Graduação em Administração, Anais... Rio de Janeiro: ANPAD, 2007.
[Código do trabalho: EOR-B-0107].
– Publicação definitiva na RAM – Revista de Administração Mackenzie, v. 10, n.1, p.37-99,
Jan./Fev . 2009. Disponível em:
http://www3.mackenzie.br/editora/index.php/RAM/article/view/379/217
López, Peón e Ordás (2004, 2005a, 2005b, 2006)
A partir da mesma pesquisa foram elaborados os 4

artigos:
N = 195 empresas espanholas com mais de 200

funcionários (7,8% de resposta) – “têm o processo de
aprendizagem mais formalizado”.
Cultura colaborativa Inovação

Práticas de RH AO Competitividade
Resultados financeiros
López, Peón e Ordás
(2004, 2005a, 2005b, 2006)
AO como uma
VL de 2a ordem
Silva Filho (2007, 2009)
A amostra de LPO foi coletada no nível da

organização (n = 195 empresas)
A amostra de SF foi coletada no nível do indivíduo

(n = 522 funcionários de uma instituição bancária)
Pode ser uma “crítica” ...
Pode ser um “mérito” se considerarmos a tentativa de aplicar o

questionário em outro nível, mas é preciso reconhecer essa diferença.
Teoria e
pesquisa Silva Filho
(2007, 2009)
prévia
apontam para Resultou em 3 fatores
4 dimensões, ortogonais
VL, etapas... (não-correlacionados)
Aquisição 1. Aquisição
Distribuição 2. Compartilhamento
3. Codificação e
Interpretação
controle
Memória
Isidro Filho (2007)
LPO(2004)
Aquisição ext. 3
Aquisição ext. 1
Aquisição ext. 2
Aquisição int. 3
Interpretação 5 (1ª metade)
Memória 2
Aquisição ext. 4
Isidro Filho (2007)
LPO(2004)
Interpretação 1
Interpretação 2
Distribuição 5
Interpretação 3
Aquisição int. 2
Distribuição 1
Distribuição 2
Interpretação 4
Interpretação 5 (2ª metade)
Distribuição 3
Distribuição 4
Isidro Filho (2007)
LPO(2004)
Memória 5
Memória 4
Memória 3
Memória 1
Mais alguém usou a escala de LPO ?
JIMÉNEZ-JIMENEZ, D.; VALLE, R. S.; HERNANDEZ-ESPALLARDO, M. Fostering
innovation: the role of market orientation and organizational learning. European Journal
of Innovation Management, v.11, n.3, p.389-412, 2008.
Manteve apenas os três

melhores itens de cada
construto e a aquisição não
foi modelada como VL de 2ª
ordem (int. + ext.)
4º Exemplo: Evento nacional
• SEILER, M.J.; SEILER, V.L.; CHIANG, D. Professor, Student, and Course

Attributes that Contribute to Successful Teaching Evaluations. Financial
Practice and Education, v. 9, n. 2, p. 91-99, 1999.
• MENDES-DA-SILVA, Wesley; BIDO, Diógenes de Souza; FORTE, Denis.

Identificando Atributos que Influenciam o Desempenho do Professor de
Finanças: Evidências Empíricas por Meio de Equações Estruturais. XXXII
ENCONTRO DA ASSOCIAÇÃO DOS PROGRAMAS DE PÓS-
GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, Anais... Rio de
Janeiro: ANPAD, 2008. [Código do trabalho: EPQ-A103].
Não é um exemplo aplicado à aprendizagem organizacional, mas

é bem ilustrativo das dificuldades da pesquisa exploratória.
Raciocínio estrutural na AFE
SEILER, M.J.; SEILER, V.L.; CHIANG, D. Professor, Student, and Course

Attributes that Contribute to Successful Teaching Evaluations. Financial
Practice and Education, v. 9, n. 2, p. 91-99, 1999.
Professor
Q7-Q18
Desempenho
Q19-Q20
Disciplina
Q21-Q34
Características do Como
professor foram
interpre
-tados
Carga de trabalho
do curso
Características
supérfluas do
professor
Características do
curso
Essas foram as denominações
que eles deram para os fatores,
mas na AFE, os itens agrupam
pelas correlações, e não pela
estrutura definida a priori...
Se voltarmos no questionário,
veja o que ocorre...
Professor
Q7-Q18
Desempenho
Disciplina
Q21-Q34
Raciocínio estrutural na AFE
MENDES-DA-SILVA, Wesley; BIDO, Diógenes de Souza; FORTE, Denis.

Identificando Atributos que Influenciam o Desempenho do Professor de
Finanças: Evidências Empíricas por Meio de Equações Estruturais. XXXII
ENCONTRO DA ASSOCIAÇÃO DOS PROGRAMAS DE PÓS-
GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, Anais... Rio de
Janeiro: ANPAD, 2008. [Código do trabalho: EPQ-A103].
Mesmo instrumento
Diferentes análises...
O importante era manter as
AFE separadas.
Porque misturar itens que

medem coisas diferentes?
Fatores obtidos na AFE Fatores obtidos na AFE
realizada só com as realizada só com as
variáveis relativas aos variáveis relativas às
atributos do professor características da
disciplina.
Como esses fatores eram
correlacionados, foi possível
utilizá-los como indicadores
de uma VL de 2ª ordem. VL de 2ª
ordem
O modelo foi construído a partir dos dados, por
isso, é uma análise exploratória.
Na última etapa da pesquisa o modelo foi

testado em uma amostra de validação.
Mea culpa
Fizemos o caminho T � E mais corretamente
que Seiler e Seiler, mas ainda faltou completar
a análise com T � E (discussão dos resultados
à luz do referencial teórica ficou fraca).
Como PLS-PM pode ajudar?
AFC com estimação PLS

Como PLS-PM pode ajudar?
DEVEMOS DEIXAR OS DADOS
“FALAREM”?
Os dados são objetivos,

mas a interpretação...
VOLPATO, G. Bases teóricas para redação científica: ...

por que seu artigo foi negado? São Paulo: Cultura
Acadêmica. Vinhedo: Scripta, 2007.
PLS
PLS
PLS
CONFUSÃO
PLS x PLS-R x PLS-PM x ...

PLS
PLS
Não confunda PLS-R com PLS-PM
PLS
Bruce R. Kowalski Svante Wold Herman Wold
http://nnsconsulting.com/About_Us.html
PLS
PLS
PLS
Foco
desse
curso.
PLS
PLS
PLS
• Alguns usos:
• Quimiometria (chemometrics)
• Regressão múltipla com mais Foco
variáveis independentes do que desse
observações (casos). curso.
• Regressão múltipla quando há
problemas de multicolinearidade.
http://www.ctc.puc-rio.br/emq2008/EMQ-ultimo/modulo06.pdf
PLS
PLS
PLS
SOSIK, J. J.; KAHAI, S. S.; PIOVOSO, M. J. Silver Bullet or Voodoo

Statistics? A primer for using partial least squares data analytic technique
in group and organization research. Group & Organization Management,
v.34, n.1, p.5-36, feb.2009.
• p.6 Citam SmartPLS e PLS-Graph (PLS-PM)
• p.7 Citam artigos que usaram PLS-PM
• p.8 Explicam a “caixa preta” do PLS-R, citam Kowalski e comentam que tem
sido muito usado em química
• p.9 PLS regression is similar to MLR… (PLS-R)
• p.10-11 comparam PLS-R com MLR (PLS-R)
• P.12 citam Falk e Miller (PLS-PM)
• P.14 Figura 2 com modelo feito no PLS-Graph (PLS-PM)
• P.15 comparam PLS com MLR (PLS-R)
• P.16 comparam PLS com LISREL (PLS-PM)
• P.18-29 apresentam exemplos estimados no PLS-Graph (aqui o foco parace
ser no PLS-PM)
PLS
PLS
PLS
ROUSE, A .C. CORBITT, B. There’s SEM and “SEM”: a Critique of the use
of PLS Regression in Information Systems Research. 19th Australasian
Conference on Information Systems, Christchurch, 3-5 Dec 2008.
Disponível em: <http://www.bsec.canterbury.ac.nz/acis2008/Papers/acis-
0120-2008.pdf>. Acesso em 16.02.2010.
• p.845 Citam Marcoulides e Saunders (2006) ao falarem de PLS regression,
mas M&S usaram a expressão PLS modeling.
• P.847 A descrição “não matemática” é sobre PLS Regression mesmo. Está
comparando PLS-R com SEM?
• P.850 a tabela 2 compara SEM com PLS-R, mas o conteúdo de PLS-R está
mais para PLS-PM.
• P.851 Citam PLS-Graph com um dos pacotes para PLS-R (mas é PLS-PM).
PLS
PLS
PLS
HAIR Jr., J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E.

Multivariate Data Analysis. 7th ed. Pearson Prentice Hall, 2010.
• Apesar do livro ter mais de 700p., apenas 3p. tratam de PLS-PM, nas quais
foram usadas apenas 4 referências.
• p.1 Comentam que o PLS tem sido uma alternativa ao LISREL, e que tem sido
aplicado em quimiomentria (mas essa aplicação é do PLS-R).
• p.1 Falam de PLS como se fosse PLS-PM (comparando com LISREL), mas
citam software do SAS e explicam que é preciso definir uma variável
dependente (outcome), o que é típico do PLS-R.
• p.2 “PLS também pode ser útil para explorar um grande número de variáveis e
identificar um conjunto de variáveis (componentes principais) que predizem
alguma variável dependente”. (PLS-R)
• P.3 Recomendam PLS-PM quando há poucos indicadores (1 ou 2), mas
autores metodológicos (Wold, Chin, por exemplo) recomendam 4 ou mais
(consistency at large) para diminuir o viés que há nos parâmetros estimados no
PLS-PM.
PLS
PLS
PLS
PLS = partial least squares

É o método de estimação dos parâmetros do modelo
PLS-R = partial least squares – regression

PLS aplicado à regressão múltipla
PLS-PM = partial least squares – path modeling

PLS aplicado aos modelos de equações estruturais (o que inclui path analysis)
PLS
PLS
PLS
PLS-PM x LISREL ou
PLS-PM + LISREL ?
PLS-PM x LISREL ou PLS-PM + LISREL ?
• Antes de iniciarmos qualquer

atividade é preciso saber se o
objetivo da pesquisa é:
– “testar a teoria” � reproduzir as covariâncias
– “prever” � minimizar os erros de mensuração
e estrutural
Exploratório X Confirmatório
Dados X Teoria
?
PLS
PLS
PLS-PM x LISREL ou
PLS PLS-PM + LISREL ?
• No LISREL é assim…
Qual estrutura causal gerou esse padrão de correlações?
é1 ù φ21
êr 1 ú δ1 X1 X3 δ3
ê 21 ú VL1 VL2
êr31 r32 1 ú δ2 X2 X4 δ4
?
ê ú γ31 γ32
êr41 r42 r43 1 ú
êr51 r52 r53 r54 1 ú
ê ú VL3
ër61
ê r62 r63 r64 r65 1ú
û
X5 X6
?
δ5 δ6
φ21
γ21
FC1 FC2 VL1 VL2 VL1 VL2
X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6
δ1 δ2 δ3 δ4 δ5 δ6 δ1 δ2 δ3 δ4 δ5 δ6 δ1 δ2 δ3 δ4 δ5 δ6
AFE AFC MEE-BC

+ exploratório Há pesquisa anterior
> Peso nos dados > Peso na teoria

PLS
PLS
PLS-PM x LISREL ou
• O PLS-PM não tem objetivo de reproduzir

a matriz de covariâncias ou de
correlações, mas também precisamos nos
guiar pela teoria.
Método versus Objetivo da análise
Fonte: HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The Use of Partial Least Squares Path Modeling in International
Marketing. In: Sinkovics, R. R./ Ghauri, P. N. (eds.). Advances in International Marketing,
Vol. 20, Emerald: Bingley, pp. 277-320, 2009. [figura na p.296].
Legenda: ANN = Artificial Neural Networks
Mais alguns critérios para
ajudar na escolha...
CRITÉRIO PLS-PM (soft modeling) LISREL (hard modeling)
Explicação: modelos causais,
Objetivo Predição
teste de teoria
Abordagem Baseado na variância Baseado na covariância
Consistente conforme o tam. da
amostra (consistency) e a qtde
Precisão Ótimo para amostras grandes.
de indicadores aumentam
(consistency at large).
As VL são combinações Indeterminância fatorial:
lineares dos indicadores, os diversos modelos podem
Variáveis latentes (VL)
escores fatoriais são estimados reproduzir a matriz de
explicitamente covariâncias.
Apenas indicadores reflexivos.
Para modelar VL com
Pode haver indicadores
Modelo de mensuração indicadores formativos usa-se a
formativos ou reflexivos.
abordagem MIMIC (múltiplos
indicadores e múltiplas causas).
Mais flexível, contexto mais
Requisitos quanto à teoria Fortemente dependente da teoria.
exploratório.
Dependendo do método de
Não há suposições, por isso, se estimação, as variáveis deveriam
Distribuição dos dados
diz que é soft. apresentar distribuição normal
multivariada.
Análise do poder estatístico com a
porção do modelo que possui o
maior número de preditores ou 10
Idealmente baseado na análise do
vezes o maior número de
poder estatístico, sendo o mínimo
Tamanho da amostra preditores (indicadores formativos
recomendado da ordem de 200
ou setas estruturais chegando na
casos.
VL, o que for maior). Sendo o
Cuidado mínimo recomendado de 100
Não é bala de prata. casos.
Depende do modelo e deve ter pelo
menos de 4 indicadores por VL.
Necessário impor restrições aos
Identificação (estimação única Para modelo recursivos é sempre
parâmetros. Três problemas: às
dos parâmetros) identificado.
vezes o modelo não converge,
soluções impróprias e
indeterminância fatorial.
Estimada por métodos não- Geralmente, estimada por métodos
Significância dos Parâmetros paramétricos, por exemplo, paramétricos, mas bootstrap é uma
bootstrap. opção.
Capaz de lidar com alta Complexidade de média a
Complexidade complexidade (100 construtos e moderada (menos de 100
1000 indicadores) indicadores).
Se não houver setas entre as VL
(uni ou bidirecionais), é suposto
Mesmo que não haja seta entre as que a correlação entre elas seja
VL, é suposto que elas tenham zero (restrição implícita).
correlação entre si (não se usa setas É possível impor restrições em
bidirecionais na MEEPLS). qualquer parâmetro do modelo, por
Inclusão de restrições nos Não é possível impor restrições aos exemplo: parâmetro = valor fixo;
parâmetros do modelo parâmetros do modelo, por parâmetro 1 = parâmetro 2;
exemplo, forçando que a parâmetro 1 do grupo 1 =
correlação entre duas VL seja igual parâmetro 1 do grupo 2; ou maior
a 1 no teste de validade do que; ou menor do que, e outras
discriminante. menos usadas como restrições de
proporcionalidade e de não-
linearidade (KLINE, 2005, p.102).
PLS
PLS
PLS-PM x LISREL ou
• Logo,
PLS-PM e LISREL não são concorrentes,

são métodos complementares
(JÖRESKOG, WOLD, 1982, p.270).
JÖRESKOG, K. G.; WOLD, H. The ML and PLS techniques for modeling with latent
variables: historical and comparative aspects. In JÖRESKOG, K. G.; WOLD, H.
Systems under indirect observation: causality, structure, prediction. Part I.
Netherlands: North-Holland Publishing Company, 1982. Cap.12, p.263-270.
PLS
PLS
PLS
ALGUNS PERSONAGENS E
HISTÓRICO DO PLS-PM
Que tal um pouco da história?
PLS
PLS
PLS
Sugestão de leitura
Um grupo de professores ingleses se reuniu no fim de 1920

para tomar chá numa tarde de verão. O assunto se voltou
para uma pergunta curiosa - o gosto do chá muda de acordo
com a ordem em que as ervas e o leite são colocados? Essa
simples questão resultou em um estudo pioneiro na área. O
leitor vai descobrir como a estatística se tornou presente nos
mais diferentes campos. O autor conta como a estatística
transformou os métodos de pesquisa na ciência,
aumentando a credibilidade da investigação em diversos
campos do saber, tais como a medicina, a política e a
publicidade. Tudo partindo de quadros biográficos, como o
que inspirou o título dessa edição.
Professor Karl Pearson
Fellow of the Royal Society
1857-1936
Em 1901
análise de
componentes
principais.
Histórico
• K.P. é considerado o maior estatístico de

todos os tempos, mas porque ele não
inventou a análise fatorial ?
– Erros de mensuração
– Fenômenos (“verdadeiros”) não-observáveis
Impensável HÄGGLUND (2001, p.15)

para ele.
K. P.
± 42 anos
K. P.
53 anos
Início da história
General intelligence, objectively determined and

measured. American Journal of Psychology
utilizou procedimento, que hoje poderíamos

chamar de Análise Fatorial Exploratória (AFE).
Charles Spearman (1904)
Psicologia
Charles Edward Spearman (1863 – 1945)
Path analysis (path diagram + equações que relacionam as
correlações aos parâmetros + decomposição dos efeitos)
WRIGHT, S. (1920). The relative importance of heredity and envirnment in

determining the piebald pattern of guinea pigs. Proceedings of the National
Academy of Sciences, v.6, p.320-332.
WRIGHT, S. (1921). Correlation and Causation. Journal of Agricultural
Research, v.10, p.557-585.
WRIGHT, S. The Method of Path Coefficients. Ann. Math. Statist, v.5, n.3
(1934), 161-215. Disponível em: <http://projecteuclid.org/>.
Genética
1928
1965
Sewall Green Wright

(1889-1988)
Mais em:
http://www.harvardsquarelibrary.org/unitarians/wright-sewall.html
http://www-groups.dcs.st-and.ac.uk/~history/Biographies/Wright_Sewall.html
http://theoryandscience.icaap.org/content/vol7.1/denis.html
In the diagram, the pattern
of each guinea-pig is
represented as determined
by three factors, H
(heredity), E (environment
common to litter mates
before birth) and D (the
residue, largely irregularity
in development). Our
problem is to determine the
degree of determination by
each of these factors.
(Wright, 1920, pp. 328-329)
Wright’s objective was clear

– to assess the relative
influences of heredity and
environment in the
determination of color in
guinea pig offspring.
Formulação da análise fatorial como um modelo
estatístico (método ML).
Lawley, D. N. (1940). The estimation of factors

loadings by the method of maximum likelihood.
Proceedings of the Royal Society of Edinburg.
Holzinger, Thurstone, ...
Timeline das publicações em pdf

LISREL
Jöreskog (1967) desenvolve um procedimento

iterativo mais rápido para a AFE.
Jöreskog (1969) extende a AFE para a AFC quando

integra path analysis com a análise fatorial.
Modelo JKW: K. G. Jöreskog (1973), J. W.

Keesling (1972) e D. E. Wiley 1973)
Herman Ole Andreas Wold (1908-1992)
Orientador do
Jöreskog (1963)
e do Hui (1978)
Orientador do
Karl Gustav Jöreskog (1935-) Sörbom (1976)
Karl Joreskog is Professor Emeritus at Uppsala University (Sweden),

Professor at the Norwegian School of Economics and Business
Administration in Bergen (Norway) and Professor at the Norwegian
School of Management in Oslo (Norway).
http://genealogy.math.ndsu.nodak.edu/id.php?id=129042
Dag Sörbom (1944 - )
Dag Sorbom teaches statistics at the University of Uppsala. His

research interests include: covariance structure analysis and structural
equation models, especially multiple-group problems. Together with
Professor Karl Joreskog, he developed the LISREL computer program.
http://genealogy.math.ndsu.nodak.edu/id.php?id=129051
Nessa época era
comum se utilizar
a expressão
“soft modeling”
Disponível no
Proquest
E veja quem foi o

orientador.
Jöreskog e
Goldberger (1973)
estimaram o
mesmo modelo
PLS MIMIC
Wold (1966) apresenta uma forma de calcular os

Componentes Principais a partir de uma seqüência
iterativa de regressões simples (OLS).
Em 1968 Hauser considera um modelo com múltiplas

causas e múltiplos indicadores (MIMIC), que é
estimado em 1971 por Hauser e Goldberger.
Wold (1973, 1975) estima o mesmo modelo utilizando um

procedimento iterativo de regressões simples e múltiplas,
inicialmente chamado de NIPALS e posteriormente PLS.
Depois de várias tentativas, Wold apresenta o algorítmo

PLS em 1977.
Década de 70
LISREL LISREL (versão 3) disponibilizado em 1975.
Lohmöller (ou Lohmoeller ou Lohmvller) desenvolve

PLS o software LVPLS em 1979.
Década de 80
PRELIS (versão 1) em 1988.

LISREL LISREL 7 user's reference guide publicado pela
primeira vez em 1989.
Em 1984 Jan-Bernd Lohmöller publica o manual do

PLS LVPLS (versão 1.6 para DOS)
Congresso em
18 a 20 / outubro / 1979
Livro editado em 1982
JÖRESKOG, K. G.; WOLD, H. Systems under

indirect observation: causality, structure,
prediction. Netherlands: North-Holland
Publishing Company, 1982. (2 vol.)
ISBN 0-444-86301-X
Este talvez seja o livro

mais citado nos livros
sobre SEM
FORNELL, C. (Ed.). A second
generation of multivariate analysis.
v.1, Methods. New York: Praeger
Publishers, 1982.
FORNELL, C. (Ed.). A second

generation of multivariate analysis.
v.2, Measurement and Evaluation.
New York: Praeger Publishers, 1982.
No volume 1 temos:
FONELL, C.; BOOKSTEIN, F. L. A comparative

analysis of two structural equation models:
LISREL and PLS applied to market data.
p.289-324.
WOLD, H. Systems under indirect

observation using PLS. p.325-347.
BOOKSTEIN, F. L. Data analysis by Partial

Least Squares. p.348-366.
Jan-Bernd Lohmöller (1943 – 1992)
(FALTER, 1992, p.3)
Johannes Gutenberg Universität

Institut für Politikwissenschaft
Prof. Dr. Jürgen W. Falter

falter@politik.uni-mainz.de
Schulerbeurteilung in Der Grundschule: Ergebnisse D. Augsburger Langsschnittunters

(A avaliação dos alunos na escola elementar: Resultados de...)
Authors: Barbara Hanke, Heinz Mandl, Jan-Bernd Lohmöller

Language: German
Format: Book (Illustrated), 302 pages
Publication Date: January 1980
Publisher: Oldenbourg
ISBN-10: 3486500112
ISBN-13: 9783486500110
This book is part of the Padagogisch-Psychologische Forschungen series.
Since 1978 when I first heard a lecture by Professor Herman Wold...
(LOHMÖLLER, 1989, p.5)
A course on partial least square soft modeling of socioeconomic phenomena

was given by visiting Professor Herman Wold of the University of Geneva,
Switzerland, and Dr. Jan-Bernd Lohmoller of the University of Berlin (West).
(IIASA, 1983, p.14)

1984
O seu interesse pela área de
Ciências Sociais aparece nos
comentários e exemplos usados
no livro de 1989 (a seguir).
Este talvez seja o livro
mais citado quando se
fala em PLS-PM
LOHMÖLLER, Jan-Bernd. Latent Variable Path

Modeling With Partial Least Squares.
Heidelberger: Physica-Verlag, 1989.
ISBN 3-7908-0437-1
WOLD, H. Theoretical Empiricism: a
general rationale for scientific model-
building. New York: Paragon House,
1989.
Resultados do meeting em Paris e

conferência em Washington
organizados por Wold.
Tem discussões sobre a construção de

modelos, aplicações e
desenvolvimentos do software LVPLS.
US$ 2,92 a US$ 160

na Amazon (29.04.2009)
Explica a álgebra de
Editado em 1989 covariâncias do LISREL,
é um livro que vale a
pena ser lido.
Kenneth A. Bollen
Adjunct Professor, Statistics; Director,

Odum Institute for Research in Social Science
University of North Carolina
Década de 90
Na década de 90 a empresa Smallwaters lança o AMOS,

primeiro software com interface gráfica, desenvolvido por James
L. Arbuckle e em 1997 lança o manual (AMOS 3.6 user’s guide).
Atualmente o AMOS é comercializado pela SPSS.
LISREL
Introdução do SIMPLIS como uma Syntax alternativa em 1993.
Em 1998 concluída a primeira versão do LISREL (8.20)
verdadeiramente interativa.
Na década de 90 o professor Jack McArdle manteve o LVPLS

1.8 disponível em seu site.
PLS Na década de 90 Chin desenvolve o software PLS-Graph, que

utiliza o LVPLS para os cálculos, mas usa uma interface
amigável (GUI - Graphical User Interface) para "programar" o
modelo.
A Primer for Soft Modeling
Por R. Frank Falk, Nancy B. Miller
Publicado por University of Akron
Press, 1992.
ISBN 0962262846,
9780962262845
103 páginas
Início século XXI
2001 foram publicados novos manuais: LISREL 8, LISREL

LISREL interativo, PRELIS 2
Em 2001 Wynne W. Chin publica o manual do PLS-Graph 3.0.
Em 2005 o professor Jen-Ruei Fu (ou Fred) da National Central

University in Taiwan disponibilizou o software VisualPLS, também
desenvolvido em Java. Veja o site
PLS www.www2.kuas.edu.tw/prof/fred/vpls/index.html.
Em 2005 os professores Christian M. Ringle, Alexander Will e Sven Wende

da universidade de Hamburg (Alemanha) disponibilizaram o software
SmartPLS, desenvolvido em Java. O software tem recebido contribuições
de todos os usuários através do forum www.smartpls.de.
Talvez, por este motivo, LISREL virou sinônimo de MEE!!!
Total de 523
(incluindo várias
edições do mesmo
livro) resultados
para "structural
equation modeling“
na ww.amazon.com
CHIN, W. W. ; NEWSTED, P. R.
Structural Equation Modeling
Analysis with Small Sample Using
Partial Least Squares. In HOYLE, R.
H. (Org.) Statistical Strategies for
Small Sample Research. California:
Sage Publications, Inc., 1999, p.
307-341.
CHIN, W. W. The Partial Least
Squares approach to structural
equation modeling. In:
MARCOULIDES, G. A. (Ed.) Modern
Methods for business research.
USA: Lawrence Erlbaum Associates,
Inc., 1998, p. 295-336.
Ficou uns 3 anos com
o lançamento sendo
adiado!
Já está sendo vendido (2010)
É o único LIVRO sobre

PLS-PM, editado na
última década.
Book written in Indonesian language
1st edition (2012)
Kindle Price: $5.00

1st edition (May 15, 2012)
Mais alguns “personagens”
importantes nesta história...
EQS
Peter Bentler
UCLA – Universidade da California – Departamento de Psicologia
1985 – Theory and implementation of EQS, A structural equations program.

AMOS
James L. Arbuckle
Temple University – Department of psychology

Philadelphia, Pennsylvania
1993 – Chin desenvolve interface gráfica (Windows) para o software de Lohmöller (PLS-Graph versão 2.9 em 1994).
PLS Graph
Wynne W. Chin
College of Business Administration – Universidade de Houston (Texas)

Department of Decision and Information Science
VisualPLS
Jen-Ruei Fu (ou Fred)
National Central University in Taiwan

Department of Information Management
SmartPLS
Alexander Will Christian M. Ringle Sven Wende
University of Hamburg (Germany)
www.smartpls.de
XLSTAT-PLSM
XLSTAT-PLSPM implements all methodological features and

most recent findings of the
PLEASURE (Partial LEAst Squares strUctural Relationship Estimation)
technology. This technology has been originally developed as

a research tool at the academic level by Y.M. Chatelin and V.
Esposito Vinzi in co-operation with C. Lauro and M.
Tenenhaus. (2008)
http://www.xlstat.com/en/home/
Artigos metodológicos e de aplicação
Michel Tenenhaus // Alain Morineau // Y.M. Chatelin // Vincenzo Esposito Vinzi

Artigos metodológicos e de aplicação
Jöerg Henseler // Vincenzo Esposito Vinzi // Huiwen Wang // Wynne Chin

Depois dessa “apresentação” você
consegue adivinhar quem estava no
centenário da Análise Fatorial?
Uma foto ajuda?

Análise
paralela
ML 1965
1967
Factor Analysis at 100: Historical Developments and Future Directions

University of North Carolina – Chapel Hill - L. L. Thurstone Psychometric Laboratory
May 13-15, 2004 - http://www.fa100.info/spkr.htm
1st row, L-R: Yasuo Amemiya, Lyle Jones, John Nesselroade, Darrell Bock, Michael Browne, Irini Moustaki;
2nd row, L-R: Robert MacCallum, Jack McArdle, Robert Jennrich, David Bartholomew, Roger Millsap,
Karl Jöreskog, John Horn, Keith Widaman, Ken Bollen, Melanie Wall
PLS
PLS
Um pouco mais da história...
PLS
• BIDO, D. S.; SILVA, D.;

SOUZA, C. A.; GODOY, A. S.
Indicadores Formativos na
Modelagem em Equações
Estruturais com Estimação via
PLS-PM: Como Lidar com a
Multicolinearidade Entre Eles?
II Encontro de Ensino e
Pesquisa em Administração e
Contabilidade. EnEPQ 2009.
Curitiba, ANPAD, 2009.
PLS
PLS
Um pouco mais da história...
PLS
PLS Historical Review
Gastón Sánchez
Department of Statistics and Operations Research

Universitat Politècnica de Catalunya
http://www.docstoc.com/docs/4285625/PLS-Historical-Review
PLS
PLS
PLS
MODELO ESTRUTURAL
Especificação
Tipos de relações entre as VL
Setas entre as VL no LISREL
Seta unidirecional = Influência direta de uma variável

sobre outra
Seta bidirecional = Indica correlação entre variáveis

ou erros
Duas setas unidirecionais conectando duas variáveis =

causação recíproca ou relação de feedback
Setas no modelo LISREL
• CHIN (2000) Aqui
Duas VL sem setas entre elas, quer dizer

que a correlação entre elas é zero.
Se for diferente de zero, incluímos a seta

de duas pontas.
... e quando é PLS-PM?
Não há setas de duas pontas, mas não há

restrição de que as correlações entre as VL seja
igual a zero, ou seja, a correlação entre duas VL
pode assumir qualquer valor (como ocorre com as
variáveis em uma regressão múltipla).
Não é possível testar modelos não-recursivos

(uma seta vai e outra volta).
Quando temos apenas
VL correlacionadas
ou
Análise fatorial confirmatória (AFC)
Análise Fatorial Confirmatória
Os indicadores
de cada VL são
φ21 definidos pelo
pesquisador, a
priori.
ξ1 ξ2
X1 X2 X3 X4 X5 X6 X7 X8
δ1 δ2 δ3 δ4 δ5 δ6 δ7 δ8
Este tipo de análise é feita em softwares para a

modelagem em equações estruturais
Modelo completo
ou
Modelo com as relações estruturais
Cada seta do modelo estrutural é uma Ho
p.492
CHURCHILL Jr., G. A.; SURPRENANT, C. An investigation into the determinants of customer satisfaction.
Journal of Marketing Research, v.19, n.4, p.491-504, nov. 1982.
p.14
• DeLONE, W. H.; McLEAN, E. R. The DeLone and McLean model of information systems success: a ten-
year update. Journal of Management Information Systems, v.19, n.4, p.9-30, 2003.
<http://www.asiaa.sinica.edu.tw/~ccchiang/GILIS/LIS/p9-Delone.pdf>.
Introduction
·Is there a clear research question, with a solid motivation behind it?
·Is the research question interesting?
·After reading the introduction, did you find yourself motivated to read further?
Theory
·Does the submission contain a well-developed and articulated theoretical framework?
·Are the core concepts of the submission clearly defined?
·Is the logic behind the hypotheses persuasive?
·Is extant literature appropriately reflected in the submission, or are critical references missing?
·Do the hypotheses or propositions logically flow from the theory?
Method (for empirical papers)

·Are the sample and variables appropriate for the hypotheses?
·Is the data collection method consistent with the analytical technique(s) applied?
·Does the study have internal and external validity?
·Are the analytical techniques appropriate for the theory and research questions and were they applied appropriately.
Results (for empirical papers)

·Are the results reported in an understandable way?
·Are there alternative explanations for the results, and if so, are these adequately controlled for in the analyses?
Contribution
·Does the submission make a value-added contribution to existing research?
·Does the submission stimulate thought or debate?
·Do the authors discuss the implications of the work for the scientific and practice community?
Academy of Management Annual Meeting

http://annualmeeting.aomonline.org/2010/mainmenu-callforsubmissions/mainmenu-reviewerguidelines/
GASKI, J. F. The Theory of Power and Conflict in Channels of Distribution. Journal of Marketing, v.48, p.9-29, summer
1984, [p.14]. Disponível em: http://bear.warrington.ufl.edu/weitz/mar7786/Articles/gaski.pdf
Nem sempre!
López, Peón e
Ordás (2005a) Às vezes são
relações da VL de 2ª
ordem com suas VL
de 1ª (mensuração)
(2004, 2005a, 2005b, 2006)
Como mediu a AO?

Exemplos em Aprendizagem Organizacional
• LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Managing knowledge: the

link between culture and organizational learning. Journal of Knowledge
Management, v.8, n.6, p.93-105, 2004.
• LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Organizational learning as

a determining factor in business performance. The Learning Organization,
v.12, n.3, p.227-245, 2005a.
• LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Human Resource

Practices, Organizational Learning and Business Performance. Human
Resource Development International, v.8, n.2, p.147-164, Jun./2005b.

Management as a Determining Factor in Organizational Learning.
Management Learning, v.37, n.2, p.215-239, Jun,/2006.
A partir da mesma pesquisa foram elaborados

os 4 artigos:
N = 195 empresas espanholas com mais de 200

funcionários (7,8% de resposta) – “têm o processo
de aprendizagem mais formalizado”.
Cultura colaborativa Inovação

Práticas de RH AO Competitividade
Resultados financeiros
É a “satisfação” com
a Performance.
R2 = 45% R2 = 16%
n.s.
R2 = 28%
R2 = 19,5%
Pelo artigo de 2004 Total

a correlação deve R2 ~ 8% R2 ~ 27,5%
ser de 0,4
= Performance no
modelo de 2004
VL de 1ª ordem VL de 2ª ordem VL de 1ª ordem.

Tem um indicador a
menos que 2004 e
Hiring 2005a
Training
0,311 (2,052)
RH Desempenho
Compensation
Participation
Hiring
Training
0,311 (2,052)
RH Desempenho
Compensation
Participation
Para testar o efeito mediador da AO na relação entre

RH e desempenho foram avaliados dois modelos, esse
testa a relação direta, que foi significante (t > 1,96).
Hiring
Training
0,829 0,535
RH AO Desempenho
Compensation
Participation
n.s.
Como a relação entre RH e o desempenho passou a ser n.s.

quando incluímos a AO no modelo, quer dizer que o efeito
mediador da AO é total, ou seja, as práticas de RH só influem
no desempenho da organização se houver AO.
São novos resultados!

No artigo de 2005b
(p.153) as “Práticas de
RH” tinham sido
modeladas como uma
VL de segunda ordem.
Aqui dá pra ver a

influência de cada VL
de 1ª ordem na AO
separadamente, o
problema é que há
multicolinearidade!
Em 2005b (p.158) beta

do RH � AO foi de
0,829 (R2 = 68,7%)
PLS
PLS
PLS
Especificação
PLS
PLS
PLS
CONTEÚDOS
• Variável latente X indicadores

• Indicadores formativos e reflexivos
• Exemplos em Aprendizagem organizacional
• Definição constitutiva X operacional
• Validade de conteúdo X validade de face
• Consistency at large no PLS-PM
• Atenuação da correlação
Mensuração de variáveis
• Medir, Classificar,
• Atribuir números a objetos ou eventos.
• Regra para associá-los.
Observáveis Não-observáveis
diretamente diretamente
Altura Qtdd de Beleza, Hostilidade

Satisfação
Peso funcionários, Patrimônio Ansiedade
Reputação
Sexo Faturamento familiar inteligência
Dificuldade
Variável latente (VL) - Latent variable (LV)
• Fator comum
• Construto ou constructo
• Variável latente
• Causa comum
• Traço latente, atributo latente
• Variáveis não-observáveis diretamente
• Variáveis teóricas
• Variáveis mensuradas indiretamente
• Conceitos não-observáveis
Definição
• Construtos não-observáveis constitutiva
Variável latente (VL) - Latent variable (LV)
• É real, pelo menos em hipótese, mas não é

observável diretamente, por isso, utiliza-se
indicadores observáveis para medir a VL
indiretamente ou,
• na definição de Hair Jr. et al. (2005), é um
conceito que pode ser definido em termos
teóricos e que não pode ser medido
diretamente, mas pode ser medido por
meio de indicadores.
Indicador – Indicator
• Variável
• Variável observada
• Variável observável
• Variável mensurável
• Variável manifesta - Manifested variable (MV)
• Variáveis operacionais
• Itens (da escala)
• Medida
• Medida indireta
• Proxy
• Medida imperfeita Definição
• Comportamento operacional
Indicador – Indicator
• É o valor observado usado como uma

medida única ou parte de uma medida
combinada para mensurar um construto.
Símbolos para as variáveis
x1 Variável Observável influenciada pela VL exógena (ξ)
y1 Variável Observável influenciada pela VL endógena (η)
ξ1 Variável Latente exógena (não recebe influência de outra VL)
η1 Variável Latente endógena (recebe influência de ξ ou η)
ξ - ksi η - eta No LISREL, essa notação é crítica, mas no PLS

basta diferenciar o que é VL e o que é indicador
Variável latente: indicadores reflexivos
Indicadores reflexivos
ou
indicadores-efeito
Constructo ou
Mode A
Indicador 1 Indicador 2 Indicador 3 Indicador 4
Latent construct
Comportamentos observados de um traço latente, (CHIN, 2000)
se o construto varia, todos os indicadores variam.
Principal factor
(JARVIS et al. 2003)
Variável latente: indicadores formativos
Indicadores formativos
ou
indicadores-causa
Constructo ou
Mode B
Indicador 1 Indicador 2 Indicador 3 Indicador 4
Emergent construct
(CHIN, 2000;
Não é uma VL real, é um ÍNDICE inventado !! DEVELLIS, 2003)
Fatorial NÃO utiliza este tipo de indicador. Composite factor

(JARVIS et al. 2003)
Variável latente: reflexivos X formativos
Álcool no Nível de
sangue embriaguez
Teste para Tempo para

Copos Latas de Doses de Doses de Teste de
tempo de término de teste
de vinho cerveja vodka whisky bafômetro
reação física de memória
Variáveis observadas e
Variáveis observadas e
não, necessariamente,
correlacionadas
correlacionadas
Variável latente: reflexivos X formativos
sangue embriaguez

Deveria ser um censo, Esses indicadores são

com todos os indicadores uma amostra
http://disc-nt.cba.uh.edu/chin/plsfaq/plsfaq.htm
Leitura recomendada
LITTLE, T. D.; LINDENBERG, U.; NESSELROADE, J. R. On selecting indicators for multivariate

measurement and modeling with latent variables; when “good” indicators are bad and “bad” indicators
are good. Psychological Methods, v.4, n.2, p.192-211, 1999.
EXERCÍCIO
Adaptado de
HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The Use of

Partial Least Squares Path Modeling in International
Marketing. In: Sinkovics, R. R./ Ghauri, P. N. (eds.). Advances
in International Marketing,
Vol. 20, Emerald: Bingley, pp. 277-320, 2009.
Reflexivos ou formativos?
Condicionamento
físico
Abuso de
Treinamento Nutrição
drogas
Condicionamento
físico
Freqüência Nível de Proporção de

cardíada lactose músculos
Condicionamento Condicionamento
físico físico
Abuso de Freqüência Nível de Proporção de

Treinamento Nutrição
drogas cardíada lactose músculos
Deveria ser um censo, Esses indicadores são

com todos os indicadores uma amostra
Mesmos itens e diferentes usos
WILCOX, J. B.; HOWELL, R. D.; BREIVIK, E. Questions about

formative measurement. Journal of Business Research,
v.61, n.12, p.1219-1228, Dec. 2008.
Dependendo das instruções gerais, uma lista de itens

pode ser conceitualizada como formativa ou reflexiva.
Qual a probabilidade
desse fornecedor
apresentar os
comportamentos a seguir
nos próximos 6 meses?
1 – improvável
2 – pouco provável
3 – provável
4 – muito provável
5 – certo
Situação: hipotética
Tempo: futuro
Resposta baseada em uma

“expectativa ou visão geral”
que se tem desse fornecedor
Com qual freqüência esse
fornecedor apresentou os
comportamentos a seguir
nos últimos 6 meses?
1 – nunca
2 – 1 a 2 vezes
3 – 3 a 5 vezes
4 – 6 a 10 vezes
5 – mais de 10 vezes
Situação: comportamento
observado (real)
Tempo: passado
O que mudou?
real
Intenção
Propensão
...?
São os mesmos construtos?

Mesmo construto e diferentes
operacionalizações
CHIN, W. W. The Partial Least Squares approach to structural

equation modeling. In: MARCOULIDES, G. A. (Ed.) Modern
Methods for business research. USA: Lawrence Erlbaum
Associates, Inc., 1998, p. 295-336.
CHIN, W. W. The Partial Least Squares approach to structural equation

modeling. In: MARCOULIDES, G. A. (Ed.) Modern Methods for
business research. USA: Lawrence Erlbaum Associates, Inc., 1998.
Exemplo nas p. 323-324.
MIMIC
LISREL x PLS-PM
MIMIC no PLS-PM
sangue embriaguez

PLS admite VL com

Aqui temos duas VL
indicadores formativos
MIMIC no LISREL
Copos de
vinho Teste de
bafômetro
Latas de
Teste para
cerveja Nível de tempo de
embriaguez reação física
Doses de
Tempo para
vodka
término de teste
de memória
Doses de
whisky
Múltiplas Múltiplos
causas efeitos
MIMIC no LISREL
Copos de
vinho Teste de
bafômetro
Latas de
Teste para
cerveja Nível de tempo de
embriaguez reação física
Doses de
Tempo para
vodka
término de teste
de memória
Doses de
whisky
Aqui nós temos uma VL com indicadores

LISREL não admite VL com
reflexivos sendo influenciada por 4
indicadores reflexivos
variáveis observáveis
Reflexivo x Formativo
E daí?
É só mudar a direção das setas?
O que muda Quando

Quais
na usar um ou
diferenças?
metodologia? outro?
É importante que fique claro, que para a análise fatorial os

indicadores devem ser reflexivos. Cuidado que deve ser
tomado no desenvolvimento dos itens do questionário.
Critério Modelo formativo Modelo reflexivo
Reflexivos X Formativos
Dos itens para o construto Do construto para os itens
Indicadores são características do construto Indicadores são manifestações do construto.

Direção da
Mudanças nos indicadores deveriam causar Mudanças nos indicadores não deveriam
causalidade mudanças no construto causar mudanças no construto.
Mudanças no construto não deveriam causar Mudanças no construto deveriam causar
mudanças nos indicadores. mudanças nos indicadores.
Indicadores não precisam ser
Indicadores deveriam ser intercambiáveis
intercambiáveis.
Indicadores precisam não ter o mesmo ou
Intercambialidade Indicadores deveriam ter o mesmo ou similar
similar conteúdo (não compartilhar um tema
dos indicadores conteúdo (compartilhar um tema comum).
comum)
Eliminando um indicador pode alterar o Eliminando um indicador não altera o
domínio conceitual do construto. domínio conceitual do construto.
Não é necessário que os indicadores tenha É esperado que os indicadores se
covariâncias entre si. correlacionem.
Covariação entre
os indicadores A mudança em um indicador não,
A mudança em um indicador está associada
necessariamente, tem relação com a
a mudança em outros indicadores.
mudança nos demais indicadores.
Pode diferir. Não deveria diferir.

Rede nomológica
dos indicadores Não é necessário que os indicadores tenham Indicadores devem ter os mesmos
os mesmos antecedentes e conseqüências. antecedentes e conseqüências.
Fonte: JARVIS, C. B.; MACKENZIE, S. B.; PODSAKOFF, P. M. A critical review of

construct indicators and measurement model misspecification in Marketing and Consumer
Research. Journal of Consumer Research, v.30, n.2, p.199-218, Set. 2003.
Referências para indicadores formativos
v.61, n.12, dec. 2008

foi uma edição especial que tratou
apenas de indicadores formativos
Opções,
mas algumas
sem uso em
pesquisas...
Aprofundam a “conversa”...
Muito parecido com
Lohmöller (1989) – slide 5
Sorria !
Podia ser pior....
潛在變數
潛在變數
qián zài biàn shù
tien tsai pien shuu (+/-) = Variável Latente
EXEMPLOS EM
APRENDIZAGEM ORGANIZACIONAL
Definindo seus construtos
– Definição constitutiva: Define palavras com
palavras; São definições de dicionário,
insuficientes para propósitos científicos.
– Definição operacional: Atribui significado a uma

variável especificando as atividades ou
“operações” necessárias para medí-la ou
manipulá-la (KERLINGER, 2000, cap.3).
KERLINGER, F. N.; LEE, H. B. Foundations of behavioral

research. 4th ed. California: Thomson Learning, 2000.
Validade de Conteúdo
• É o grau em que o conteúdo dos itens

considerados para a medição representa
adequadamente o universo de todos os itens
relevantes sobre o assunto/conceito em estudo
• Maneiras de buscar a validade de conteúdo
– Extensa revisão da bibliografia
– Julgamento ou painéis de especialistas
• É um tipo de validade essencialmente
qualitativo.
Definindo seus construtos
Validade de conteúdo � ponto de vista do expert (teórico)

Validade de face � ponto de vista do respondente
(NETEMEYER, BEARDEN, SHARMA, 2003, p.95-96)

PLS
PLS
PLS
• BONTIS, N.; CROSSAN, M.M; HULLAND, J. Managing an

organizational learning system by aligning stocks and flows.
Journal of Management Studies, v. 39, n. 4, p. 437-469, 2002.
Bontis, Crossan e Hulland (2002)
Definição constitutiva
Bontis, Crossan e Hulland (2002)
Validade de
conteúdo,
validade de
face.
Definição operacional
PLS
PLS
PLS
• LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Managing

knowledge: the link between culture and organizational learning.
Journal of Knowledge Management, v.8, n.6, p.93-105, 2004.
• LÓPEZ, S. P.; PEÓN, J. M. M.; ORDÁS, C. J. V. Organizational
learning as a determining factor in business performance. The
Learning Organization, v.12, n.3, p.227-245, 2005a.
Practices, Organizational Learning and Business Performance.
Human Resource Development International, v.8, n.2, p.147-164,
Jun./2005b.
Management as a Determining Factor in Organizational Learning.
Management Learning, v.37, n.2, p.215-239, Jun,/2006.
(2004, 2005a, 2005b, 2006)
AO como uma
VL de 2a ordem
NETEMEYER, R. G.;
BEARDEN, W. O.; SHARMA,
S. Scaling Procedures:
Issues and applications.
Thousand Oaks, Sage
Publications, Inc., 2003.
206p.
Validade de conteúdo,
validade de face.
DEVELLIS, R. F. Scale
development: theory and
applications. 2nd Ed. USA:
SAGE Publications, 2003.
171p.
validade de face.
NUNNALY, J. C.;
BERNSTEIN, I. R.
Psychometric theory. 3nd
Ed. USA: McGraw-Hill, Inc.,
1994. 752p.
validade de face.
CONSISTENCY AT LARGE
PLS-PM
PLS
PLS
CONSISTENCY AT LARGE NO PLS-PM
PLS
• No PLS-PM os escores fatoriais das VL são

calculados como um agregado dos indicadores
e inclui erro de medida. Assim há viés nas
cargas fatoriais e nos coeficientes estruturais.
• Há tendência de carga ser maior no PLS-PM do
que no LISREL e dos coeficientes estruturais
serem subestimados.
• As estimativas tenderão aos valores verdadeiros
conforme aumenta a quantidade de itens para
mensurar cada VL.
PLS
PLS
PLS
• As simulações de Chin e Newsted (1999,

p.333) indicaram que para 4 a 8 indicadores por
VL, o viés é inferior a 0,05 (diferença entre o
coeficiente estimado e o populacional).
• A partir de simulações, Bido et al. (2009, p.14)
recomendam 5 ou mais indicadores por variável
latente.
PLS
PLS
PLS
• A segunda explicação se baseia na atenuação da

correlação que ocorre quando os construtos não são
medidos perfeitamente (confiabilidade < 1).
• Nunnally e Bernstein (1994, p.240-241, 256-258)

explicam como calcular a correlação desatenuada, mas
destacam (p.265) que esse procedimento deveria ser
usado como uma forma de avaliar o aumento na
correlação se a escala fosse totalmente confiável e
sugere que esforços deveriam ser feitos (usar mais
indicadores) para se atingir um mínimo de 0,9.
(BIDO et al., 2009, p.10)
Mais detalhes na seção 5.2.1
Avaliação do modelo de mensuração.
PLS
PLS
PLS
• BIDO, D. S.; SILVA, D.; SOUZA, C. A.; GODOY, A. S. Indicadores

Formativos na Modelagem em Equações Estruturais com Estimação via
PLS-PM: Como Lidar com a Multicolinearidade Entre Eles? II Encontro de
Ensino e Pesquisa em Administração e Contabilidade. EnEPQ 2009.
Curitiba, ANPAD, 2009.
• CHIN, W. W.; NEWSTED, P. R. Structural Equation Modeling analysis with
small sample using Partial Least Squares. In HOYLE, R. H. (Ed.).
Statistical strategies for small sample research. Thousand Oaks: Sage
Publications, 1999. p.307-348. [ver p.328-335]
• LOHMÖLLER, Jan-Bernd. Latent Variable Path Modeling With Partial
Least Squares. Heidelberger: Physica-Verlag, 1989 . [ver p.214-215]
• NUNNALLY, J. C.; BERNSTEIN, I. H. Psychometric Theory. 3rd Ed. New
York: McGraw-Hill, Inc., 1994.
PLS
PLS
PLS
TAMANHO DA AMOSTRA E
PODER ESTATÍSTICO
PLS
PLS
Power analysis no PLS-PM
PLS
• Planejamento
– Exemplo intuitivo: teste-t variando o tamanho
da amostra e o tamanho do efeito.
– Definições: α β (1 – β)
– Software G*Power 3
• Post hoc
• Priori
• Sensitivity
– Power analysis no PLS-PM
– Amostras muito pequenas ou muito grandes
PLS
PLS
PLS
Exemplo intuitivo
Exemplo intuitivo do poder estatístico
• Foram simulados cinco bancos de dados (n =

10; 30; 50; 300 e 1000) com 4 variáveis, que
possuem as seguintes médias: x1 = 40, x2 = 42,
x3 = 45, x4 = 48 e o desvio padrão igual a 10.
(compara_medias.xls).
• Para cada banco de dados (diferente tamanho
de amostra), verifique se o teste-t detecta como
significante a diferença entre a média de cada
variável e o valor 40?
Ho: μ = 40
Exemplo
• File / Open / Compara medias.xls (n10)

• Ajuste para duas casas decimais
• Analyze / Compare Means / One sample..
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
x1 10 41,4560 11,83077 3,74122
x2 10 42,4649 12,92402 4,08693
x3 10 45,4649 12,92402 4,08693
x4 10 47,0428 11,23548 3,55297
One-Sample Test
Test Value = 40
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
x1 ,389 9 ,706 1,45596 -7,0073 9,9192
x2 ,603 9 ,561 2,46485 -6,7804 11,7101
x3 1,337 9 ,214 5,46485 -3,7804 14,7101
x4 1,982 9 ,079 7,04276 -,9946 15,0801
Nenhuma diferença
detectada como sig. (n=10)
Exercício 1
• Refaça esse exercício anotando quais

diferenças foram detectadas como
significantes e qual era o tamanho da
amostra ( n ).
• n = 30 �
• n = 50 �
• n = 300 � ?
• n = 1000 �
A hipótese é que Valores - t
μ = 40
n x1 = 40 x2 = 42 x3 = 45 x4 = 48
Mas sabemos que
10 -0,389 -0,603 -1,337 -1,982
a variável
x2 tem μ = 42 30 -0,310 -0,069 -3,639 -3,185
50 -1,872 -1,744 -1,992 -6,050

Então, porque os
testes com 300 0,720 -4,752 -8,474 -14,856
amostras menores
1000 1,132 -5,279 -16,671 -24,806
que 50 casos, não
detectam essa
diferença como
significante? Valores - p
n x1 = 40 x2 = 42 x3 = 45 x4 = 48
10 0,7061990 0,5613273 0,2139839 0,0787778
30 0,7591010 0,9457548 0,0010556 0,0034443
50 0,0671444 0,0874266 0,0519173 0,0000002
300 0,4718039 0,0000031 0,0000000 0,0000000
1000 0,2578287 0,0000002 0,0000000 0,0000000

PLS
PLS
PLS
• Se p < 0,05
– Rejeitamos Ho, logo, a diferença era
significante.
• Se p > 0,05
– a diferença não era significante ou
– a nossa amostra era pequena demais?
Exercício 2: Como os dados eram simulados, sabemos que as
diferenças deveriam ter sido detectadas como significantes, então, por
que em alguns testes a diferença foi detectada como significante e em
outros não?
Comente com base na análise do poder estatístico.
Dica: Hair Jr. et al. (2005, p.29-32)

PLS
PLS
PLS
Definições: α β (1 – β)
PLS
PLS
PLS
• Ho: μ = 0 (não há efeito ou diferenças)

• α = probabilidade de rejeitar Ho, quando
ela é verdadeira (Erro tipo I).
• β = probabilidade de não rejeitar Ho
quando ela não é verdadeira (Erro tipo II)
• (1 – β ) = probabilidade de rejeitar Ho
quando ele não é verdadeira (Power)
PLS
PLS
PLS
• α = o valor mais usual é 0,05

mas também se usa 0,01 ou 0,1.
• (1 – β ) = o valor mais usual é 0,8

mas também se usa 0,95 ou 0,99
(implicam em amostras maiores)
PLS
PLS
PLS
Software G*Power 3
PLS
PLS
Downloading G*Power 3
PLS
http://www.psycho.uni-duesseldorf.de/abteilungen/aap/gpower3/
Vamos fazer a coleta de
dados, qual o tamanho da A priori
amostra?
A pesquisa já está
Post hoc Power > 0,8 ?
publicada e o teste deu
não-significante, será que Qual o menor
a amostra era pequena? tamanho do
Sensitivity efeito que seria
detectável como
significante?
Exemplo com correlação, mas a
ideia é a mesma para outros
Amostra (n)
Ho: ρ = 0 testes de hipóteses
Teste estatístico
t > 1,96 ou p < 0,05 t < 1,96 ou p > 0,05
Rejeitamos Ho e concluímos que a Não rejeitamos Ho e concluímos que a

correlação amostral (r) é significante. correlação amostral (r) não é significante.
Com probabilidade de 5% de cometermos o

erro tipo I (dizer que há efeito, quando na Até este momento, o teste não é conclusivo
população não há) porque pode ser que a correlação populacional
seja zero mesmo, ou pode ser que a amostra
tenha sido pequena (baixo poder estatístico)
Concluímos que a correlação

populacional é zero mesmo Power > 0,8 Teste
Com probabilidade de 20% de cometermos post hoc
o erro tipo II (dizer que não há efeito,
quando na população há)
Power < 0,8
Teste inconclusivo,
coletar mais amostras.
PLS
PLS
PLS
• Tamanho do efeito (effect size)
– “grau no qual o fenômeno está presente na população,”

ou “grau no qual a hipótese nula é falsa. (p.9)
– “...índice do grau de desvio da hipótese nula.” (p.10)
– É algum valor específico e diferente de zero na
população. Quanto maior esse valor, maior o grau no
qual o fenômeno sob estudo está manifestado.
(COHEN, 1977, p.9-10).

PLS
PLS
PLS
• Tamanho do efeito (effect size)

Regressão múltipla
Tamanho do efeito teste-t correlação
(R2 desvio do zero)
2 2
pequeno 0,2 desvios padrões r = 0,1 f = 0,02 R = 0,0196
2 2
médio 0,5 desvios padrões r = 0,3 f = 0,15 R = 0,1304
2 2
grande 0,8 desvios padrões r = 0,5 f = 0,35 R = 0,2593
Classificação sugerida
por Cohen e adotada
no G*Power 3
PLS
PLS
PLS

PLS
PLS
PLS
• PLS-PM se baseia em regressões lineares simples e

múltiplas (mais críticas na análise do poder estatístico).
• Dado que o PLS-PM é “partial”, em um momento é
estimado o modelo de mensuração e em outro o modelo
estrutural, então, deve-se considerar a situação mais
crítica para avaliação do poder estatístico:
– VL com a maior quantidade de indicadores formativos ou
– VL dependente com a maior quantidade de VL independente
influenciando-a
– Resumidamente: VL com maior quantidade de setas chegando
nela (seja do modelo de mensuração ou do estrutural).
– Assim, defini-se a quantidade de preditores a serem usado no
G*Power .
Nesse exemplo
usaremos o valor
4 para a
quantidade de
preditores no
G*Power
PLS
PLS
PLS
A priori
Regressão múltipla n
Tamanho do efeito
(R2 desvio do zero) (sig. = 0,05 e Power = 0,8)
2
pequeno f = 0,02 R2 = 0,0196 602
médio f2 = 0,15 R2 = 0,1304 85
f2 = 0,35
2
grande R = 0,2593 40
A regra genérica de 10 casos por preditor

Quanto menor o tamanho
resultaria em uma amostra de 40 casos, e
pela análise do poder estatístico observamos
do efeito a ser detectado
que apenas efeitos grandes seriam como significante, maior o
detectados como significantes! tamanho da amostra.
PLS
PLS
PLS
Post hoc (n = 250; sig. = 0,05)

Regressão múltipla
Tamanho do efeito Power
(R2 desvio do zero)
pequeno f2 = 0,02 R2 = 0,0196 0,388977

médio f2 = 0,15 R2 = 0,1304 0,99956
grande f2 = 0,35 R2 = 0,2593 1
PLS
PLS
PLS
Sensitivity
(preditores = 4; n = 250, sig. = 0,05, Power = 0,8)
f2 = 0,04867 R2 = 0,04641
Para uma amostra de 250 casos, qualquer R2 acima

desse valor será detectado como significante.
População e amostra
Quanto menor Sig.
Maior será a amostra

Quanto maior o Poder
Quanto menor o tamanho do efeito

(teste mais sensível)
PLS
PLS
PLS
Amostras pequenas...
PLS
PLS
PLS
• O problema não é só o tamanho da amostra, mas

também a forma como a amostra foi coletada e usada:
– Aleatória X conveniência
– Selection (auto-selection) bias
– Modelo foi ajustado aos dados? � amostra de validação
• Leitura recomendada
• MARCOULIDES, George A.; SAUNDERS, Carol. PLS: A silver
bullet? MIS Quarterly, v.30, n.2, p.iii-ix, jun. 2006.
Disponível em:
<http://www.misq.org/archivist/vol/no30/issue2/EdCommentsV30N2.pdf>.
Acesso em: 04/07/2010.

PLS
PLS
PLS
Amostras muito grandes...

PLS
PLS
PLS
• No exemplo pudemos observar que para uma amostra

de 600 casos, um valor de R2 = 2% seria detectado
como significante (do ponto de vista estatístico).
• Entretanto, para efeitos dessa ordem de grandeza,

deveria ser considerada também a “significância
prática”.
• Detalhes em: HAIR Jr., J. F. et al. Fundamentos de

Métodos de Pesquisa em Administração. Porto
Alegre: Bookman, 2006. p. 316.
PLS
PLS
PLS
Referências
PLS
PLS
PLS
• Referências
– CHIN, W. W. ; NEWSTED, P. R. Structural Equation Modeling Analysis with Small
Sample Using Partial Least Squares. In HOYLE, R. H. (Org.) Statistical
Strategies for Small Sample Research. California: Sage Publications, Inc., 1999,
p. 307-341. [Sample size requirements = p.326-328]
– COHEN, J. Statistical Power Analysis for the Behavioral Sciences. Revised
Edition. New York: Academic Press, Inc., 1977.
– FAUL, F. et al. G*Power 3: A flexible statistical power analysis program for the
social, behavioral, and biomedical sciences. Behavior Research Methods, v. 39,
175-191, 2007. Disponível em: <http://www.psycho.uni-
duesseldorf.de/abteilungen/aap/gpower3/download-and-register>.
Acesso em: 30/04/2009.
– HAIR JR.; J. F.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W. C. Análise
multivariada de dados. 5ª Ed. Porto Alegre: Bookman: 2005.
[p.29-32 – Significância estatística versus poder estatístico].
PLS
PLS
PLS
PLS-PM
Nem bala de prata, nem vodu

estatístico: entendendo o
algoritmo PLS-PM
PLS
PLS
PLS
Entendendo o algoritmo PLS-PM
http://groups.google.com.br/group/mee-pls?hl=pt-BR
O algoritmo PLS-PM
PLS
PLS
PLS
• Cálculo dos escores das VL

0 Inicialização
1 Inner weights estimation (estrutural)
2 Inner aproximation (estrutural)
3 Outer weights estimations (mensuração)
4 Outer approximation (mensuração)
5 Avaliar critério de convergência
• Nova iteração ou concluir
• Estimar as cargas cruzadas, AVE,
confiabilidade...
Exemplo (n = 250)
PLS
PLS
PLS
Exemplo (n = 250)
PLS
PLS
PLS
• A planilha Excel PASSOS_PLSPM_Bido_16072009.xls

contém os dados brutos utilizados, bem como os
resultados de cada iteração e a comparação dos
resultados calculados a mão com os resultados
obtidos no SmartPLS 2.0.M3.
• O modelo é fictício, apesar de os dados serem
reais (coletados por Tenenhaus et al., 2005).
• O modelo original (ECSI – European Customer
Satisfaction Index) foi modificado para exemplificar
a estimação de VL formativa (Status Social).
O algoritmo PLS-PM
PLS
PLS
PLS

0 Inicialização
confiabilidade...
Modelo estrutural
Relação entre os construtos
V Hipóteses a serem testadas
Inner model
Inner relations
Q Sat
SS
Modelo de mensuração
PERV
1
Indicadores reflexivos (mode A)
PERV Indicadores formativos (mode B)
V
2 Outer model
PERV Outer relations
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3
PERV
Modelo completo
1
PERV V
2
PERV
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3
Passo 0.1: padronizar todos indicadores
PERV
1
PERV V
2
PERV
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3
Colunas N-
Y na
planilha
Passo 0.2:
a) Iniciar com peso = 1 para todos os indicadores
b) Calcular os escores das VL:
PERV
1
PERV V
2
PERV
3 c) Padronizar os escores das VL.
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS AA-AL
AN-AQ
SS3
AS-AV
O algoritmo PLS-PM
PLS
PLS
PLS

0 Inicialização
confiabilidade...
Passo 1.1:
a) Escolher o esquema de ponderação entre as VL
eij
eij
eij
Q Sat
eij
SS
PLS
PLS
PLS-PM
PLS
• Weighting scheme (inside approximation)
– Centroid: procedimento original de Wold, considera apenas os

sinais das correlações entre as VL e suas vizinhas. Se a
correlação entre duas VL é igual a + 0,3 o peso será igual a + 1.
Ruim quando as correlações entre as VL são próximas de zero
(pesos oscilam de +1 para – 1).
Não usá-lo quando houver VL de segunda ordem.
– Factor: Usa as correlações entre a VL focal e suas vizinhas como
pesos.
– Observar que em ambos os esquemas de ponderação são

utilizadas apenas correlações entre as VL, por isso, o fator crítico
para determinar o tamanho da amostra será a VL com maior
quantidade de indicadores formativos (desconsidera-se o modelo
estrutural) (CHIN; NEWSTED, 1999, p.327).
Chin, Newsted (1999, p.317-318) e Tenenhaus et al., 2005 (p.170-171).

PLS
PLS
PLS-PM
PLS
– Path (ou structural scheme): usa correlação ou regressão múltipla

de modo que a VL possa ser prevista e possa ser uma boa
+ usado
preditora da VL subsequente. É o único esquema (dos 3), que
considera a direcionalidade do modelo estrutural.
V
L
PATH PATH
weighting weighting
scheme: Para scheme: Para
as as
antecedentes, consequentes,
calcular os calcular os
pesos com pesos com
regressão regressão
múltipla simples (ou
PLS
PLS
PLS-PM
PLS
– Path (ou structural scheme): usa correlação ou regressão múltipla

de modo que a VL possa ser prevista e possa ser uma boa
+ usado
preditora da VL subsequente. É o único esquema (dos 3), que
considera a direcionalidade do modelo estrutural.
".... todas as variáveis independentes que influenciam a VL em

foco (target LV) são ponderadas pelos coeficientes de
regressão múltipla, enquanto todas as VL dependentes são
ponderadas pelos coeficientes de correlação."
(CHIN; NEWSTED, 1999, p.318).
Lohmöller (1989. p.42) já tinha explicado da mesma forma.
Chin, Newsted (1999, p.317-318) e Tenenhaus et al., 2005 (p.170-171).

De modo geral, os resultados finais não são muito diferentes de um esquema para o
outro.
Passo 1.2:
a) Calcular os pesos entre as VL, por exemplo:
vamos supor que tenhamos escolhido o “path
scheme”.
".... todas as variáveis independentes que influenciam a VL

V em foco (target LV) são ponderadas pelos coeficientes de
regressão múltipla, enquanto todas as VL dependentes são
eij ponderadas pelos coeficientes de correlação."
(CHIN; NEWSTED, 1999, p.318). Lohmöller (1989. p.42) já
eij tinha explicado da mesma forma.
eij
Q Sat
eij
SS
AX-BL
O algoritmo PLS-PM
PLS
PLS
PLS

0 Inicialização
confiabilidade...
Passo 2.1:
a) Calcular os novos escores das VL com base nas
outras VL do modelo e pesos estruturais
(inside approximation).
eij
eij
eij
Q Sat b) Padronizar os novos escores das VL
eij
BN-BQ
SS BS-BV
Passo 2.1:
a) Calcular os novos escores das VL com base nas outras
VL do modelo e pesos estruturais
(inside approximation).
eij
b) Padronizar os novos escores das VL
eij
eij PASSOS ATÉ AQUI

Q Sat
Padronizar os indicadores
VL = soma de seus indicadores (pesos
= 1)
Padronizar as VL = Ksiouter
eij Estimar os pesos entre as VL (eij)
SS Ksiinner = somatório (eij * Ksiouter)
Padronizar os novos escores (Ksiinner)

O algoritmo PLS-PM
PLS
PLS
PLS

0 Inicialização
confiabilidade...
Passo 3.1:
a) Estimar os coeficientes do modelo de mensuração:
Formativo (Mode B) � regressão múltipla
PERV SSouter = wSS1 * SS1 + wSS2 *SS2 + wSS3 * SS3
1
PERV V
2
PERV
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
BX-CZ
SS3
Passo 3.1:
a) Estimar os coeficientes do modelo de mensuração:
Formativo (Mode B) � regressão múltipla
PERV SSouter = wSS1 * SS1 + wSS2 *SS2 + wSS3 * SS3
1
PERV V Reflexivo (Mode A) � regressões simples
2 (ou correlações)
PERV
PERV1 = WPERV1 * Vouter
3 PERV2 = WPERV2 * Vouter
PERV3 = WPERV3 * Vouter
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
BX-CZ
SS3
O algoritmo PLS-PM
PLS
PLS
PLS

0 Inicialização
confiabilidade...
Passo 4.1:
a) Usar os pesos da etapa anterior
b) Calcular os novos escores das VL (outer):
PERV
1
PERV V
2
PERV
3 c) Padronizar os escores das VL (Ksiouter).
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
DB-DE
SS3 DG-DJ
O algoritmo PLS-PM
PLS
PLS
PLS

0 Inicialização
confiabilidade...
Passo 5.1:
a) Estimar os pesos fatoriais (indicator weights)
utilizando regressões múltiplas.
PERV
1
PERV V
2
PERV
3
PERQ CUSA
1 1
PERQ CUSA
2 Q Sat 2
PERQ CUSA
3 3
SS1
SS2 SS
SS3 DL-EN
Passo 5.2:
a) Somar as diferenças de pesos fatoriais de uma
iteração para outra (em módulo)
CUSA1 CUSA2 CUSA3 PERV1 PERV2 PERV3 PERQ1 PERQ2 PERQ3 SS1 SS2 SS3
iteração 0 1 1 1 1 1 1 1 1 1 1 1 1
iteração 1 0,3760 0,3842 0,4396 0,3234 0,4342 0,4469 0,4637 0,3293 0,4490 0,7343 0,0718 0,5406
DIFERENÇA -0,6240 -0,6158 -0,5604 -0,6766 -0,5658 -0,5531 -0,5363 -0,6707 -0,5510 -0,2657 -0,9282 -0,4594
ABS(Dif) = 0,6240 0,6158 0,5604 0,6766 0,5658 0,5531 0,5363 0,6707 0,5510 0,2657 0,9282 0,4594
TOTAL = 7,0070
EP-FB
Passo 5.2:
a) Somar as diferenças de pesos fatoriais de uma
iteração para outra (em módulo)
b) Comparar com o critério de convergência
c) Decidir o próximo passo.
CUSA1 CUSA2 CUSA3 PERV1 PERV2 PERV3 PERQ1 PERQ2 PERQ3 SS1 SS2 SS3
iteração 0 1 1 1 1 1 1 1 1 1 1 1 1
iteração 1 0,3760 0,3842 0,4396 0,3234 0,4342 0,4469 0,4637 0,3293 0,4490 0,7343 0,0718 0,5406
DIFERENÇA -0,6240 -0,6158 -0,5604 -0,6766 -0,5658 -0,5531 -0,5363 -0,6707 -0,5510 -0,2657 -0,9282 -0,4594
ABS(Dif) = 0,6240 0,6158 0,5604 0,6766 0,5658 0,5531 0,5363 0,6707 0,5510 0,2657 0,9282 0,4594
TOTAL = 7,0070
Voltar ao passo
não 1.2
sim Encerrar
O algoritmo PLS-PM
PLS
PLS
PLS

0 Inicialização
confiabilidade...
PLS
PLS
Cálculos após a convergência
PLS
– Agora já temos os escores fatoriais padronizados, os pesos

fatoriais (outer weights, indicator weights) e os path
coefficients.
– Fazendo a matriz de correlações entre as VL e os
indicadores, temos as cargas cruzadas (bom para avaliar a
validade discriminante).
– Com as cargas fatoriais (outer loadings) podemos calcular a
Variância média extraída (validade convergente) e a
confiabilidade composta.
– Com as AVE e as correlações entre as VL podemos avaliar
a validade discriminante.
– Com os path coefficients podemos avaliar os efeitos direto,
indireto e total.
– Com os path coefficients e as correlações entre as VL
podemos calcular os R2.
– Com os pesos fatoriais e os dados brutos podemos calcular
os escores fatoriais não-padronizadosPasta
(escores na mesma
“avaliação” no arquivo
escala dos itens). Excel
PLS
PLS
RESUMO
PLS
• 0 Inicialização
0.1: padronizar todos indicadores
0.2: Calcular os escores das VL
a) Iniciar com peso = 1 para todos os indicadores
b) Calcular os escores das VL:
c) Padronizar os escores das VL.
• 1 Inner weights estimation (estrutural)
1.1 Escolher o esquema de ponderação entre as VL
1.2 Calcular os pesos entre as VL
• 2 Inner aproximation (estrutural)
a) Calcular os novos escores das VL com base nas outras VL do modelo e pesos estruturais
b) Padronizar os novos escores das VL
• 3 Outer weights estimations (mensuração)
a) Estimar os coeficientes do modelo de mensuração (formativo como regressão múltipla e reflexivo como
regressões simples).
• 4 Outer approximation (mensuração)
a) Usar os pesos da etapa anterior
b) Calcular os novos escores das VL (outer)
c) Padronizar os escores das VL (Ksiouter).
• 5 Avaliar critério de convergência
a) Estimar os pesos fatoriais (indicator weights) utilizando regressões múltiplas.
b) Somar as diferenças de pesos fatoriais de uma iteração para outra (em módulo)
c) Comparar com o critério de convergência
d) Decidir o próximo passo. (Voltar no passo 1 ou encerrar?).
• Estimar as cargas cruzadas, AVE, confiabilidade...
PLS
Algoritmo para estimar os escores das VL (CHIN; NEWSTED, 1999, p.320)
PLS
Step 0: Initial outside approximation
LV scores estimates obtained by summing up its indicators using equal weights. Multiply
PLS
each estimate with appropriate scaler to assure variance is 1.
Step 1: Calculate Inside Approximation Weight

Use LV scores estimates from previous outside approximation to calculate weights. For
example, under factor weighting, weight equals the correlation of LVi and LVj if structurally
connected, otherwise zero.
Step 2: Perform Inside Approximation

Use weights from previous step and LV score estimates from previous outside approximation
to obtain inside approximation estimates.
Step 3: Calculate Outside Approximation Weights

Use new inside approximation LV scores estimates to calculate weights.
If LV is modeled with reflective indicators (mode A), perform simple regression treating each
indicator as the dependent variable and the LV estimate as the independent variable.
If LV is modeled with formative indicators (mode B), perform multiple regression with LV
estimate as the dependent variable.
Diferente
do critério
de Step 4: Perform Outside Approximation
convergênc Use weights from previous step and LV score estimates from previous inside approximation
ia adotado to obtain new outside approximation estimates.
no Multiply each estimate with appropriate scalar to assure variance is 1.
SmartPLS
Are all outside approximation weights within 0.0001 of the previous estimate? NO
Go to stage 2.
PLS
PLS
Considerações finais
PLS
• Não foi abordada a questão dos testes de significância

estatística, mas lembramos apenas que os valores t (ou p-
value) são calculados por bootstrap, que não supõe
normalidade dos dados.
• Como vimos, a base do algoritmo PLS-PM são regressões
simples e múltiplas (OLS), por isso, a linearidade é uma
questão que continua sendo importante, tanto nas relações
entre as VL quanto nas relações entre os indicadores.
• Outro alerta é feito por Marcoulides e Saunders (2006) quanto
ao tamanho da amostra. PLS-PM é menos “demandante” do
que a MEE baseada em covariâncias (LISREL, AMOS, EQS
etc.), porém, não é possível obter resultados bons com amostra
ruim ou pequena demais.
– Poderíamos fazer uma analogia com estudos de casos em que a escolha
da organização a ser pesquisada foi feita pelo “acesso” e não pela
possibilidade da obtenção de resultados relevantes.
PLS
PLS
Considerações finais
PLS
• Um último “alerta” pode ser dado quanto à possível confusão

de
PLS-R com PLS-PM, como foi feito por Sosik, Kahai e Piovoso
(2009), que trataram ambos como se fossem sinônimos.
– PLS-R ou PLS-Regression foi desenvolvido por Svante Wold (filho do
Herman Wold) e tem sido muito utilizado em Quimiometria
(Chemometrics). É um método para prever uma variável dependente (ou
um conjunto de variáveis dependentes) com base em outro conjunto de
variáveis independentes. Apropriado quando há multicolinearidade e/ou
temos mais casos que variáveis. Tenenhaus (1998, p.186-187) apresenta
um exemplo cujo objetivo era obter um modelo que discriminasse as
células normais das cancerosas. Os dados consistiam em resultados
(156 variáveis) de 16 biópsias (tamanho da amostra).
TENENHAUS, M. La Régression PLS: théorie et pratique. Paris: Éditions Technip,
1998.
Um software freeware para este tipo de análise é o TANAGRA, disponível

em:
<http://eric.univ-lyon2.fr/~ricco/tanagra/en/tanagra.html>.
PLS
PLS
REFERÊNCIAS para entender o algoritmo
PLS
– WOLD, H. Soft Modeling: the basic design and some extensions. In JÖRESKOG,
K. G.; WOLD, H. (Ed.). Systems under indirect observation: causality, structure,
prediction. Part I. New York: North-Holland Publishing Company, 1982. p.1-54.
– BOOKSTEIN, F. L. Data analysis by Partial Least Squares. In FORNELL, C. (Ed.).
A Second Generation of Multivariate Analysis, v.1, Methods. New York:
Praeger Publishers, 1982. p.348-366. [não ajudou muito!].
– LOHMÖLLER, J. Latent variable path modeling with Partial Least Squares.
Heidelberg: Physica-Verlag, 1989. p.27-154.
– CHIN, W. W.; NEWSTED, P. R. Structural Equation Modeling analysis with small
sample using Partial Least Squares. In HOYLE, R. H. (Ed.). Statistical strategies
for small sample research. Thousand Oaks: Sage Publications, 1999. p.307-341.
[muito bom, em especial o fluxograma da p.320].
– TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.; LAURO, C. PLS path modeling.
Computational Statistics & Data Analysis, v.48, p.159-205, 2005. Disponível
em:
<https://studies2.hec.fr/jahia/webdav/site/hec/shared/sites/tenenhaus/acces_anony
me/home/articles/PLS_PM_5.pdf>. Acesso em: 14.07.2009.
– HENSELER, J.; RINGLE, C. M. Applying PLS Path Modeling: introduction and
extensions. [apostila não publicada, curso PLS School]. Potsdam, Germany, 23-
24.nov.2007. [ajudou muito!].
PLS
PLS
REFERÊNCIAS ao título
PLS
– MARCOULIDES, G. A.; SAUNDERS, C. PLS: a silver bullet? MIS

Quarterly v.30, n.2, p.iii-ix, June 2006.
Disponível em:
<http://www.misq.org/archivist/vol/no30/issue2/EdCommentsV30N2.pdf>.
Acesso em 14.07.2009.
[Título interessante, mas a crítica não está no método, mas sim na
amostragem, isto é, justificar o uso do PLS-PM porque a amostra
era pequena].
– SOSIK, J. J.; KAHAI, S. S.; PIOVOSO, M. J. Silver Bullet or

Voodoo Statistics? A Primer for Using the Partial Least Squares
Data Analytic Technique in Group and Organization Research.
Group & Organization Management, v.34, n.1, p.5-36, Feb.
2009.
[Título interessante, mas não citou nenhuma das referências
anteriores, nem mesmo Marcoulides e Saunders.]
PLS
PLS
PLS
ALGORITMO PLS-PM
PLS
PLS
ALGORITMO PLS-PM
PLS
• BIDO, D. S.; SILVA, D.; SOUZA, C. A.; GODOY, A.

S. Mensuração com indicadores formativos nas
pesquisas em administração de empresas: como
lidar com a multicolinearidade entre eles?
Administração: Ensino e Pesquisa, v. 11, n. 2,
p. 245–269, 2010.
• Disponível em:
<http://www.angrad.org.br/_resources/_circuits/arti
cle/article_465.pdf>.
Um exemplo “feito a mão”
PLS
PLS
ALGORITMO PLS-PM
PLS
• Um exemplo foi “feito a mão” na planilha

Excel e explicado no PPT
A planilha contém uma pasta com os dados brutos,

Cinco pastas com as iterações e
Uma pasta com a avaliação dos resultados obtidos.
5.2.2.1_feito_a_mao_explica.ppt
5.2.2.2_feito_a_mao.xls
PLS
PLS
AFC no PLS-PM
PLS
Na AFC, os
coeficientes
estruturais
são
INÚTEIS.
Cuidado
PLS
PLS
AFC no PLS-PM
PLS
Com o esquema de ponderação “factor”,

as relações entre as VL são CORRELAÇÕES mesmo.
RODANDO O MODELO COM
RELAÇÕES ESTRUTURAIS
PLS
PLS
AFC no PLS-PM
PLS
As VL são ligadas de acordo com as hipóteses de

pesquisa.
Deve se usar o esquema de ponderação “PATH”.
O esquema de ponderação CENTROID só é utilizado

se o software não conseguir estimar os parâmetros
com os esquemas anteriores. Além disso, para efeitos
práticos, as diferenças entre eles não é significante.
PLS
PLS
PLS
BOOTSTRAP NO PLS-PM
PLS
PLS
BOOTSTRAP NO PLS-PM
PLS
Bootstrap
PLS
PLS
Bootstrap Methods
PLS
EFRON, B.; TIBSHIRANI, R.

J. An introduction to the
bootstrap. Chapman & Hall /
CRC Press, 1998.
PLS
PLS
Bootstrap Methods
PLS
MOORE, D. S.; MCCABE, G. P.;

DUCKWORTH, W. M.; SCLOVE, S. L.
A prática da estatística empresarial:
como usar dados para tomar decisões.
Rio de Janeiro: LTC, 2005. [cap.18 –
Métodos Bootstrap e testes de
permutação, p.783-840].
Disponível em Inglês em:

<http://bcs.whfreeman.com/ips5e/conte
nt/cat_080/pdf/moore14.pdf>. Acesso
em: 02.05.2009.
PLS
PLS
Bootstrap Methods
PLS
PLS
PLS
Bootstrap Methods
PLS
PLS
PLS
Bootstrap Methods
PLS
PLS
PLS
No SmartPLS
PLS
– Cases = tamanho da amostra
– Samples = quantidade de reamostragens

(ideal = infinito; mínimo recomendado = 200)
Mais comum = 1000
– Sign changes = individual ou construct level

PLS
PLS
PLS-PM
PLS
• No SmartPLS:
– Sign changes: When estimating the PLS outer weights from the
resamples, arbitrary sign changes may occur. This implies that also the
loadings and the path coefficients estimated on the resamples may show
arbitrary diferences with respect to the signs of their estimates obtained
on the original sample. If the sign changes are not properly taken into
account, the standard error of estimates increases dramatically without
any real meaning. Therefore, there is a need to make the parameters
Não comparable from a resample to another.
• No sign changes = Resampling statistics are computed without compensating for any
use sign
• change. This option may be very conservative as it may yield very high standard
• errors and, consequently, low t-ratios. Therefore, we do not recommend it.
• Individual changes = The signs in each resample are made consistent with the
• signs in the original sample without ensuring a global coherence. The sign of each
• individual outer weight in the resample is made equal to the sign of the corresponding
Recomendado • ῶjh. This option is not recommend in general because of the lack of global coherence.
por Henseler, • Construct level changes (default) = The vector of loadings for each LV in each resample
Ringle, is compared to the corresponding vector of loadings in the original sample.
Sinkovics
(2009, p.307).
Tenenhaus et al., 2005, p.177
PLS
PLS
No SmartPLS
PLS
Às vezes o software “trava” no bootstrap,

geralmente isso ocorre quando a amostra é muito
pequena ou quando há pouca variabilidade (por
exemplo, quando se usa variáveis do tipo dummy).
Por uma questão de acaso ou “azar” duas

variáveis ficaram com correlação igual a 1 ou – 1.
PLS
PLS
PLS
Avaliação do modelo de mensuração

PLS
PLS
PLS
Conteúdos
• Validade e confiabilidade
• Alfa de Cronbach
• Confiabilidade composta
• Validade convergente no PLS-PM
• Validade discriminante no PLS-PM
• Atenuação da correlação
PLS
PLS
PLS
INDICADORES REFLEXIVOS
• Todos os comentários a seguir são aplicáveis ao

modelos reflexivos.
• Para modelos formativos �
v.61, n.12, dec. 2008

foi uma edição especial que tratou
apenas de indicadores formativos
Validade e confiabilidade
Aspectos do Modelo de
Mensuração
• As propriedades tem maior ou menor grau

de dificuldade em sua mensuração, tais como
– “renda familiar” ou
– “habilidade para solução de problemas”
• Não apenas é um desafio mensurar esses

construtos, mas a qualidade do estudo depende
de que indicadores são selecionados e como
eles se adaptam às circunstâncias
Erros de Mensuração
• A mensuração nunca é exata!!

Existe sempre algum erro associado.
• Os erros podem ser classificados em dois tipos

– Sistemáticos (viés - bias) – distorcem as medidas
consistentemente na mesma direção, e indicam
problemas de validade da medida
– Aleatórios – variam de caso a caso, não possuem
direção ou magnitude definida, e caracterizam a
confiabilidade da medida
Características de uma
Mensuração Adequada
• Validade: “O que foi

medido é realmente o
que se pretendia
medir”?
• Confiabilidade: “Em
que grau a medida
obtida está isenta de
erros aleatórios?”
Validade de Conteúdo
• É o grau em que o conteúdo dos itens

considerados para a medição representa
adequadamente o universo de todos os itens
relevantes sobre o assunto/conceito em estudo
• Maneiras de buscar a validade de conteúdo
– Extensa revisão da bibliografia
– Julgamento ou painéis de especialistas
• É um tipo de validade essencialmente
qualitativo.
Validade do Construto
• A Validade de Construto tem a ver com a

unidimensionalidade do conceito/construto que
está sendo medido
• É o grau em que a operacionalização do
construto foi adequadamente realizada.
• Pode ser avaliada a partir de dois outros tipos

de validade, a validade convergente e a
validade discriminante.
Validade Convergente
• Validade Convergente: é o grau em que os itens

que deveriam estar relacionados teoricamente
estão, de fato, inter-relacionados.
• Formas de Avaliar a Validade convergente

– Indicadores têm carga fatorial alta (> 0,7) em um fator
(construto) e tem significância estatística.
– % de variância extraída > 50%.
Validade Discriminante
• Validade Discriminante: Se uma estrutura mais

simples não puder ser rejeitada, então não faz
sentido avaliar uma mais complexa.
• As correlações entre os construtos não podem
ser muito altas (será que não estamos medindo
apenas um constructo?).
• A substituição por um construto único “piora” o
modelo � Unidimensionalidade
• Pode ser avaliada por emprego da CFA –
Análise Fatorial Confirmatória (um dos usos do
SEM).
Validade Externa
• Validade Externa: é relacionada à possibilidade

de generalização dos resultados para outros
grupos de pessoas, locais ou épocas.
• Como melhorar a Validade Externa (Trochim,
2002):
– Procedimentos adequados de amostragem.
– Procurar descrever em que situações os resultados
desta pesquisa poderiam ser aplicados ou não
(descrever as diferenças de contexto).
– Prover a replicação a pesquisa em outros contextos.
Confiabilidade (reliability)
• A confiabilidade de uma medida é a sua

consistência e estabilidade. Uma medida é
confiável se o mesmo valor for obtido se a
medição for repetida.
• A confiabilidade de um grupo de itens em um

questionário é normalmente avaliada utilizando-
se a estatística Alfa de Cronbach (medida de
consistência interna).
Confiabilidade (reliability)
• Uma medida pode ser confiável, mas não ser

válida.
• Uma medida pode ser válida, mas não confiável

(embora claramente não seja essa a situação
ideal).
Veja a seguinte
analogia
Uma analogia interessante para entender
validade e Confiabilidade (Richard, 1998)
Vamos imaginar
disparos em um
alvo
Medida Confiável,
mas não válida
(erro sistemático)
Medida não confiável (erro

aleatório) , mas válida se muitas
observações forem realizadas
Medida Válida e
Confiável!
Essa situação pode

significar que os
indicadores estão
medindo dois
conceitos diferentes
Alfa de Cronbach
Lee Joseph Cronbach (1916-2001)
Test “reliability”: its meaning and
determination. p.1-16
Coefficient alpha and the internal

structure of tests.
[v.16, n.3, p.297-334, sep/1951]
Alpha de Cronbach
• Avaliação da consistência interna.
• Cuidado se houver variável com carga

trocada.
• Cautela no uso do alpha quando houver

muitas variáveis no mesmo fator (+ 10).
Alpha de Cronbach
O que é o α de
Referência Como ele é calculado? O que ele mede?
Cronbach?
É a medida de todos os coeficientes meio-a-
meio que resultam das diferentes maneiras de A confiabilidade da consistência interna serve
dividir ao meio os itens da escala. Este para avaliar a confiabilidade de uma escala
MALHOTRA, Naresh coeficiente varia de 0 a 1, e um valor de 0,6 somada, em que vários itens são somados para
K. Pesquisa de ou menos indica confiabilidade insatisfatória formar um escore total. Em uma escala deste tipo,
É uma medida da
Marketing: uma da consistência interna. Uma propriedade cada item mede algum aspecto do construto
confiabilidade da consistência
orientação aplicada. importante do coeficiente alfa é que seu valor medido por toda a escala, e os itens devem ser
interna (p. 264).
3ª Ed. Porto Alegre: tende a aumentar com o crescer do número de consistentes na sua indicação da característica.
Bookman, 2001. itens na escala. Por isto, o coeficiente alga Esta medida de confiabilidade enfoca a
pode ser artificialmente – e inadequadamente consistência interna do conjunto de itens que
– inflacionado pela inclusão de vários itens formam a escala (p. 265).
redundantes da escala (p. 265).
Confiabilidade é o grau em que uma variável ou
Medida de confiabilidade que
um conjunto de variáveis é consistente com o que
varia de 0 a 1, sendo os
se pretende medir. Se múltiplas medidas são
valores de 0,60 a 0,70
Uma questão na avaliação do alfa de realizadas, as medidas confiáveis serão muito
considerados o limite inferior
Cronback é sua relação positiva com o consistentes em seus valores. É diferente de
de aceitabilidade (p. 90).
HAIR JR., Joseph F.; número de itens na escala. Como o aumento validade, no sentido de que não se relaciona com
et al. Análise do número de itens, mesmo com um grau o que deveria ser medido, mas com o modo como
Medida comumente usada de
multivariada de igual de intercorrelação, aumenta o valor da é medido (p.90).
confiabilidade para um
dados. 5a Ed. Porto confiabilidade, os pesquisadores devem fazer
conjunto de dois ou mais
Alegre: Bookman, exigências mais severas para escalas com A escala múltipla reduz o erro de medida usando
indicadores de construto. Os
2005. muitos itens. Além disso, estão disponíveis indicadores (variáveis) múltiplos para reduzir a
valores variam de 0 a 1, com
medidas de confiabilidade a partir da análise dependência sobre uma única resposta. [...] A
as medidas mais altas
fatorial confirmatória (p. 112). escala múltipla, quando corretamente construída,
indicando maior
combina os múltiplos indicadores em uma só
confiabilidade entre os
medida que representa o que acontece em comum
indicadores. (p. 466).
no conjunto de medidas (p. 111).
Alpha de Cronbach
Referência O que é o α de Como ele é calculado? O que ele mede?
Cronbach?
GERBING, David W.; p(r )
ANDERSON, James =
1 + ( p - 1)r
C. An updated
paradigm for scale
development p = número de itens na escala Artigo propõe que a confiabilidade deveria ser
incorporating r = média das correlações sem a diagonal avaliada depois que a unidimensionalidade tenha
unidimensionatity and No cálculo do coeficiente alfa já é assumido sido aceitavelmente estabelecida (p. 190).
its assessment. que:
Journal of marketing 1) os itens já formam um conjunto
research. Vol. XXV, unidimensional;
p. 186-192, May 1988. 2) os itens têm igual confiabilidade (p. 190)
2
=
k æç1 - å  ö÷
i
Medida usada para avaliar a consistência interna
k - 1ç
è x2 ÷
ø de um conjunto de itens (p. 185).
k = número de itens na escala

PETT, Marjorie A.;
LACKEY, Nancy R.; å i2 = soma das variâncias dos itens Obs.: Para itens com score dicotômico é indicada
SULLIVAN, John J. Esta medida de x2 = Variância do score composto da escala a fórmula de Kuder-Richardson (KR-20) (p. 187)
Making Sense of confiabilidade representa a
proporção da variância total (p. 185)
factor analysis: the
use of factor analysis em uma dada escala que pode
2 =
k æ ç1 - å pi qi ö
÷
for instrument ser atribuída a uma fonte
=
k æ ç1 - å i
ö
÷ (p. 186) k - 1 çè x2 ÷ ø
development in health comum (apud DeVellis, k - 1 çè
care research. USA: 1991). å  +
i
2
2 å ÷ø
 ij
SAGE Pulications, ij = covariâncias entre os pares de itens pi = proporção de respondentes que tiveram um
2003. Se a correlação entre os itens é baixa, a soma score de 1 no item i.
das covariâncias entre os pares de itens será qi = proporção de respondentes que tiveram um
(å )
baixa 2 ij será próximo de zero , a razão score de 0 no item i.
das duas variâncias será próxima de 1 e alfa será
próximo de zero (p. 186).
Correlações
Alpha de Cronbach médias de 0,1 a
0,5.
INFLACIONANDO O ALPHA p(r )

=
1 + ( p - 1)r
1,200
1,000
Alpha de Cronbach
0,800
0,600
0,400
Esta fórmula é uma
0,200 simplificação, assume que as
variâncias dos itens são iguais
(PETT et al, 2003, p. 186).
0,000
0 5 10 15 20 25 30
quantidade de itens na escala
Alpha de Cronbach
• Não é necessário muito esforço para

encontrarmos artigos publicados com dois
tipos de problemas:
– Alpha “geral” calculado para todas as
variáveis, mesmo estando em fatores
diferentes.
– Quantidade muito grande de variáveis em um
fator, inflacionando o valor do Alpha.
– A seguir são dados dois exemplos.
Artigos publicados – 1º
O que você acha desses resultados ?

RIBEIRO, Lore M. M.;

GUIMARÃES, Tomás A.;
SOUZA, Eda C. L.
Remuneração por competências: o ponto de vista

de gestores de uma organização financeira estatal.
RAM – Revista de Administração Mackenzie.

Ano 4, n.2, p. 135-154.
... escala com 19 itens ...
Com 19 itens, qual a correlação média para atingir esse alfa?

Confiabilidade Composta
Modelo reflexivo – confiabilidade
• Alfa de Cronbach é indicado quando se usa

“escalas somadas”, ou seja, o escore fatorial
da VL é calculado como uma soma ou média
dos seus indicadores.
• No contexto de equações estruturais, a

confiabilidade composta é a medida mais
recomendada (a seguir).
Modelo reflexivo – confiabilidade
• Confiabilidade composta do construto ≥ 0,7
Apenas para
indicadores (Si )2
reflexivos Conf =
(CHIN, 1998;
FORNELL,
(Si ) 2
+ S var(i )
LARCKER, 1981)
var(i ) = 1 - i2
Fornell, C. & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and
measurement error. Journal of Marketing Research, 18 (1), 39-50.
Validade convergente
no PLS-PM
Modelo reflexivo – validade convergente
• Cargas fatoriais � λ ≥ 0,7 (p < 0,05)
• Variância Média Extraída ≥ 50% Bootstrap para

avaliar a
2
S I
probabilidade de
AVE = 2 significância
SI + S var(i )
Apenas para indicadores reflexivos

(CHIN, 1998; FORNELL, LARCKER, 1981)
Itens com cargas fatoriais baixas (menores que 0,7)
VME será menor que 0,5 Se a confiabilidade

Validade convergente baixa composta for menor que 0,7
Se a raiz quadrada da VME for

As correlações entre as VL
menor que as correlações entre as
serão muito subestimadas
VL, a validade discriminante
(atenuação).
também estará comprometida.
O que fazer com os itens com cargas fatoriais baixas?
Deixá-los no modelo Retirá-los do modelo

Melhora a validade
Validade e confiabilidade convergente, discriminante e
comprometidas e correlações entre as confiabilidade, mas diminui a
VL muito subestimadas. validade de conteúdo.
Aqui vai sugestão com base na prática de pesquisa e considerando que a confiabilidade
composta é superior a 0,7, não achei referência... (BIDO).
Cargas fatoriais VME Decisão provável

λ ≥ 0,7, p < 0,05 VME ≥ 0,5 Ok
Alguns itens com cargas baixas, mas na média,

está Ok. Mantendo o máximo possível de itens,
λ < 0,7, p < 0,05 VME ≥ 0,5
garante-se a validade de conteúdo e torna o
modelo mais generalizável.
Alguns itens com cargas baixas, não atingindo

50% de variância extraída. Se forem eliminados os
itens com cargas mais baixas a VME aumentará (o
que também ajuda na validade discriminante), mas
λ < 0,7, p < 0,05 VME < 0,5
perde-se na validade de conteúdo, na
generalizabilidade ,e mudou-se de um contexto
confirmatório (T � E) para um contexto exploratório
(T � E), o que demanda uma amostra de validação.
Itens não-significantes deveriam ser eliminados do

modelo de mensuração, mas é importante
λ < 0,7, p > 0,05 VME < 0,5
entender o que ocorreu. Faltou validade de face?
Wording não estava adequado aos respondentes?
Dados X Teoria – novamente
• O ideal é que já existam escalas válidas

para mensurar as VL.
• Quando modificamos o modelo para se
ajustar aos dados, estamos no contexto
exploratório, independente de ser AFC ou
MEE.
• Se isso é feito, deveríamos coletar uma
nova amostra para a validação do modelo.
Validade discriminante
no PLS-PM
Validade discriminante
0,677083 = 0,823
Para VL com indicadores reflexivos, se a raiz quadrada

FORNELL e LARCKER
da AVE é maior que as correlações entre as demais VL,
(1981)
quer dizer que há Validade Discriminante.
Indicadores com cargas altas (>0,7) em suas VL e Cargas altas em
cargas baixas nas demais VL (cross-load). Validade suas VL indica
discriminante (CHIN, 1998), para indicadores reflexivos Validade
convergente
Exemplo de formatação para avaliar a validade discriminante
PLS
PLS
PLS
SALISBURY, D.; CHIN, W. W.;

GOPAL, A. NEWSTED, P. R.
Research report: Better theory
through measurement--
developing a scale to capture
consensus on appropriation.
Information Systems
Research, v.13, n.1, p.91-103,
Mar 2002.
Atenuação da correlação
• How will validity be affected by less than perfect

scale reliability? The random error portion of the
scale is unlikely to correlate with some external
criterion. Therefore, if the proportion of true
score in a scale is only 60% (that is, the reliability
is only .60), then the correlation between the
scale and the criterion variable will be
attenuated, that is, it will be smaller than the
actual correlation of true scores. In fact, the
validity of a scale is always limited by its
reliability.
http://www.statsoft.com/textbook/streliab.html
• Given the reliability of the two measures in a

correlation (i.e., the scale and the criterion
variable), we can estimate the actual correlation
of true scores in both measures. Put another
way, we can correct the correlation for
attenuation:
• rxy,corrected = rxy /(rxx*ryy)½
• rxy,corrected = rxy /(rxx*ryy)½

• In this formula, rxy,corrected stands for the corrected
correlation coefficient, that is, it is the estimate of
the correlation between the true scores in the
two measures x and y. The term rxy denotes the
uncorrected correlation, and rxx and ryy denote
the reliability of measures (scales) x and y. You
can compute the attenuation correction based on
specific values, or based on actual raw data (in
which case the reliabilities of the two measures
are estimated from the data).
• Nunnally e Bernstein (1994, p.240-241, 256-258)

explicam como calcular a correlação
desatenuada, mas destacam (p.265) que esse
procedimento deveria ser usado como uma
forma de avaliar o aumento na correlação se a
escala fosse totalmente confiável e sugere que
esforços deveriam ser feitos (usar mais
indicadores) para se atingir um mínimo de 0,9.
NUNNALLY, J. C.; BERNSTEIN, I. H. Psychometric Theory.

3rd Ed. New York: McGraw-Hill, Inc., 1994.
• há atenuação da correlação (com poucos

indicadores ou baixa confiabilidade, há
tendência das correlações entre as
variáveis latentes serem subestimadas).
Exemplo a
seguir 383
Dados reais.
LISREL (não
viesado)
Φ = 0,85
384
385
PLS
PLS
PLS
AVALIAÇÃO DO MODELO
ESTRUTURAL
PLS
PLS
PLS ESTRUTURAL
• Conteúdos
– Coeficientes estruturais
– Path analysis: Efeito direto, indireto e total
– R2 e R2 ajustado
– Magnitude do R2
– Validade de critério e nomológica
– Correlações entre as VL
– Goodness-of-fit (GoF)
PLS
PLS
PLS ESTRUTURAL
• Apesar dos resultados serem

apresentados de uma só vez no software,
é importante avaliar o modelo de
mensuração antes de considerar os
resultados relativos ao modelo estrutural.
PLS
PLS
PLS ESTRUTURAL
Coeficientes estruturais
Path coefficients
Coeficientes de regressão padronizados
Betas
PLS
PLS
PLS ESTRUTURAL
Se houve coeficientes
não-significantes, o
• Coeficientes estruturais poder estatístico era
superior a 0,8?
– Significante? (bootstrap)
– Sinal coerente com hipóteses?
– Magnitude (significância prática)?
PLS
PLS
PLS ESTRUTURAL
• Coeficientes estruturais
– Se há multicolinearidade, mesmo que pequena,

alguns coeficientes podem ser não-significantes ou até
apresentarem sinais contrários à sua correlação, o que
é conhecido como efeito de supressão na regressão
múltipla. Detalhes em Cohen et al. (2003, p.77) e Bido
et al. (2009).
– BIDO, D. S.; SILVA, D.; SOUZA, C. A.; GODOY, A. S. Indicadores Formativos na Modelagem
em Equações Estruturais com Estimação via PLS-PM: Como Lidar com a Multicolinearidade
Entre Eles? II Encontro de Ensino e Pesquisa em Administração e Contabilidade. EnEPQ
2009. Curitiba, ANPAD, 2009.
– COHEN, J.; COHEN, P.; WEST, S. G.; AIKEN, L. S. Applied Multiple
Regression/Correlation Analysis for the Behavioral Sciences. 3rd Ed. New Jersey:
Lawrence Erlbaum Associates, Publishers, 2003.
PLS
PLS
PLS-PM
PLS
Path analysis
PLS
PLS
PLS-PM
PLS
• Path analysis
– Efeito direto
– Efeito indireto
– Efeito total
– Exemplo � ECSI no SmartPLS

Efeitos totais no SmartPLS
Complaints Expectation Image Loyality Quality Satisfaction Value
Complaints 0 0 0 0,0659 0 0 0
Expectation 0,2199 0 0 0,2163 0,5583 0,4165 0,3641
Image 0,0959 0 0 0,2919 0 0,1816 0
Loyality 0 0 0 0 0 0 0
Quality 0,3272 0 0 0,3218 0 0,6196 0,5563
Satisfaction 0,5281 0 0 0,5194 0 0 0
Value 0,1026 0 0 0,1009 0 0,1942 0
Qual o efeito direto, indireto e

total da Qualidade percebida
na satisfação?
Complaints 0 0 0 0,0659 0 0 0
Expectation 0,2199 0 0 0,2163 0,5583 0,4165 0,3641
Image 0,0959 0 0 0,2919 0 0,1816 0
Loyality 0 0 0 0 0 0 0
Quality 0,3272 0 0 0,3218 0 0,6196 0,5563
Satisfaction 0,5281 0 0 0,5194 0 0 0
Value 0,1026 0 0 0,1009 0 0,1942 0
Efeito direto = 0,5116

Efeito indireto = 0,5563 * 0,1942 = 0,1080
Efeito total = 0,5116 + 0,1080 = 0,6196

Complaints 0 0 0 0,0659 0 0 0
Expectation 0,2199 0 0 0,2163 0,5583 0,4165 0,3641
Image 0,0959 0 0 0,2919 0 0,1816 0
Loyality 0 0 0 0 0 0 0
Quality 0,3272 0 0 0,3218 0 0,6196 0,5563
Satisfaction 0,5281 0 0 0,5194 0 0 0
Value 0,1026 0 0 0,1009 0 0,1942 0
Exercício: Qual o efeito

direto, indireto e total da
Expectativa na
satisfação?
PLS
PLS
PLS-PM
PLS
R 2 e R2 ajustado
PLS
PLS
PLS ESTRUTURAL
• R2 e R2 ajustado
– Se houver muitas VL preditoras da mesma VL e

amostra for pequena, é recomendado calcular o R2
ajustado.
PLS
PLS
Calculando R2 e R2 ajustado
PLS
• ypred = cte + b1 x1 + b2 x2
R yyˆ = R y .12
ry1 = correlação entre y e x1
R y2yˆ = R y2.12 = 1ry1 + 2 ry 2
1 = coeficiente de regressão parcial padronizado

PLS
PLS
Calculando R2 e R2 ajustado
PLS
• Como comparar modelos com diferentes

quantidades de variáveis independentes?
• Já que há uma tendência do aumento do R2

quando se acrescenta variáveis
independentes, mesmo quando possui baixa
influência sobre a variável dependente!
Se a variável acrescentada não
melhora a predição (R2),
R2 ajustado vai diminuindo ...
R 2 2
=R -
(
p ×1 - R 2
) E se o tamanho da amostra for
pequeno, a diminuição do R2
Ajustado
n- p- 1 será maior ainda..!!
R2 = 0,5 sendo ajustado
0,600 n = 10
n = 20
0,500
n = 30
R2 ajustado
0,400
n = 50
0,300 n = 75
0,200 n = 100
n = 150
0,100
n = 200
0,000
n = 300
0 5 10 15 20 25 30
n = 500
Quantidade de variáveis independentes ( p ) n = 1000
PLS
PLS
PLS-PM
PLS
Magnitude do R2
PLS
PLS
Magnitude do R2
PLS
PLS
PLS
Magnitude do R2
PLS
PLS
PLS
Magnitude do R2
PLS
PLS
PLS
Magnitude do R2
PLS
REFERÊNCIAS
BUCHNER, A. ERDFELDER, E.; FAUL, F.; LANG, A. Software G*Power, versão 3.0.3.
Germany: Universidade Kiel, 2006. Disponível em: < http://www.psycho.uni-
duesseldorf.de/abteilungen/aap/gpower3/>. Acesso em: 04/07/2010.
CHIN, W. W. The Partial Least Squares Approach to Structural Equation Modeling. In

MARCOULIDES, G. A. (Ed.). Modern Methods for Business Research. New Jersey:
Lawrence Erlbaum Associates, Publisher, 1998, p..295-336.
COHEN, J. Statistical Power Analysis for the Behavioral Sciences. Revised Edition.
New York: Academic Press, 1977.
HAIR JR., J.F.; BABIN, B.; MONEY, A.H.; SAMOUEL, P. Fundamentos de métodos
de pesquisa em Administração. Porto Alegre: Bookman, 2005.
HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The use of partial least squares
path modeling in International Marketing. Advances in International Marketing, v.20,
p.277-319, 2009.
PLS
PLS
PLS-PM
PLS
Validade de critério
e nomológica
PLS
PLS
Validade de critério
PLS
e nomológica
• Validade de critério: uma VL consegue

prever outra VL (como era esperado)
• Validade nomológica: a VL sob estudo, se

comporta no modelo (antecedentes e
consequentes) como era esperado.
• NETEMEYER, R. G.; BEARDEN, W. O.; SHARMA, S. Scaling

Procedures: Issues and applications. Thousand Oaks, Sage
Publications, Inc., 2003. [ver p.13, 82-83].
PLS
PLS
PLS
SALISBURY, D.; CHIN, W. W.;

GOPAL, A. NEWSTED, P. R.
Research report: Better theory
through measurement--
developing a scale to capture
consensus on appropriation.
Information Systems
Research, v.13, n.1, p.91-103,
Mar 2002.
PLS
PLS
PLS-PM
PLS
Correlações entre as VL
PLS
PLS
PLS
• Na AFC temos apenas as correlações entre

as VL para serem comentadas (lembrando
que os coeficientes estruturais são inúteis e
mudam dependendo do sentido das setas).
• Mesmo nos modelos completos (com
relações estruturais), às vezes, as
correlações nos auxiliam na interpretação dos
resultados obtidos, por exemplo, na detecção
de multicolinearidade.
• Então, o que é uma correlação pequena ou
grande?
PLS
PLS
PLS
• Cohen (1977, p.78)

• “O fato é que o estado de desenvolvimento de muito da ciência
comportamental é tal que não muito da variância da variável
dependente é explicável (predictable). Isto é essencialmente outro
modo de dizer o óbvio: que a ciência comportamental,
coletivamente, não é tão avançada como as ciências físicas. Na
última, nós podemos freqüentemente explicar mais de 99% da
variância da variável dependente, por exemplo, na mecânica
clássica.”
• Tamanho do efeito (COHEN, 1977, p.83):

• Pequeno � r = 0,10
• Médio � r = 0,30
• Grande � r = 0,50
PLS
PLS
PLS
Pett, Lackey e Sullivan (2003, p. 60) apresentam

a tabela 3.1 como de autoria de Hinkle, Wiersma
e Jurs (1998) e Pett (1997).
Weak � 0,00 a 0,29

Low � 0,30 a 0,49
Moderate � 0,50 a 0,69
Strong � 0,70 a 0,89
Very Strong � 0,90 a 1,00
PLS
PLS
PLS
Hair Jr.; Babin, Money e Samouel (2006, p. 312)

não citam outras fontes (deve ser deles
mesmos…)
Leve, quase imperceptível � 0,01 a 0,20

Pequena, mas definida � 0,21 a 0,40
Moderada � 0,41 a 0,70
Alta � 0,71 a 0,90
Muito forte � 0,91 a 1,00
PLS
PLS
PLS
A classificação de Cohen (1977) é relativa porque leva em conta o campo da

ciência (comportamento humano, psicologia) em que as correlações estão
sendo usadas, então, explicar 25% da variância da variável dependente já é
considerado um efeito forte.
As outras duas classificações podem ser entendidas mais em caráter

absoluto, independente do campo da ciência em que a correlação está sendo
usada.
Como é uma convenção, o melhor seria seguir a recomendação do Cohen

(1977, p. 79):
“Um leitor que acha que o que aqui foi definido como ‘grande’ é muito
pequeno (ou muito grande) para atender aquilo que sua área da ciência
do comportamento considera como normas apropriadas, é necessário
se fazer definições operacionais mais adequadas. O que são oferecidas
abaixo são definições para uso quando ninguém mais as sugere, ou
como convenções.”
PLS
PLS
PLS
• COHEN, Jacob. Statistical Power Analysis for the Behavioral

Sciences. (Revised Edition). New York, Academic Press, 1977.
• PETT, Marjorie A.; LACKEY, Nancy R.; SULLIVAN, John J.

Making Sense of Factor Analysis: the use of factor analysis
for instrument development in health care research.
California: Sage Publications, 2003.
• HAIR Jr., Joseph F.; BABIN, Barry; MONEY, Arthur H.;

SAMOUEL, Phillip. Fundamentos de Métodos de Pesquisa
em Administração. Porto Alegre: Bookman, 2006.
PLS
PLS
PLS-PM
PLS
Goodness-of-fit (GoF)
PLS
PLS
Goodness-of-fit (GoF)
PLS
TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.; LAURO, C. PLS path

modeling. Computational Statistics & Data Analysis, v.48, p.159-
205, 2005. (p.173) --> disponível !
PLS
PLS
PLS
ONDE
obter ajuda?
PLS
PLS
PLS-PM
PLS
Dicas para
aprofundar o
estudo
PLS
PLS
Ao ler artigos metodológicos...
PLS
Artigos sobre Modelagem em

Artigos sobre PLS-PM
Equações Estruturais (em geral)
VL com indicadores reflexivos Mode A

VL com indicadores formativos Mode B
Modelo estrutural Inner
Modelo de mensuração Outer
Carga fatorial Outer loading
Peso fatorial Outer weight
Coeficiente estrutural Path coefficient
PLS
PLS
PLS-PM
PLS
BIDO, D. S.; SILVA, D.; SOUZA, C. A.; GODOY, A. S. Mensuração com indicadores
formativos nas pesquisas em administração de empresas: como lidar com a
multicolinearidade entre eles? Administração: Ensino e Pesquisa, v. 11, n. 2, p. 245–
269, 2010. Disponível em:
<http://www.angrad.org.br/_resources/_circuits/article/article_465.pdf>.
GARSON, G. D. Partial Least Squares: regression and path modeling. Asheboro, NC:
Statistical Publishing Associates, 2012. [Kindle – US$5,00]
HAIR, J. F.; RINGLE, C. M.; SARSTEDT, M. PLS-SEM: indeed a silver bullet. The
Journal of Marketing Theory and Practice, v. 19, n. 2, p. 139–152, 2011.
HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The use of partial least squares path
modeling in International Marketing. Advances in International Marketing, v.20, p.277-
319, 2009. (mais "amigável" e completo, possui 130 referências)
TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.; LAURO, C. PLS path modeling.
Computational Statistics & Data Analysis, v.48, p.159-205, 2005. (não é muito
"amigável", mas é bem completo) --> disponível !
www.smartpls.de
PLS
PLS
PLS
AVANÇADO
PLS
PLS
AVANÇADO
PLS
• Conteúdos
– VL de ordem superior
– Common Method Bias
– Variável mediadora
– Variável moderadora
– R2 e R2 ajustado
– Multi-grupos: heterogeneidade observável (a priori)
– Heterogeneidade não-observável (FIMIX)
– Mapa de prioridade
PLS
PLS
PLS-PM
PLS
VL de 2ª ordem
WETZELS, M. et al. Using PLS path modeling for assessing hierarchical
construct models: guidelines and empirical illustration. MIS Quarterly, v.33,
n.1, p.177-195, March 2009. [ver p.181]
PLS
PLS
PLS-PM
PLS
Common Method Bias

• Common method bias
– Liang et al. (2007)
Artifício para
poder estimar
o modelo no
PLS
Essa VL tem como indicadores, todos os
indicadores usados no modelo original (reutiliza
os indicadores como é feito com VL de 2ª ordem)
e está conectada aos indicadores de todas as outras
VLs, não foi incluída a figura com esse modelo no
artigo por questão de espaço e também porque ficou
muito “poluída”, com excesso de setas e números.
Common Method Bias
PODSAKOFF, P.M.; MACKENZIE, S.B.; LEE, J.; PODSAKOFF, N.P. Common
method biases in behavioral research: a critical review of the literature and
recommended remedies. Journal of Applied Psychology. v.88, n.5, p.879-903,
2003.
LIANG, H.; SARAF, N.; HU, Q.; XUE, Y. Assimilation of enterprise systems: the effect
of institutional pressures and the mediating role of top management. MIS Quarterly.
v. 31, n. 1, p. 59-87, 2007. (p.85-87)
SPECTOR, P. A. Method Variance in Organizational Research: Truth or Urban

Legend? Organizational Research Methods, v.9, n.2, p.221-232, apr.2006.
CHIN, W. W.; THATCHER, JASON B; WRIGHT, R. T. et al. Controlling for Common

Method Variance in PLS Analysis : The Measured Latent Marker Variable Approach.
7th Internationsl Conference on Partial Least Squares and Related Methods. Anais...
p.1–8, 2012. Houston, Texas.
CHIN, W. W.; THATCHER, JASON BENNETT; WRIGHT, R. T. Assessing common

method bias: problems with the ULMC technique. , v. 36, n. 3, p. 1003–1019, 2012.
JOHNSON, R. E.; ROSEN, C. C.; DJURDJEVIC, E. Assessing the impact of

common method variance on higher order multidimensional constructs. The Journal
of applied psychology, v. 96, n. 4, p. 744–61, 2011.
PLS
PLS
PLS-PM
PLS
Variável mediadora
PLS
PLS
PLS-PM
PLS
• Variável mediadora (exemplo)
– GOLDBERG, C. B.; WALDMAN, D. A. Modeling

employee absenteeism: Testing alternative measures
and mediated effects based on job satisfaction.
Journal of Organizational Behavior, v. 21, n.6, p.665-
676, sep. 2000.
PLS
PLS
PLS-PM
PLS
Variável moderadora
Indicadores
reflexivos
(Mode A)
CHIN, MARCOLIN, NEWSTED (1996, p. 28)
CHIN, Wynne W.; MARCOLIN, Barbara L.;

NEWSTED, Peter R. A partial least squares
latent variable modeling approach for
measuring interaction effects: results from
a Monte Carlo simulation study and voice
mail emotion/adoption study. Proceedings
of the seventeenth international conference
on information systems. Ohio, dec/1996.
Disponível em: <http://disc-

nt.cba.uh.edu/chin/icis96.pdf>. Acesso em
03/07/2010.
PLS
PLS
PLS-PM
PLS
• Variável moderadora (exemplo)
– SIMPSON, D.; POWER, D.; SAMSON, D. Greening the

automotive supply chain: a relationship perspective.
International Journal of Operations & Production
Management, V. 27, N.1, P.28-49, 2007..
PLS
PLS
PLS-PM
PLS
PLS
PLS
Efeito moderador e mediador
PLS
CARTE, T. A.; RUSSEL, C. J. In pursuit of moderation: Nine

common errors and their solutions. MIS Quarterly, v.27, n.3, p.479-
501, sep. 2003.
BARON, R. M.; KENNY, D. A. The Moderator-Mediator Variable

Distinction in Social Psychological Research: Conceptual, Strategic,
and Statistical Considerations. Journal of Personality and Social
Psychology. 1986, v. 51, n. 6, p.1173-1182.
MACKINNON, D. P.; LOCKWOOD, C. M.; HOFFMAN, J. M.; WEST,

S. G. SHEETS, V. A Comparison of Methods to Test Mediation and
Other Intervening Variable Effects. Psychological Methods, v.7, n.
1, p. 83-104, 2002.
PLS
PLS
PLS-PM
PLS
Lidando com a heterogeneidade

PLS
PLS
Multi-grupos
PLS
• QURESHI, I.; COMPEAU, D. Assessing between-group

differences in information systems research: a
comparison of covariance- and component-based SEM.
MIS Quarterly, v. 33, n. 1, pp. 1-XXX, Mar. 2009.
• CHIN, W. W. A permutation procedure for multi-group
comparison of PLS models. In PLS and related methods.
Proceedings of the PLS’03 International Symposium,
2003.
exemplo
• KEIL, M; TAN, B. C. Y.; WEI, K.; SAARINEN, T.;
TUUNAINEN, V.; WASSENAAR, A. A cross-cultural
study on escalation of commitment behavior in software
projects. MIS Quarterly, v.24, n.2, p.299-325, Jun 2000.
PLS
PLS
Heterogeneidade não-observável
PLS
• Quando se compara o mesmo modelo

entre grupos diferentes (p. ex., nacional X
estrangeiro), se trata de uma
“heterogeneidade a priori” e é tratado
como multi-group analysis (caso anterior).
PLS
PLS
PLS
Não
observada
• O software SmartPLS possui um
algorítimo (FIMIX-PLS) capaz de
identificar a heterogeneidade a posteriori
ou seja, identifica clusters.
• Os segmentos obtidos são homogêneos
em termos das relações do modelo.
• Uma das aplicações é a segmentação dos
respondentes.
PLS
PLS
PLS
CAPTURING CUSTOMER HETEROGENEITY USING A FINITE

MIXTURE PLS APPROACH. Carsten Hahn; Michael D Johnson;
Andreas Herrmann; Frank Huber Schmalenbach Business Review :
ZFBF; Jul 2002; 54, 3.
Finite-Mixture Structural Equation Models for Response-Based

Segmentation and… Kamel Jedidi; Harsharanjeet S Jagpal; Wayne
S DeSarbo. Marketing Science; Winter 1997; 16, 1.
Finite Mixture Partial Least Squares Analysis: Methodology and

Numerical Examples. Christian M. Ringle, Sven Wende, and
Alexander Will. http://www.ibl-unihh.de/ringle_wende_will_PLS-
Handbook.pdf.
PLS
PLS
Mapa de prioridade
PLS
Martensen, Anne ; Grønholdt, Lars. / Improving

Library Users' Perceived Quality, Satisfaction and
Loyalty : An Integrated Measurement and
Management System. In: Journal of Academic
Librarianship. 2003 ; Vol. 29, No. 3, p. 140-147
Grønholdt, Lars ; Martensen, Anne. / Validating

and applying a customer-based brand equity
model. 2004. s. 8 Konferencen: Tthe 33rd EMAC
Conference, nr. 33, Murcia, Spanien, 18. maj
2004 - 21. maj 2004.
Muito
obrigado
Mesmo se gostou,
sugestões e
críticas são +/- diogenesbido@yahoo.com.br
bem-vindas. Gostou?
sim
Indique para os
amigos !
Muito obrigado
• Prof. Dr. Diógenes de Souza Bido
• diogenesbido@yahoo.com.br

Modelagem Equacoes Estruturais PDF

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Modelagem Equacoes Estruturais PDF

Caricato da

Copyright:

Formati disponibili

PLS

Modelagem em equações estruturais

SmartPLS (necessário se cadastrar, mas é free) = www.smartpls.de

• Vinculado ao projeto “MODELAGEM EM

• Nessa jornada de estudar e aplicar a Análise

– Arilda Schmidt de Godoy

– TENENHAUS, M.; VINZI, V. E.; CHATELIN, Y.;

– BIDO, D. S.; GODOY, A. S.; ARAUJO, B. F. V. B.;

Wold (1969) e Lohmöller (1989, p.13-

Conteúdo empírico não é totalmente explicado pela

Erro de mensuração, erro de previsão, flutuação

Conteúdo teórico é parcialmente uma função do

Por exemplo: Se T é o conceito teórico “Inteligência”, e E

• IQ = intelectual achievement, abilities of the

• Environment = learning environment at home

JÖRESKOG, K. G.; SÖRBOM, D. LISREL 8: structural equation modeling with

• “... aprenda com seus dados, mas não

• “... quem ama a prática sem a teoria é

Variável Observável, indicador

• Diferentemente de outras técnicas de

0,85 0,51 0,78

0,85 0,51 0,78

0,85 0,51 0,78

0,85 0,51 0,78

Recalculating Happiness in a Himalayan Kingdom

Entre a AFE e o LISREL ou

QUAL PESO DAR À TEORIA?

– TEMPLETON, G. E., LEWIS, B. R., SNYDER,

Perspectiva Distribuição informação

tab.4 (p.194-196) tab.5 (p.199-200)

Knowledge Acquisition Awareness

Organizational Memory Organizational grafting

tab.4 (p.194-196) tab.5 (p.199-200)

Knowledge Acquisition Awareness

Organizational Memory Organizational grafting

tab.4 (p.194-196) tab.5 (p.199-200)

Knowledge Acquisition Awareness

… fizesse AFC, poderia

propostos pela teoria

Organizational Memory Organizational grafting

• Watkins & Marsick: Dimensions of the Learning

• CORREA, E. A.; GUIMARÃES, T. A. Cultura de

– SILVA FILHO, A. I. Mecanismos de aprendizagem em organizações: desenvolvimento e

A partir da mesma pesquisa foram elaborados os 4

N = 195 empresas espanholas com mais de 200

Cultura colaborativa Inovação

A amostra de LPO foi coletada no nível da

A amostra de SF foi coletada no nível do indivíduo

Pode ser uma “crítica” ...

Pode ser um “mérito” se considerarmos a tentativa de aplicar o

Interpretação 5 (1ª metade)

Interpretação 5 (2ª metade)

Manteve apenas os três

• SEILER, M.J.; SEILER, V.L.; CHIANG, D. Professor, Student, and Course

• MENDES-DA-SILVA, Wesley; BIDO, Diógenes de Souza; FORTE, Denis.

Não é um exemplo aplicado à aprendizagem organizacional, mas

SEILER, M.J.; SEILER, V.L.; CHIANG, D. Professor, Student, and Course

MENDES-DA-SILVA, Wesley; BIDO, Diógenes de Souza; FORTE, Denis.

Porque misturar itens que

Na última etapa da pesquisa o modelo foi

AFC com estimação PLS

Os dados são objetivos,