2-1-1- Analyse thermogravimétrique

É apresentado por Marôco (2014) que o surgimento de pesquisas sobre Equações Estruturais se deu na primeira metade do século XX, quando o pesquisador Sewall Wright (1921, 1934) estudou padrões de covariância e Path Analysis (Análise de Caminhos) em diversas características de porcos Guinea e o pesquisador Charles Spearman (1904) efetuou estudos sobre a Análise Fatorial. Logo então na segunda metade do século XX os pesquisadores Joreskog (1970) Keesling (1972) e Wiley (1973) deram continuação às descobertas de Wright e Spearman e contribuíram para que a Modelagem de Equações Estruturais fosse expandida nas ciências sociais e humanas.

A Análise de Equações Estruturais é uma extensão dos modelos lineares generalizados que considera, de forma explícita, os erros de medida associados às variáveis sob tudo (MARÔCO, 2014). Ao contrário do que se acredita ao ser caracterizada como uma única técnica, o termo modelagem de equações estruturais (MEE), como também é chamada, não designa uma única técnica estatística, mas em vez disso refere-se a uma família de procedimentos relacionados (KLINE, 2011). Tais procedimentos podem ser compreendidos como um conjunto de técnicas de análise estatística multivariada. De forma sucinta, a estatística multivariada é indicada para quando os dados incluem diversas variáveis simultaneamente para análise.

A MEE se refere a uma série de técnicas estatísticas, tais como análise fatorial, modelos de caminho de análise e de regressão, usados para analisar os dados (DE OÑA, 2013). Em termos mais simplistas, a Análise de Equações Estruturais, pode ser descrita como uma combinação das técnicas clássicas de Análise Fatorial (que define um modelo de medida que operacionaliza variáveis latentes ou constructos) e de Regressão Linear (que

estabelece, no modelo estrutural, a relação entre as diferentes variáveis sob estudo) (MARÔCO, 2014).

Para Hair et al. (2005) todas essas técnicas são distintivas por duas características: i) estimar múltiplas e correlacionadas relações de dependência e sua habilidade para representar conceitos não observados nessas relações; e ii) depois explicar o erro de mensuração no processo de estimação. Por isso, Shen, Xiao e Wang (2016) propõe que a metodologia tem vantagem no estudo quantitativo das relações interativas entre variáveis. De acordo com Marôco (2014) a Análise de Modelos de Equações Estruturais (Structural Equation Modelling) ou simplesmente, Análise de Equações Estruturais (AEE) é uma técnica de modelagem generalizada, utilizada para testar a validade de modelos teóricos que definem relações causais hipotéticas entre variáveis. Mais especificamente, vários modelos teóricos podem ser testados em MEE, que faz hipóteses de como os conjuntos de variáveis definem construtos e como estes construtos são relacionados uns aos outros (KLINE, 2011). Para isso, a MEE se utiliza de uma abordagem teórica e constrói todo o seu modelo em cima disso, sendo então a teoria a base da formulação dos construtos, seleção de variáveis e formulação de hipóteses. Dessa forma, a teoria pinta uma enorme responsabilidade quanto à validade do modelo, representando um dos requisitos cruciais para o sucesso na utilização da ferramenta.

Alguns benefícios são apresentados pelos autores quanto ao uso da técnica MEE, Hair (1998) e Marôco (2014) relatam que uma das vantagens existentes é a de ser admitido que o erro de mensuração existe, diferentemente de outras técnicas que comumente ignoram a sua presença. Kline (2011) acrescenta que isso não quer dizer que a MEE pode compensar falhas psicométricas brutas, nenhuma técnica pode, mas esta propriedade empresta uma qualidade mais realista para a análise. De Oña (2013) e Shen, Xiao e Wang (2016) identificam a MEE como uma poderosa técnica de análise multivariada; permitindo a modelagem de um fenômeno em que um conjunto de relações entre as variáveis observadas e não observadas é estabelecida, característica também citada por Marôco (2014).

MEE tem se tornado uma popular abordagem multivariada em um relativo período de tempo. Pesquisadores são atraídos pela MEE porque ela fornece uma maneira conceitualmente atraente para testar uma teoria. Se um pesquisador pode expressar a teoria em termos de relações entre variáveis medidas e variáveis latentes, então MEE

estimará quão bem a teoria se encaixa com a realidade representada pelos dados (HAIR et al., 2009).

Para Kline (2011) o objetivo final da MEE - ou qualquer outro tipo de técnica de modelo de ajuste - é atingir o que ele se refere como a beleza da estatística, o que significa que o modelo final:

1. Tem uma fundamentação teórica clara (ou seja, faz sentido);

2. Diferencia entre o que é conhecido e o que é desconhecido, isto é, qual a gama de conveniência do modelo, ou limites para sua generalidade;

3. Estabelece condições para levantar novos desafios.

De acordo com Marôco (2014), na estatística clássica, o racional é encontrar um modelo teórico que descreva os dados, um modelo que encaixa na estrutura dos dados observada, numa estratégia exploratória, onde o investigador formula e testa hipóteses que pretende demonstrar falsas. De forma oposta, a análise de equações estruturais baseia-se num quadro teórico estabelecido a priori, que apresenta uma hipótese nula que especifica o modelo que acreditasse ser válido. Onde a teoria é o motor da análise. Tendo em vista essa diferenciação, é possível dizer que o caráter confirmatório das pesquisas de equações estruturais é algo comum, apesar de que isso não impossibilita a presença de um caráter exploratório na aplicação.

É possível identificar três enfoques nos estudos e aplicações de equações estruturais explicados por Jöreskog (1993) apud Kline (2011). O primeiro enfoque é o estritamente confirmatório, onde o modelo é testado de acordo com a sua aderência para verificar se os padrões de variação e covariação são consistentes com um modelo previamente especificado, sendo assim o pesquisador tem um modelo único que é aceito ou rejeitado com base na sua correspondência aos dados.

O segundo enfoque é um pouco menos restritivo, considerando os modelos alternativos, onde dois ou mais modelos são testados no intuito de verificar qual o mais adequado. O autor relata que este contexto exige bases teóricas ou empíricas suficientes para especificar mais de um modelo; o modelo em particular com a correspondência aceitável para os dados pode ser mantido, mas o resto será rejeitado.

O terceiro enfoque no desenvolvimento de modelo é provavelmente o mais comum, e ocorre quando um modelo inicial não se encaixa nos dados e é posteriormente modificada

pelo pesquisador sendo em seguida o novo modelo testado em relação aos mesmos dados. Para Kline (2011) o objetivo deste processo é "descobrir" um modelo com três propriedades: que tenha sentido teórico, que seja razoavelmente parcimonioso, e que sua correspondência aos de dados esteja próxima do aceitável.

Em consequência dessa caracterização, Hair et al. (2014) complementa que existem dois tipos de MEE. A MEE baseada em covariância (Covariance-based Structural Equation Modeling – CB-SEM), primariamente usada para confirmar ou rejeitar teorias. Ele faz isso por determinar quão bem um modelo teórico proposto pode estimar a matriz de covariância para um conjunto de dados. Em contraste, o autor cita a modelagem de caminho MEE (Partial Least Square – Structural Equation Modeling), primariamente usada para desenvolver teorias em pesquisas exploratórias. E faz isso focando na explicação da variância em variáveis dependentes quando examina o modelo.