Les défaillances des marchés et les incitations

Na sequencia da confirmação e da identificação do modelo, procede-se a avaliação dos critérios de ajuste do mesmo. Inicialmente, verifica-se a existência de possíveis estimativas transgressoras como, por exemplo, a presença de variâncias negativas, correlações entre construtos muito próximas a 1 e erros padrão muito elevados. Após a confirmação da inexistência de estimativas transgressoras, avalia-se a qualidade de ajuste geral do modelo. Segundo Hoyle (1995), a qualidade de ajuste mede a correspondência da matriz de covariância real ou observada com aquela prevista pelo modelo proposto. Em outras palavras, a qualidade de ajuste determina o quanto o modelo de equações estruturais se ajusta aos dados da amostra (SCHUMACKER e LOMAX, 2004).

Byrne (2013) sugere a análise de diversos índices de ajustamento, de forma a avaliar a adequabilidade do modelo proposto aos dados da amostra. Nesta tese utiliza-se de índices de ajuste absolutos, os quais, segundo Hair et al. (2010), determinam o grau em que o modelo geral prevê a matriz de covariância ou de correlação observada, os quais são: estatística Qui- quadrado (χ²), Root Mean Squares Residual (RMSR), Root Mean Square Error of Aproximation (RMSEA), Goodness-of-Fit Index (GFI) e, índices de ajuste incremental, os quais comparam o modelo proposto com algum modelo de referência: Normed Fit Index (NFI), Comparative Fit Index (CFI), Tucker-Lewis Index (TLI).

3.9.3.5.1. Estatística 2 _{(qui-quadrado)}

Para Hair et al. (2010), esta estatística permite avaliar a significância das diferenças entre a matriz observada (Σ) e a matriz estimada (Σϴ) a partir do teste da hipótese H0: Σ = Σϴ.

A rejeição da hipótese nula indica que a matriz observada e estimada não são iguais. Por outro lado, a não rejeição da hipótese nula indica que as duas matrizes não são estatisticamente

diferentes. Para os autores ao se confirmar a adequação do modelo é necessário obter um valor de 2 _{não-significativo, o qual indica que os dados se ajustam ao modelo.}

Um dos problemas apresentados pela estatística 2 refere-se a sua sensibilidade ao tamanho amostral pois à medida que o tamanho da amostra aumenta (> 200 casos) o teste tende a apresentar resultados significativos para modelos equivalentes. De forma contrária, quando o tamanho da amostra diminui (<100), o teste tende a apresentar probabilidades não significativas. Para minimizar tal problema, alguns pesquisadores têm calculado a razão entre o valor do 2 _{e os graus de liberdade (gl) (}2_/gl).

Segundo Byrne (2013), o qui-quadrado do modelo dividido pelos graus de liberdade é a primeira tentativa de se lidar com o problema da influência do tamanho da amostra. Para Garson (2012) esta normatização é uma tentativa de tornar o qui-quadrado do modelo menos dependente do tamanho da amostra. Carmines e Mclver (1981) afirmam que a relação do qui- quadrado pelos graus de liberdade deve estar na faixa entre 2:1 e 3:1, para o modelo ser aceitável. Já Ullman (2001) descreve que um valor igual ou menor que 2 indica um bom ajuste. Já Schumacker e Lomax (2004) consideram valores até 5 como aceitáveis. Para Ullman (2001) um valor menor que 1 indica que o ajuste do modelo é pobre. Dado que não há consenso na literatura, este trabalho propôs a aceitação de um indicar aceitável entre 1 e 5.

3.9.3.5.2. Root Mean Square Residual (RMSR)

Este indicador corresponde à covariância residual média entre as matrizes observadas e estimadas sendo utilizado para comparar o ajuste de dois modelos diferentes elaborados a partir da mesma base de dados (ver: Schumacker e Lomax (2004) e Hooper et al. (2008)). Os resíduos são os valores pelos quais as variâncias e covariâncias observadas diferem das variâncias e covariâncias estimadas. Quando o ajuste do modelo é perfeito, o RMSR assume valor zero. À proporção que aumenta a discrepância média entre as covariâncias observadas e preditas aumenta, igualmente, o valor do índice. Além disso, pequenos valores indicam que os resíduos do modelo teórico são refletidos nos dados da amostra (KLINE, 2004). O índice RMSR é calculado conforme proposto por Hu e Bentler (1999).

Valores de zero a um são encontrados na literatura para identificar o RMSR, porém, segundo Van de Vijver e Leung (1997) e Hooper et al. (2008) modelos bem ajustados assumem valores inferiores a 0,05. Já Hair et al. (2010) afirmam que em amostras superiores

a 250 observações, valores menores que 0,08 são aceitáveis. Neste trabalho propôs-se a utilização deste último critério.

3.9.3.5.3. Root Mean Square Error of Approximation (RMSEA)

Segundo Garver e Mentzer (1999) o Root Mean Square Error of Approximation (RMSEA) representa a discrepância entre a matriz de covariância observada e estimada pelo grau de liberdade. Este índice difere do Root Mean Square Residual pelo fato da discrepância das matrizes serem mensuradas em termos da população e não da amostra usada para estimação. Valores inferiores a 0,06, conforme sugerida por Hu e Bentler (1999) e a 0,10, proposta por Steiger (2007), parece ser o consenso geral entre os autores para o RMSEA. Em geral, segundo Hooper et al. (2008) e Al-Refaie et al. (2011) um modelo bem ajustado possui limite inferior próximo a zero e o limite superior deverá ser menor que 0,05.

3.9.3.5.4. Goodness-of Fit Index (GFI)

Segundo Schumacker e Lomax (2004), o índice de bondade de ajustamento (Goodness of Fit Index - GFI) mensura a quantidade de variância e covariância da matriz observada que foi predita pela matriz estimada. Em outras palavras, representa o grau geral de ajuste, não sendo ponderada em termos dos graus de liberdade (HAIR et al., 2010). De acordo com Tenenhaus et al. (2004), o índice possui limites entre 0 e 1, em que 1 indica um perfeito ajustamento do modelo. Por outro lado, outros autores, tais como Hu e Bentler (1999), Thompson (2004), Hooper et al. (2008) e Byrne (2013) sugerem valores mais restritivos para o CFI, ou seja, valores maiores que 0,95 para se considerar um modelo ajustado.

3.9.3.5.5. Normed Fit Index (NFI)

Segundo Kline (2004) o Normed Fit Index (NFI) indica a proporção em que o ajuste do modelo proposto foi melhor que o ajuste do modelo nulo. Se o NFI é igual a 0,8, por exemplo, o ajuste total do modelo do pesquisador é 80% melhor que o modelo nulo estimado com a mesma amostra. Para Hair et al. (2010) não existe um valor absoluto definido como aceitável, no entanto, recomenda-se que o NFI possua valores superiores a 0,9. No entanto,

outros autores sugerem valores superiores a 0,95 (Hu e Bentler (1999), Thompson (2004), Hooper et al. (2008) e Byrne (2013)). Nesta tese utiliza-se este último parâmetro.

3.9.3.5.6. Comparative Fit Index (CFI)

Segundo Hair et al. (2010), o Comparative Fit Index (CFI) é uma medida comparativa global entre os modelos estimado e nulo. O valor do índice indica a proporção das covariâncias observadas que podem ser explicadas pelo modelo. Tal índice varia de 0 a 1, sendo que valores superiores a 0,9 são considerados adequados (ver por exemplo: Kline (2004), Garver e Mentzer (1999) e Hair et al.(2010). No entanto, alguns autores consideram que valores maiores que 0,95 servem para considerar um modelo ajustado (ver por exemplo: Hu e Bentler (1999), Thompson (2004), Hooper et al. (2008) e Byrne (2013). Nesta tese utiliza-se este último valor como benchmarking a ser superado.

3.9.3.5.7. Tucker-Lewis Index (TLI)

Segundo Kline (2004), o Tucker-Lewis Index (TLI) ou Non-Normed Fit Index apresenta interpretação similar ao NFI incluindo uma medida de ajuste para a complexidade do modelo. O índice combina uma medida de parcimônia com um índice comparativo entre os modelos proposto e nulo, por isso essa medida pode ser empregada para comparar modelos alternativos pela substituição do modelo nulo pelo alternativo.

De acordo com Byrne (2013), devido à sua natureza não normalizada, os valores do TLI podem encontrar-se acima de 1 e assim, serem difíceis de interpretar, já Hair et al. (2010) sugerem que valores superiores a 0,9 são considerados satisfatórios. Por outro lado, Hu e Bentler (1999) e Hooper et al. (2008) apontam que os valores para o índice devem ser maiores que 0,95. Neste trabalho utiliza-se o último valor como parâmetro a ser superado.