Mod`ele avec un jet

A confiabilidade de uma de medida remete a propriedade de consistência e reprodutibilidade desta medida. A validade é a propriedade da escala de medida que avalia se a mesma reflete a operacionalização do construto em análise. Para Anasti e Urbina (1997) a validade pode ser decomposta em três componentes: validade de conteúdo, validade do construto e validade de critério. No contexto da MEE pode-se determinar a validade relativa ao construto, por meio da verificação de suas três componentes: a validade fatorial, a validade convergente e a validade discriminante.

A primeira ocorre quando a especificação de um determinado construto é correta; a segunda, quando o construto em análise se correlaciona de modo positivo e significante, com outros construtos e quando as variáveis de medida apresentam correlações elevadas entre si e por fim, a última ocorre quando o construto em questão não está correlacionado com construtos que operacionalizam fatores diferentes no modelo (MARÔCO, 2010).

A validade fatorial é avaliada por meio do sinal, da magnitude e da significância estatística de cada carga obtida entre o indicador e a variável latente. No que se refere à significância estatística de cada um dos coeficientes obtidos, a sua avaliação deve efetuada com base na estatística t de Student (HAIR et al., 2009). Uma carga não significativa (valor t inferior a 1,96 para α = 0,05) indica que este valor é estatisticamente igual a 0, o que significa que o indicador explica pouco sobre a variável latente. Diante disso, segundo Byrne (1998), este indicador deve ser eliminado ou transformado. Por outro lado, Jõreskog e Sõrbom (1993)

151 defendem que eliminar um parâmetro com base na estatística t de Student pode ser inconveniente, sobretudo em amostras pequenas, se possuirem, eventualmente, importância para o modelo.

Uma medida de confiabilidade de cada variável latente, que avalia a consistência interna dos indicadores selecionados para medir um determinado construto, é denominada Confiabilidade Composta, sendo definida por Fornell e Larcker (1981) como:

= [∑= 𝜆 ]

[∑₌ 𝜆 ] −[∑₌ ] (5.7)

A validade convergente se estabelece quando os itens que são reflexos de um construto e saturam fortemente este construto, de modo que o comportamento destes itens é explicado, fundamentalmente, por este construto. Fornell e Larcker (1981) propuseram avaliar a validade convergente por meio da variância extraída média (VEM), definida conforme a eq. 5.8, para um determinado construto j com k itens. Ela indica a quantidade total da variância dos indicadores que é explicada pela variável latente. Se este valor for elevado (superior a 0,50), considera-se que os indicadores medem adequadamente a referida variável latente.

= ∑= 𝜆

∑₌ 𝜆 − ∑₌ (5.8)

As medidas acima referidas devem ser calculadas em separado para cada uma das variáveis latentes com indicadores múltiplos. Embora não existam valores limite unanimemente aceites para cada uma destas medidas, para que se possa aceitar a hipótese da sua confiabilidade, recomenda-se a adoção de valores acima de 0,7, para CC e de 0,5, para VEM (FORNELL e LACKER, 1981; HAIR et al., 2009).

5.7.2 Validade discriminante

O Teste da validade discriminante avalia a extensão com que os indicadores correspondentes às medições das diferentes variáveis latentes se encontram correlacionados entre si e, consequentemente, a extensão com que tais variáveis latentes, definidas para cada conjunto de medidas, são distintas. Para que se possa concluir pela validade discriminante de uma variável latente, deve haver uma correlação de valor significativamente superior, entre os indicadores

152 correspondentes à sua medição, do que os valores das correlaçaões entre estes, e as correspondentes medidas de outra variável latente.

Segundo Anderson e Gerbin (1998), além de Fornell e Larcker, (1981), o teste da validade discriminante pode ser realizado pela comparação da correlação entre as variáveis latentes com a variância média extraída para cada variável latente. De acordo com estes autores pode-se concluir pela validade discriminante de duas variáveis latentes, se o quadrado da correlação entre elas for inferior à variância média extraída. Outra alternativa pode ser empreendida por meio da avaliação da diferença 2, comparando dois modelos, um que se considera que os pares de variáveis latentes estão correlacionados e outro que postula que não existe a correlação. Se a diferença for estatisticamente significativa, é indicativo que as variáveis latentes em avaliação, não estão perfeitamente correlacionadas, podendo-se concluir pela validade discriminante entre as variáveis latentes em questão (MARÔCO, 2010).

5.8 Avalição do modelo estrutural

Na avaliação do modelo estrutural deve examinado se as relações entre variáveis latentes propostas no modelo são adequadamente ajustadas aos dados. Para isso, deve-se analisar se os sinais e magnitudes dos parâmetros do modelo são consistentes com a teoria subjacente e confirmar a significância estatística de todos os coeficientes estimados. Esta avaliação é realizada por meio da razão crítica e considerando um nível de significância de 0,05, o valor t de Student deve chegar a 1,96. Um parâmetro não significativo sinaliza que a relação estabelecida não tem nenhum efeito relevante, devendo ser eliminado, ensejando, a reformulação do modelo. Para eliminar os parâmetros não significativos e deve-se seguir um processo sequencial, de modo que não devem ser eliminados, simultaneamente, todos os parâmetros indicados, desde que, cada vez que se remove um deles, muda a estrutura do modelo e um parâmetro não significativo em uma etapa, pode se tornar significativo, em etapa posterior. Em complemento à avaliação de cada um dos parâmetros, deverá ser efetuada uma análise de cada uma das equações estruturais do modelo. Para este propósito, é calculado o coeficiente R2_{, similar ao utilizado na}

regressão múltipla.

153 onde, Ψ representa a estimativa da variância do termo de erro e η a variável latente dependente. Este coeficiente oferece uma medida de ajustamento relativo de cada uma das equações estruturais, entretanto seu valor, não permite empreender nenhum teste de significância estatística. Deste modo, com a finalidade de evitar possibilidade de enviesamento nos resultados, deverá ser analisada a correlação entre as variáveis independentes, em cada uma das equações estruturais. Na circunstância em que existe uma correlação elevada entre duas ou mais variáveis, Lisboa et al. (2012) recomendam a eliminação de uma ou mais variáveis ou, alternativamente, a reformulação da proposta do modelo, de modo a que se considere, explicitamente, essa correlação. Embora não exista um limite estabelecido para consideração de uma correlação é elevada, Hair et al. (2009) sinalizam que valores superiores a 0,90 podem ser indicadores de problemas.