modelagem de equaÇÃo estrutural: uma anÁlise com …
TRANSCRIPT
Texto para discussão Nº 07/2019
MODELAGEM DE EQUAÇÃO ESTRUTURAL: UMA ANÁLISE COM O SMARTPLS 2.0 M3®
André da Silva Pereira Larissa Bigóis
Jaqueline Berdian de Oliveira
André da Silva Pereira1
Larissa Bigóis2
Jaqueline Berdian de Oliveira3
1 Doutor em Economia, professor do Programa de Mestrado em Administração (PPGAdm), E-mail: [email protected] 2 Aluna do Programa de Mestrado em Administração (PPGAdm), E-mail: [email protected] 3 Aluna do Programa de Mestrado em Administração (PPGAdm), E-mail: [email protected]
Modelagem de Equação
Estrutural:
uma análise com o SmartPLS 2.0 M3®
SUMÁRIO
1 Introdução .............................................................................................................................. 3
1.1 Vantagens da SEM ....................................................................................................... 6
1.2 Limitações da SEM ...................................................................................................... 7
1.3 Modelagem PLS-SEM .................................................................................................. 7
2 Utilizando o SmartPLS® ..................................................................................................... 10
2.1 Estudo de Caso ............................................................................................................... 10
2.2 Vamos Analisar? ............................................................................................................. 12
Etapa 1: Formato do Arquivo ........................................................................................... 12
Etapa 2: Analisando o Modelo ........................................................................................... 13
2.3 Vamos Interpretar? ......................................................................................................... 24
Etapa 1: Avaliação do Modelo de Mensuração ................................................................ 24
Etapa 2: Avaliação do Modelo Estrutural .......................................................................... 26
3 Conclusões ............................................................................................................................ 30
4 Referências ........................................................................................................................... 33
3
1 Introdução
No contexto brasileiro, desde meados da década de 1990, observa-se um aumento no
interesse pela técnica de modelagem de equação estrutural para testar modelos teóricos em
diferentes áreas do conhecimento. Atualmente, essa técnica é utilizada em pesquisas de
Psicologia Organizacional e do Trabalho (PILATI; ABBAD, 2005), Psicologia Social
(GOUVEIA; MARTÍNEZ; MEIRA; MILFONT, 2001), Marketing (FREDERICO; ROBIC,
2005), Gestão de Pessoas (MEDEIROS; ALBURQUERQUE; MARQUES, 2005), entre
outras áreas.
Na Administração, mais especificamente nos anais dos Encontros da Associação de
Pós-Graduação e Pesquisa em Administração (Enanpads) e nos resumos da Revista de
Administração Contemporânea (RAC), da Revista de Administração de Empresas (RAE) e
da Revista de Administração da USP (Rausp) uma busca simples revela que têm aumentado
significativamente os trabalhos que utilizam a modelagem de equação estrutural como
procedimento de análise de dados.
A Modelagem de Equações Estruturais (MEE) ou Structural Equations Modeling
(SEM) é uma técnica de modelagem estatística multivariada de caráter geral. Pode ser vista
como uma combinação de análise fatorial com análise de regressão múltipla para estimar,
simultaneamente, uma série de relações de dependência (MALHOTRA, 2012). Em outras
palavras, a SEM une técnicas multivariadas em um único método de análise e apresenta o
resultado em um gráfico conhecido como diagrama de caminhos. Esse modelo permite
avaliar a relação entre as variáveis independentes, a magnitude da influência dessas na
variável dependente e a relação entre as variáveis externas ao modelo e as variáveis
independentes.
Na SEM, existe a preocupação com a ordem das variáveis. Na regressão, X
influencia Y; na SEM, X influencia Y e Y influencia Z. Uma das suas principais
características é poder testar uma teoria de ordem causal entre um conjunto de variáveis.
Segundo Maruyama (1998), os métodos da SEM devem ter início em um modelo conceitual
que especifique as relações entre um conjunto de variáveis. A teoria oferece o ponto central
dessa técnica e oferece estimativas da força de todas as relações hipotetizadas em um
esquema teórico. As informações disponibilizadas referem-se ao impacto de uma variável
sobre outra, assim como, a relação de uma influência indireta, de uma variável posicionada
entre duas outras, denominada interveniente ou mediadora. Hair Jr., Anderson e Tatham
(1998) afirmam que a teoria oferece a racionalização para quase todos os aspectos da SEM.
4
Para esses autores, a SEM é mais um método de análises confirmatórias, guiado mais pela
teoria do que por resultados empíricos. Na Figura 1, é possível observar a filosofia da SEM.
Figura1 - Filosofia da modelagem com equações estruturais
Fonte: Adaptado de Amorim et al., 2012.
Os modelos SEM, num sentido amplo, representam a interpretação de uma série de
relações hipotéticas de causa-efeito entre variáveis para uma composição de hipóteses, que
considera os padrões de dependência estatística. Os relacionamentos nessa composição são
descritos pela magnitude do efeito (direto ou indireto) que as variáveis independentes
(observada ou latentes) têm nas variáveis dependentes (observada ou latentes)
(HERSHBERGER; MARCOULIDES; PARRAMORE, 2003).
A variável independente ou exógena é aquela que age apenas preditora ou
“causadora” de um efeito em outra variável/construto no modelo teórico. É determinada fora
do modelo e suas causas não são nele especificadas. A variável dependente ou endógena é
aquela que resulta de, pelo menos, uma relação causal. O pesquisador conseguirá distinguir
quais variáveis independentes preveem cada variável dependente apoiando-se na teoria e
também em suas próprias experiências prévias (HAIR, J. F.; HULT, G. T. M., RINGLE, C.
M.; SARSTEDT, M., 2005; HERSHBERGER; MARCOULIDES; PARRAMORE, 2003).
A SEM tem se mostrado um método eficiente para estimação de parâmetros em uma
extensa família de modelos lineares incluindo: teste t de Student, Anova, Manova e modelos
de regressão múltipla. Contudo, um dos aspectos mais relevantes desse método é sua
extensão para permitir a estimação de erros de medidas por meio do uso de fatores ou de
variáveis latentes múltiplas. Esse modelo proporciona a inclusão de variáveis que não são
medidas diretamente, mas por intermédio de seus efeitos, chamados de indicadores, ou de
suas causas observáveis. Essas variáveis não mensuráveis são conhecidas por variáveis
latentes, construtos ou fatores. Assim, essa é uma das diferenças mais importantes entre a
SEM e as demais técnicas de modelagem, pois os procedimentos clássicos de análise de
dados modelam apenas as mensurações observáveis.
5
O modelo da SEM procura replicar um conjunto de dados observados por meio da
imposição de parâmetros nas matrizes, que são as relações teóricas definidas pelo
pesquisador. Essa característica é a principal diferença entre a SEM e as demais técnicas de
análise multivariada, pois a imposição dos parâmetros na matriz de relações entre as
variáveis dá a ela um caráter confirmatório, visto que exige do pesquisador uma
predefinição do tipo de relações existentes entre as variáveis do modelo em teste, que são
operacionalizadas em termos de restrições nas matrizes.
Por esse motivo, a SEM necessita que i) as medidas utilizadas pelo pesquisador
sejam de boa qualidade psicométrica e ii) que o acesso a modelos teóricos sólidos e
fundamentados em pesquisas anteriores seja garantido de modo a permitir ao pesquisador
estabelecer essas imposições (relações pré-definidas) com propriedade. Devido a essa última
característica é que a SEM é entendida como uma técnica confirmatória, pois a modelação
teórica sobre o que está sob investigação deve ter ocorrido antes da análise dos dados. No
Quadro 1, são demonstrados os passos a serem considerados na SEM.
Quadro 1 – Passos a serem seguidos no SEM
A pesquisa que utiliza o método SEM deve considerar os seguintes elementos:
a) Aspectos teóricos
b) Elaboração de modelos (relações hipotetizadas entre as variáveis)
c) Determinação teórica e descrição dos aspectos psicométricos das medidas do modelo
d) Especificação do modelo (de suas duas partes, a saber, mensuração e estrutura)
e) Identificação do modelo (i.e. relação parâmetros versus pontos de dados da matriz de
correlações, representação gráfica do modelo hipotético, fixação da escala de medida do
modelo de mensuração);
f) Descrever métodos de estimação de parâmetros
g) Definir índices de ajustes e valores de referência
h) Apresentar coeficientes estimados e seu teste de significância
i) Apresentar índices de ajuste do modelo
j) Relatar resíduos
k) Descrever possíveis índices de modificação do modelo
l) Justificar teoricamente possíveis modificações do modelo hipotetizado
Fonte: autores, 2019.
Em diversas situações, pesquisadores se deparam com dados não aderentes a uma
distribuição normal multivariada, modelos complexos (muitos constructos e muitas variáveis
observadas) (MACKENZIE; PODSAKOFF; PODSAKOFF, 2011), poucos dados e/ou
modelos com suporte teórico menos robusto ou pouco explorado (RINGLE; DA SILVA;
6
BIDO, 2014). Dessa forma, as modelagens de equações estruturais baseadas em covariância
(CB-SEM) ou em modelos de estimação de ajuste de máxima verossimilhança (maximum
likelihood estimation MLE) não são recomendadas, sendo indicada a modelagem de equação
estrutural baseada em variância (VB-SEM) ou em modelos de estimação de ajuste de
mínimos quadrados parciais (partial least square - PLS) (HAIR; SARSTEDT; RINGLE
2012).
A diferença básica entre CB-SEM e VB-SEM está na forma de tratar os dados, ou
seja, a forma didática, na CB-SEM se tem regressões lineares múltiplas realizadas “ao
mesmo tempo” e na VB-SEM, calculam-se as correlações entre os constructos e suas
variáveis mesuradas, observadas ou itens (modelos de mensuração) e em seguida são
realizadas regressões lineares entre constructos (modelos estruturais). O número de casos
necessários depende da complexidade do modelo. O modelo de estimação PLS é mais
adequado quando o tamanho da amostra é menor que 200 observações (CHIN;
MARCOLIN; NEWSTED, 2003). Segundo Hair Jr., Anderson e Tatham (1998), deve-se ter
de 5 a 10 respondentes por parâmetro no modelo.
1.1 Vantagens da SEM
Modelos de equações estruturais são, portanto, particularmente relevantes pelas
seguintes vantagens:
a) permitem que se trabalhe simultaneamente com estimação e mensuração;
b) permitem que sejam estimados efeitos diretos e indiretos de variáveis explicativas
sobre variáveis respostas;
c) são bastante robustos, em função do relaxamento de pressupostos, quando
comparados, por exemplo, com o modelo de regressão de mínimos quadrados;
d) apresentam facilidade interpretativa advinda de suas interfaces gráficas;
e) permite a incorporação dos erros de medição no processo de estimação do modelo;
f) permite que uma variável dependente em uma etapa do modelo se torne uma variável
independente nas subsequentes relações de dependência;
g) consiste na estimação simultânea de diversas relações de dependência inter-
relacionadas. Em função dessas vantagens, a SEM conquistou bastante adesão entre
pesquisadores e profissionais das áreas de ciências humanas e sociais, em particular
nas análises psicométricas, mas não apenas.
7
1.2 Limitações da SEM
A primeira questão que deve ser pontuada é que a SEM e seus modelos são mais
difundidos e fazem parte da família de técnicas multivariadas pertencentes ao modelo linear
geral. Assim, ela não é adequada para avaliar relações entre variáveis que não possuam um
padrão linear de relacionamento. Nesse caso, o pesquisador deve lançar mão de alternativas
que possam lidar com esse tipo de situação.
Uma outra limitação do uso da SEM é o tamanho das amostras que devem ser
utilizadas para que os dados sejam submetidos à SEM. Isso porque os estimadores exigem
variabilidade acentuada para realizar o processo de estimação. No caso dos estimadores que
pressupõe normalidade multivariada dos dados, o tamanho das amostras é menor, se
comparado àqueles que são livres de distribuição, mas, ainda assim, são amostras grandes.
1.3 Modelagem PLS-SEM
A modelagem PLS-SEM é chamada de “Mínimos Quadrados Parciais” devido a seus
parâmetros serem estimados por uma série de regressões de mínimos quadrados, enquanto o
termo “parciais” decorre do procedimento de estimação iterativa dos parâmetros em blocos
(por variável latente) em detrimento de todo o modelo, simultaneamente (LEE; PETTER;
FAYAYARD; ROBINSON, 2011).
No modelo de caminhos, os diagramas são utilizados para exibir visualmente as
hipóteses e as relações teóricas entre variáveis. Na Figura 2, os construtos latentes são
representados por círculos ou elipses (Y1 a Y4), os indicadores (variáveis observadas ou
manifestas) são representados por retângulos (x1 a x10). Já as relações entre os construtos e
entre indicadores e construtos são representadas como flechas. Em PLS-SEM, as flechas
apontam sempre em um único sentido, representando relação direcional. Flechas que
apontam para um único sentido são consideradas como relação preditiva e, caso exista uma
forte fundamentação teórica, podem ser interpretadas como relações causais (DO
NASCIMENTO; DA SILVA MACEDO, 2016).
Por fim, os termos de erro (e.g., e7 ou e 8), ligados aos construtos endógenos
reflexivamente, representam a variância não explicada quando os modelos de caminho são
estimados (HAIR; HULT, RINGLE; SARSTEDT, 2014). Ainda de acordo com a Figura 2,
um modelo PLS caminho consiste em dois elementos: modelo estrutural (também chamado
modelo interno, no contexto de PLS-SEM), que evidencia as relações (caminhos) entre os
construtos; e os modelos de mensuração (também referidos como modelos externos em
8
PLS-SEM), que reportam as relações entre os constructos e as variáveis indicadoras
(retângulos) (HAIR; HULT, RINGLE; SARSTEDT, 2014).
Para especificar como as variáveis latentes (construtos) são mensuradas. Há dois
tipos de escala de mensuração na SEM: (i) reflexivas e (ii) formativas. Os indicadores
reflexivos, são a direção de “causalidade” parte da variável latente para os indicadores, ou
seja, o construto latente “causa” os itens observáveis (HAIR; HULT, RINGLE;
SARSTEDT, 2014). De outro modo, nas escalas formativas, as variáveis latentes são
consideradas “efeitos” em detrimento de “causas”. Nessa abordagem, o construto não
observável é o resultado da ocorrência de vários elementos que representam uma imagem
melhor e mais completa (RODGERS, 1999).
Figura 2 – Exemplo de um modelo de caminho
Fonte: Do Nascimento; Da Silva Macedo, 2016.
Se liga nas
dicas a seguir!
9
VOCÊ SABIA QUE...
• Análise confirmatória: é o uso de técnica estatística multivariada para testar (ou confirmar ou refutar) um
conjunto preestabelecido de relações. No caso da SEM, a análise confirmatória é aplicada tanto na estimação
(análise de regressão) quanto na mensuração (análise fatorial).
• Análise de trajetórias: é um conjunto de equações de regressão que permite estimar efeitos diretos e indiretos
de variáveis independentes sobre variáveis dependentes.
• Causalidade: é a relação de causa e efeito entre variáveis, que pode ser concluída a partir da satisfação de
pressupostos somados à consistência teórica da análise confirmatória proposta.
• Coeficiente de determinação: é semelhante ao coeficiente de determinação dos modelos de regressão de
MQO (R2), indica a proporção da variância total (de todas as variáveis incluídas) explicada pelo modelo.
• Efeito direto: é o coeficiente de regressão padronizado ou não padronizado.
• Efeito indireto: é o produto dos coeficientes de regressão (padronizados ou não padronizados) de uma
estrutura complexa de causalidade.
• Modelo padronizado: é baseado na matriz de correlação.
• Modelo não padronizado: é baseado na matriz de covariância.
• Comunalidade: é a quantidade de variância que uma variável observada tem em comum com um construto;
• Confiabilidade: é o nível de consistência interna do conjunto de indicadores (variáveis observadas) na
mensuração de um construto, podendo ser entendida, ainda, como o inverso do erro de mensuração (ou seja,
confiabilidade = 1 – erro de mensuração).
• Construto: é o conceito latente que não pode ser observado de forma direta ou ser medido sem erro,
dependendo, para sua mensuração, da comunalidade entre duas ou mais variáveis observadas.
• Diagrama de trajetórias: é a representação gráfica da relação complexa (que inclui efeitos diretos e indiretos)
entre um conjunto de variáveis observadas ou mensuradas.
• Erro de estimação: é a diferença entre os valores estimados de uma variável dependente (a partir de uma
equação de regressão) e os valores observados.
• Erro de mensuração: é a diferença entre a descrição real e a descrição perfeita de um construto latente a
partir das variáveis observadas, podendo ser entendido, ainda, como o inverso da confiabilidade (ou seja, erro
de mensuração = 1- confiabilidade).
• Estatística da diferença entre coeficientes de qui-quadrado: é a diferença entre os qui-quadrados de dois
modelos alternativos, sendo o grau de liberdade a diferença entre os graus de liberdade de cada um dos
modelos alternativos (Χ2Δ = Χ21 – Χ22; GLΔ = GL1 – GL2), representa uma medida de qualidade do ajuste.
• Estimação de máxima verossimilhança: é o método de estimação utilizado nas SEM.
• Matriz de covariância: é a matriz que contém a variância e a covariância de todas as variáveis observadas da
SEM.
• Modelo causal: é o conjunto de equações de regressão (equações estruturais) que formam as relações de
determinação a partir de efeitos diretos e indiretos de variáveis independentes sobre variáveis dependentes.
• Modelo de mensuração: é a análise fatorial confirmatória da mensuração de cada construto da SEM.
• Modelo nulo: é o modelo hipotético no qual a relação entre as variáveis é nula.
• Qualidade do ajuste: é a medida que indica o quão bem um modelo especificado replica a matriz de
covariância entre as variáveis observadas.
• Qui-quadrado: é a medida estatística da diferença entre modelos.
• Relação espúria: é a relação falsa ou enganosa entre duas variáveis que têm uma mesma causa.
• Resíduo (ou erro): é a diferença entre um valor real e um valor estimado.
• Variável endógena: é a variável observada ou latente que é, em algum momento, dependente de outras no
SEM.
• Variável exógena: é a variável observada ou latente que nunca é dependente de outras na SEM.
• Variável latente: é a variável mensurada (construto) por análise fatorial confirmatória a partir de duas ou
mais variáveis observadas.
• Variável observada: é a variável que pode ser mensurada sem erro (observada de forma direta).
10
2 Utilizando o SmartPLS®
Descreveremos a seguir como executar e interpretar um modelo PLS-SEM, usando o
programa de software SmartPLS 2.0 M3®. Esse software é gratuito e pode ser obtido no site
https://www.smartpls.com/cr, por meio do pedido de registro do usuário. Após o registro, na
área restrita é possível baixá-lo em Download. Além disso, em Recursos, você encontrará
literaturas, vídeos e bancos de dados para exercitar o uso do programa. Os dados que
usaremos para executar nosso exemplo foram retirados desse site e chama-se Reputação
Corporativa (Corporate Reputation Model). Como o PLS é uma das possibilidades da
Modelagem de Equações Estruturais, há uma simbologia que precisa ser seguida (Figura 3).
Figura 3 – Símbolos usados para os modelos de equações estruturais
Fonte: Ringle, Da Silva e Bido (2014).
Um modelo de caminho de PLS consiste em dois elementos. Inicialmente, há um
modelo estrutural, também denominado de modelo interno (inner model), no qual são
exibidas as relações (caminhos) entre os construtos. Já o segundo elemento, o modelo de
mensuração, também conhecido como modelo externo (outer model), demonstra as relações
entre construtos e indicadores (retângulos) (HAIR Jr. et al., 2011).
2.1 Estudo de Caso
Para demostrar como aplicar na prática o PLS, baseamo-nos no modelo de
reputação corporativa de Eberl (2010) em seu livro PLS-SEM. O objetivo do construto é
explicar os efeitos da reputação corporativa na satisfação (CUSA) e lealdade do cliente
11
(CUSL). A reputação corporativa representa a avaliação global de uma empresa por seus
stakeholders (HELM et al., 2010).
Conforme Schwaiger (2004), a reputação corporativa é medida por meio de duas
dimensões. A primeira dimensão representa as avaliações cognitivas da empresa e mede o
construto que descreve a competência da empresa (COMP). A segunda dimensão verifica os
julgamentos afetivos dos clientes e avalia suas percepções (LIKE). O modelo conceitual
(modelo estrutural) está apresentado na Figura 4.
Figura 4 – Modelo estrututal proposto
Fonte: autores, 2019.
Nesse modelo estrutural, CUSA atua, simultaneamente, como variável dependente
(endógena) e independente (exógena), uma vez que é explicado (setas apontando para ele)
por outros construtos latentes “COMP” e “LIKE” e, também, explica o construto CUSL,
sendo, nesse caso, colocado no meio do modelo (as variáveis exógenas só apresentam setas
a partir delas, i.é, e não são “formadas” dentro do modelo, a exemplo dos construtos COMP
e LIKE).O construto da reputação corporativa é medido por meio de 10 indicadores
(Quadro 2) e o seu banco de dados possui 336 observações. A escala foi validada em
diferentes países e aplicada em vários estudos de pesquisas (EBERL; SCHWAIGER, 2005;
RAITHEL; SCHWAIGER, 2015; RAITHEL et al., 2010; SCHLODERER et al., 2014).
Variáveis latentes
exógenas ou Variáveis
independentes
Variáveis latentes endógenas ou Variáveis
dependentes
12
Quadro 2 – Variáveis do modelo de reputação corporativa
Competência (COMP)
comp_1 A empresa é um dos principais concorrentes em seu mercado.
comp_2 Até onde eu sei, a empresa é reconhecida mundialmente.
comp_3 Eu acredito que a empresa tem um desempenho premium.
Percepção (LIKE)
like_1 É uma empresa com a qual posso me identificar melhor do que outras empresas.
like_2 É uma empresa que eu lamentaria se não existisse.
like_3 Eu considero a empresa como uma companhia simpática.
Lealdade (CUSL)
cusl_1 Eu recomendaria a empresa para amigos e parentes.
cusl_2 Se eu tivesse que escolher novamente, eu escolheria a empresa como meu fornecedor
de serviços de telefonia móvel.
cusl_3 Eu permanecerei um cliente da empresa no futuro.
Satisfação (CUSA)
cusa Se você considera suas experiências com empresa, qual é seu grau de satisfação com
empresa?
Fonte: Adaptado de Hair Jr. et al., 2011.
2.2 Vamos analisar?
Etapa 1: Formato do arquivo
Ao realizar a tabulação dos dados no excel, você deve tomar os seguintes cuidados:
nas colunas devem constar as variáveis e nas linhas os respondentes ou casos; a primeira
linha deve ter os rótulos das variáveis, de modo que seja evitado começar com número. Por
exemplo, se o construto tiver por nome “Compra Declarada”, seria interessante usar na
primeira variável mesurada ou indicador desse constructo o rótulo: CD_1. Além disso, a
planilha não pode ter fórmulas, códigos em letras (apenas nos rótulos) ou células em branco
(missing data). Nesse caso, complete as células (em branco) com um número diferente de
todos os outros. Por exemplo: 99 (RINGLE; DA SILVA; BIDO, 2014).
No SmartPLS, é possível utilizar dois formatos de arquivo de dados (.csv ou .txt).
Caso seu arquivo esteja no formato (.xlsx), é possível alterá-lo em “Arquivo” →
“Exportar” → “Alterar Tipo de Arquivo” → .CSV → “Salvar”, conforme pode ser visto
na Figura 5.
13
Figura 5 – Alterando o formato de arquivo no excel
Fonte: autores, 2019.
Etapa 2: Analisando o modelo
Inicialmente, a tela que você verá ao abrir o SmartPLS 2.0 M3® pela primeira vez
pode ser observada na Figura 6. As janelas ao lado esquerdo da tela estarão em branco, isso
indica que não há dados ou modelos prontos para serem analisados.
Figura 6 – Tela incial do SmartPLS 2.0 M3®
Fonte: autores, 2019.
14
Para iniciar um novo projeto clique em “File” → “New” → “ Create New Project”
(Figura 7).
Figura 7 – Criando um novo projeto no SmartPLS
Fonte: autores, 2019.
Primeiramente, é preciso criar um nome para o novo projeto, aqui denominado
como “Reputação Corporativa”, como é mostrado na Figura 8. Para isso, insira o nome
desejado em “Project Name”. É importante que a opção “Import Indicator Data” esteja
selecionada.
Figura 8 – Criando um nome para um novo projeto no SmartPLS
Fonte: autores, 2019.
Após criar o nome do projeto, clique em “Next” (Figura 9) para inserir o banco de
dados que foi salvo anteriormente (vide Figura 5).
15
Figura 9 – Inserindo o banco de dados no projeto
Fonte: autores, 2019.
Caso você tenha dados ausentes, clique em “Next” e selecione a opção “The
Indicator Data contains Missing Values”, altere o Missing Value de -1,0 para -99
(Figura 10). Essa opção codificará os dados perdidos. Por último, clique em “Finish”.
Figura 10 – Alterando os dados ausentes
Fonte: autores, 2019.
Concluída a importação do banco, o software apresentará uma tela composta por 3
áreas. A primeira reporta o projeto (A); a segunda, os indicadores importados (B); e, por
16
fim, a janela de modelagem na qual é possível “desenhar” o modelo estrutural (C), conforme
apresentado na Figura 11.
Figura 11 – Interface do SmartPLS
Fonte: autores, 2019.
Em “Projects” clique duas vezes (no nome do seu projeto) para obter a tela com o
modelo a ser contruído e os dados a serem inseridos (Figura 12). Seu ícone de dados deve
estar verde. Se estiver vermelho, seus dados não foram importados corretamente para o
SmartPLS. A razão mais provável é a importação de dados, talvez, você tenha dados
ausentes e não codificou como ausentes (vide Figura 10). Num primeiro momento, é preciso
codificar todos os dados perdidos em seu arquivo, não apenas os dados que você está usando
em seu modelo SEM. Por segundo, todas as variáveis no seu arquivo de dados devem ser
numéricas.
Figura 12 – Tela projects
Fonte: autores, 2019.
ÁREA A
ÁREA B
ÁREA C
17
A Figura 13 demonstra as três ferramentas que você usará para desenhar o modelo
SEM: (i) para selecionar as construções, (ii) desenhar o modelo e (iii) realizar as ligações
necessárias.
Figura 13 – Ferramentas para a contrução do modelo SEM
Fonte: autores, 2019.
Encontre o novo projeto criado na janela “Projects”, expanda sua lista de projetos
e obtenha os detalhes de cada projeto, seguindo os passos da Figura 14.
Figura 14 – Detalhando cada projeto no SmartPLS
Fonte: autores, 2019.
Com o modelo de reputação desenhado (com o modo de inserção) e conectado
(com modo de conexão), o próximo passo é renomear as construções. Para fazer isso,
Clique no ícone do
modo de seleção
para selecionar,
redimensionar ou
mover construções
Clique no ícone do
modo de inserção
para desenhar
construções
Clique no ícone do
modo de conexão para
conectar construções
Clique aqui para
expandir detalhes
de projetos
Clique aqui para
mostrar apenas
uma lista de
projetos
18
certifique-se de estar no modo de seleção (vide Figura 14), coloque o cursor sobre cada
variável, clique com o botão direito e selecione a opção “Rename Object” (Figura 15).
Figura 15 – Renomeando as contruções da SEM
Fonte: autores, 2019.
Ao selecionar a opção “Rename Object, insira o nome da variável (p. ex. COMP)
e clique em “OK” (Figura 16). Repita os mesmos passos para as demais variáveis que
constam em seu modelo.
Figura 16 – Inserindo nome nas variáveis no modelo da SEM
Fonte: autores, 2019.
Após inserir os nomes nas variáveis, é preciso anexar os seus indicadores. Para
isso, arraste-os da janela à esquerda (clique com o botão esquerdo, mantenha pressionado e
mova). Solte-os em suas construções (solte o botão esquerdo) (Figura 17).
Observe que as
novas construções
aparecem nesta
janela
19
Figura 17 – Anexando os indicadores nas variáveis no modelo
Fonte: autores, 2019.
Os três indicadores estão anexados à construção COMP. Agora você pode clicar
com o botão direito do mouse na construção para obter a janela como na Figura 18. Após
atrelar todos os indicadores aos seus respectivos construtos latentes, é importante organizar
visualmente os dados. Por exemplo, pressionando o botão direito do mouse sobre o
construto latente, é possível alterar o lado em que os itens são apresentados. Ah! Certifique-
se de salvar o modelo indo até Arquivo → Salvar ou clique no ícone Salvar.
Figura 18 - Reposicionando os indicadores dos
construtos da SEM
Fonte: autores, 2019.
A Figura 19 demonstra o modelo estrutural com nomes das variavéis latentes,
dados inseridos e caminhos criados. Observe ao lado esquerdo da tela em “Indicators” que
os indicadores vinculados ao construto recebem uma cor amarela, enquanto os demais
permanecem com a cor branca.
Observe todas as
construções foram
renomeadas
Salvar
20
Figura 19 – Modelo da SEM com dados inseridos e caminhos criados
Fonte: autores, 2019.
No programa SmartPLS, há quatro opções de subprogramas que executam análises
diferentes (Figura 18): (i) “PLS Algorithm” que é utilizado para rodar a SEM principal; (ii)
“FIMIX PLS”: Finite Mixture PLS (denominada de técnicas de classe latente ou
heterogeneidade não observada), que são usadas para identificar a presença de grupos dentro
dos dados que não haviam sido controlados; (iii) “Bootstrapping” que é a técnica de
reamostragem. O Bootstrapping avaliar a significância (p-valor) das correlações (modelos
de mensuração) e das regressões (modelo estrutural) e, por último, (iv) “Blindfolding” que
é utilizado para calcular a Relevância ou a Validade Preditiva (Q2); indicadores de Stone-
Geisser e os tamanhos dos efeitos (f2); ou Indicadores de Cohen (RINGLE; SILVA; BIDO,
2014).
Figura 18 – Opções de análises de dados SmartPLS
Fonte: autores, 2019.
Os indicadores agora são reposicionados
para todas as construções. Além disso, as
construções são azuis após os dados
estarem anexados.
Observe os indicadores
anexados às construções
agora são amarelo
23
Figura 19 – Tela com os resultados da SEM
Fonte: autores, 2019.
Após ter rodado a SEM, é preciso baixar o relatório dos resultados obtidos. Há
quatro opções na barra de menu do programa (Figura 20).
Figura 20 – Opções de relatório do SmartPLS
Fonte: autores, 2019.
Caso seja selecionado o relatório em formato HTML, pode-se ir direto para o
hiperlink “PLS Quality Criteria”, no qual poderá ser encontrado os resultados a serem
interpretados (Figura 21).
Carregamentos externos, coeficientes
de caminho e R2 mostrados no modelo
24
Figura 21 – Relatório em formato HTML do SmartPLS
Fonte: autores, 2019.
2.3 Vamos interpretar?
O processo de interpretação da SEM é segmentado em duas etapas: (i) avaliação do
modelo de mensuração (relações entre os indicadores e construtos) e (ii) avalição do modelo
estrutural (relações entre os construtos).
Etapa 1: Avaliação do modelo de mensuração
Inicialmente, a avaliação do modelo centra-se no modelo de mensuração. Logo, será
avaliado: (i) variância médias extraídas (Average Variance Extracted - AVEs); (ii) a
consistência interna (Alfa de Cronbach – Cronbachs Alpha); (iii) confiabilidade composta
(Composite Reliability) e (iv) validade discriminante (discriminant validity).
Primeiramente, para a avaliação das AVEs, usa-se o critério de Fornell e Larcker
(HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R., 2009), isto é, os valores das AVEs
devem ser maiores que 0,50 (AVE > 0,50). A AVE é a porção dos dados (nas variáveis) que
é explicada por cada um dos respectivos construtos ou pela VL, dizendo respeito aos
conjuntos de variáveis ou o quanto, em média, as variáveis se correlacionam positivamente
com os seus respectivos construtos ou VL. Assim, quando as AVEs são maiores que 0,50,
admite-se que o modelo converge para um resultado satisfatório (FORNELL; LARCKER,
1981).
A análise do Quadro 3 demostra que apenas as três variáveis dos construtos ou VL
(COMP, CUSL, LIKE) apresentam valores maiores de AVE > 0,50. Nessa situação, o
correto é eliminar as variáveis observadas ou mensuradas dos construtos que apresentam
25
valores de AVE < 0,50 para que seja realizado o ajuste do modelo. Ao eliminar as variáveis
com cargas fatoriais (correlações) de menor valor, consequentemente, ocorrerá a elevação
do valor das AVEs (RINGLE; SILVA; BIDO, 2014).
Quadro 3 – Valores da qualidade de ajuste do modelo de SEM
Nota: A COMP e LIKE não possui valor do R2, pois são as variáveis independentes da SEM.
Posteriormente, é preciso observar os valores da consistência interna (Alfa de
Cronbach) e Confiabilidade Composta (CC) (p-rho de Dillon Goldestein). A CC é mais
adequada para o PLS, pois prioriza as variáveis de acordo com a suas confiabilidades,
enquanto o AC é mais sensível ao número de variáveis em cada construto. Em ambos os
casos, tanto AC como CC são utilizados para avaliar se a amostra está livre de vieses, ou
ainda, se as respostas em seu conjunto são confiáveis (RINGLE; SILVA; BIDO, 2014).
Hair, Hult, Ringle, Sarstedt (2014) citam que os valores do AC acima de 0,60 e 0,70 são
considerados adequados em pesquisas exploratórias e valores de 0,70 e 0,90 do CC são
considerados satisfatórios. Ainda , no Quadro 3, é possível observar que os valores de AC e
CC das variáveis COMP, CUSL e LIKE apresentaram uma confiabilidade satisfatória
devido a seus valores serem maiores que 0,70.
Finalizando, é preciso avaliar a validade discriminante (VD), que é compreendida
como um indicador de que os construtos ou variáveis latentes são independentes um dos
outros (HAIR; HULT; RINGLE; SARSTEDT, 2014). Assim, pode-se avaliar a VD
observando os valores das cargas cruzadas (Cross Loading), que apresentam os indicadores
com cargas fatoriais mais altas nas suas respectivas VL (ou constructos) do que em outras
(CHIN, 1998). O software retira cada VO da VL original, coloca em outra VL e recalcula a
carga fatorial, uma a uma, até ter o valor das cargas fatoriais de todas as VOs em todas as
VLs. Analisando o Quadro 4, podemos notar que as cargas fatoriais das VOs nos construtos
(VLs) originais são sempre maiores que nas demais. Com isso, pode-se constatar que o
modelo tem validade discriminante pelo critério de Chin (1998).
VL AVEComposite
ReliabilityR Square Cronbachs Alpha
COMP 0,680582 0,864615 ******* 0,776028
CUSA 1 1 0,294568 1
CUSL 0,748417 0,899067 0,562039 0,830988
LIKE 0,747081 0,898566 ******* 0,830987
26
Quadro 4 – Valores das cargas cruzadas das VOs e VLs
Fonte: autores, 2019.
Etapa 2: Avaliação do modelo estrutural
Concluída a avaliação do modelo de mensuração, o próximo passo é avaliar o
modelo estrutural. A primeira análise é a avaliação dos coeficientes de determinação de
Pearson (R2): Os R2 avaliam a porção da variância das variáveis endógenas, a qual é
explicada pelo modelo estrutural. Para a área de ciências sociais e comportamentais, Cohen
(1988) sugere que R2=2% seja classificado como efeito pequeno, R2=13% como efeito
médio e R2=26% como efeito grande.
Na sequência, é preciso analisar os valores das correlações e regressões lineares da
SEM. É preciso verificar, entre as variáveis, sua significância (p ≤ 0,05), pois para os casos
de correlação se estabelece a hipótese nula (Ho) como r = 0, e para os casos de regressão se
estabelece Ho = 0 (coeficiente de caminho = 0). Caso ocorra a aceitação da Ho, deve-se
reconsiderar a inclusão de variáveis latentes (VL) ou variáveis observadas (VO) na SEM.
Devido ao software calcular testes t de Student entre os valores originais dos dados e aqueles
obtidos pela técnica de reamostragem, para cada relação de correlação VO – VL e para cada
relação VL – VL, o SmartPLS apresenta os valores do teste t e não os p-valores. Por isso,
deve-se interpretar que para os graus de liberdade elevados, valores acima de 1,96
correspondem a p-valores ≤ 0,05 (entre -1,96 e +1,96 corresponde à probabilidade de 95% e
fora desse intervalo 5%, em uma distribuição normal) (RINGLE; DA SILVA; BIDO, 2014).
VL COMP CUSA CUSL LIKE
comp_1 0,857719 0,464322 0,464547 0,607057
comp_2 0,798453 0,285602 0,30385 0,460112
comp_3 0,817641 0,272373 0,295926 0,497122
cusa 0,435551 1 0,689223 0,528432
cusl_1 0,430367 0,536207 0,832827 0,556959
cusl_2 0,395989 0,654552 0,917273 0,573397
cusl_3 0,341345 0,59331 0,84277 0,461199
like_1 0,602171 0,510394 0,5612 0,879326
like_2 0,522652 0,433602 0,530275 0,870239
like_3 0,544321 0,419879 0,498683 0,843036
27
Dessa forma, o modelo estrutural nos permitem determinar, por exemplo, que a
CUSA tem o efeito mais forte na CUSL ( = 0,504), seguido pelo LIKE ( =0,342). COMP (
=0,009) tem pouco efeito na variável dependente CUSL. Os três construtos exógenos
juntos explicam 56,2% da variância do construto endógeno CUSL (R² = 0,562), conforme
indicado pelo valor no círculo do construto. COMP e LIKE também explicam
conjuntamente 29,5% da variância da CUSA.
Figura 22 – Interpretando os resultados do modelo da SEM
Fonte: autores, 2019.
Além disso, na Figura 22, os valores apresentados dentro dos círculos (A)
evidenciam quanto da variância da variável latente é explicado pelas demais variáveis
latentes contidas no modelo estrutural, enquanto os valores apresentados sobre as setas,
denominados de coeficientes de caminho (B), explicam quão forte é o efeito de um construto
sobre os demais. Sendo a relação teórica (caminho) prevista entre todos os construtos
estatisticamente significantes (valores dos coeficientes de caminhos padronizados superiores
a 0,1) (DO NASCIMENTO; DA SILVA MACEDO, 2016).
Para testar a significância das relações apontadas, usa-se o módulo “Bootstrapping”
(técnica de reamostragem). Ao se optar por esse módulo, uma caixa de diálogo é aberta pelo
A
B
28
SmartPLS para se definirem os parâmetros dos cálculos (vide Figura 23). Hair; Hult; Ringle;
Sarstedt (2014) recomendam que se use como Missing Value Algorithm: Casewise
Replacement, para Sign Changes: Individual changes, em Cases: número de sujeitos da sua
amostra (nosso banco de dados possui 336 observações) e em Samples (reamostragem):
pelo menos 300 ou 500, 1000 etc. (RINGLE; DA SILVA; BIDO, 2014).
Figura 23 – Janela de configuração do Brootstrapping
Fonte: autores, 2019.
Após se rodar o módulo Bootstrapping aparecerão os valores do t Student. A Figura
24 mostra a tela do SmartPLS com os valores dos testes t. Como resultado, é possível
afirmar que os valores das relações VO –VL e das VL – VL estão acima do valor de
referência de 1,96 (RINGLE; DA SILVA; BIDO, 2014). Em todos os casos, rejeitam-se as
Ho e pode-se dizer que as correlações e os coeficientes de regressão são significantes, logo,
são diferentes de zero. Além disso, os valores dos testes t de Student podem ser encontrados
também no relatório gerado pelo cálculo do Bootstrapping (Figura 21).
29
Figura 24 – Valores do t Student obtidos pelo Brootstrapping através do SmartPLS
Fonte: autores, 2019.
Logo após, serão avaliados os valores de dois outros indicadores de qualidade de
ajuste do modelo: Relevância ou Validade Preditiva (Q2) ou indicador de Stone-Geisser e
Tamanho do efeito (f2) ou Indicador de Cohen. O Q2 avalia o quanto o modelo se aproxima
do que se esperava dele (ou a qualidade da predição do modelo ou acuracidade do modelo
ajustado). Como critério de avaliação devem ser obtidos valores maiores que zero (HAIR;
HULT; RINGLE; SARSTEDT, 2014).
Um modelo perfeito teria Q2 = 1 (mostra que o modelo reflete a realidade sem erros).
Já o f2 é obtido pela inclusão e pela exclusão de constructos do modelo (um a um). Avalia-se
quanto cada constructo é “útil” para o ajuste do modelo. Valores de 0,02, 0,15 e 0,35 são
considerados pequenos, médios e grandes (HAIR; HULT; RINGLE; SARSTEDT, 2014).
Também, o f2 é avaliado pela razão entre a parte explicada pelo modelo e a parte não
explicada (f2 = R2/ (1- R2). Tanto o Q2 ou f2 são obtidos pelo uso do módulo Blindfolding
no SmartPLS (vide Figura 20). Os valores de Q2 são obtidos pela leitura da redundância
geral do modelo e f2 pela leitura das comunalidades (Quadro 5) (RINGLE; SILVA; BIDO,
2014).
30
Quadro 5 – Valores de Q2 e Tamanho do efeito (f2) ou Indicador de Cohen
Fonte: autores, 2019.
A interpretação do Quadro 5 mostra que tanto os valores de Q2, como de f2 indicam
que o as variáveis COMP, CUSA, CUSL e LIKE possuem acuracidade e que os construtos
são importantes para o ajuste geral do modelo.
3 Conclusões
Este material teve como o objetivo apresentar, de forma didática, os procedimentos
metodológicos da modelagem de equações estruturais com o modelo de mensuração de
mínimos quadrados parciais (PLS) com o uso do software SmartPLS 2.0. Nesse sentido,
Ringle, Silva e Bido (2014) mostram uma síntese dos procedimentos metodológicos da SEM
por meio do SmartPLS (Figura 25), assim como, a síntese dos ajustes do modelo (Quadro 4).
VL CV RED (Q2) CV COM(f
2)
COMP 0,354306 0,354306
CUSA 0,281387 0
CUSL 0,413404 0,478496
LIKE 0,473672 0,473672
Valores Referenciais Q2 > 0
0,02, 0,15 e 0,35 são
considerados pequenos,
médios e grandes
31
Figura 25 – Representação dos procedimentos metodológicas do SEM SmartPLS
Fonte: Ringle; Silva; Bido, 2014.
32
Quadro 4 – Síntese dos ajustes do SEM no SmartPLS
Indicador/ Procedimento Propósito Valores referenciais / Critério Referências
1.1. AVE Validades convergentes AVE > 0,50 HENSELER; RINGLE;
SINKOVICS (2009)
1.2 Cargas cruzadas Validade discriminante Valores das cargas maiores nas VLs
originais do que em outras CHIN, 1998
1.2 Critério de Fornell e
Larck Validade discriminante
Comparam-se as raízes quadradas dos
valores das AVEs de cada construto com as
correlações (de Pearson) entre os
constructos (ou variáveis latentes). As
raízes quadradas das AVEs devem ser
maiores que as correlações dos construtos
FORNEL; LARCKER (1981)
1.3 Alfa de Cronbach e
Confiabilidade Composta
(CC)
Confiabilidade do
modelo
AC > 0,70
CC > 0,70
HAIR; HULT; RINGLE;
SARSTEDT (2014)
1.4 Teste t de Student
Avaliação das
significâncias das
correlações e regressões
Para a área de ciências sociais e
comportamentais, R2=2% seja classificado
como efeito pequeno, R2=13% como efeito
médio e R2=26% como efeito grande.
COHEN (1988)
2.1 Avaliação dos
Coeficientes de
Determinação de Pearson
(R2):
Avalia a porção da
variância das variáveis
endógenas, que é
explicada pelo modelo
estrutural.
Para a área de ciências sociais e
comportamentais, R2=2% seja classificado
como efeito pequeno, R2=13% como efeito
médio e R2=26% como efeito grande.
COHEN (1988)
2.2 Tamanho do efeito (f2)
ou Indicador de Cohen
Avalia-se quanto cada
construto é “útil” para o
ajuste do modelo
Valores de 0,02, 0,15 e 0,35 são
considerados pequenos, médios e grandes.
HAIR; HULT; RINGLE;
SARSTEDT (2014)
2.4 Validade Preditiva (Q2)
ou indicador de Stone-
Geisser
Avalia a acurácia do
modelo ajustado
Q2 > 0
HAIR; HULT; RINGLE;
SARSTEDT (2014)
2.5. GoF (veja nota4)
É um escore da
qualidade global do
modelo ajustado
GoF > 0,36 (adequado)
TENENHAUS et al. (2005);
WETZELS, M.;
ODEKERKEN-SCHRÖDER,
G.; OPPEN
2.6 Coeficiente de Caminho Avaliação das relações
causais Interpretação dos valores à luz da teoria HAIR et al. (2014)
Fonte: Adaptado de Ringle; Silva; Bido, 2014.
4 Até recentemente o GoF era calculado para avaliar o modelo como um todo. Porém, Henseler e Sarstedt
(2012) mostraram que o mesmo não tem poder de distinguir modelos válidos e modelos não válidos. Assim,
sugere-se não usar o GoF como indicador (RINGLE; SILVA; BIDO, 2014, p. 72).
33
4 Referências
AMORIM, L. D. A. F.; FIACCONE, R.; SANTOS, C.; MORAES, L.; OLIVEIRA, N.;
OLIVEIRA, S.; SANTOS, T. N. L. D. Modelagem com Equações Estruturais: Princípios
Básicos e Aplicações. 2012.
COHEN. Statistical power analysis for the behavioral sciences. Hillsdale: Erlbaum, 1988.
CHIN, W. W. The partial least squares approach for structural equation modeling. In
Marcoulides, G.A. (Ed.). Modern methods for business research. London: Lawrence
Erlbaum Associates, p. 295-236, 1998.
DO NASCIMENTO, J, C, H, B; DA SILVA MACEDO, M, A. Modelagem de Equações
Estruturais com Mínimos Quadrados Parciais: um Exemplo daAplicação do SmartPLS® em
Pesquisas em Contabilidade. Revista de Educação e Pesquisa em Contabilidade
(REPeC), v. 10, n. 3, 2016.
EBERL, M.; SCHWAIGER. Corporate reputation: disentangling the effects on financial
performance. European Journal of Marketing, v. 39, n. 7/8, p. 838-854, 2005.
EBERL, M. An application of PLS in multi-group analysis: the need for differentiated
corporate-level marketing in the mobile communications industry. In: Handbook of partial
least squares. Springer, Berlin, Heidelberg, 2010. p. 487-514.
FREDERICO, E.; ROBIC, A. R. Determinantes da continuidade do relacionamento entre
varejistas de moda e seus fornecedores: uma comparação entre a utilização de modelos
estruturais e análise multivariada convencional [Trabalho completo]. In: ASSOCIAÇÃO
NACIONAL DE PESQUISA E PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO - ANDAP
(Org.), Anais do XXIX ENANPAD. Brasília: Anpad, 2005, p. 1-16.
GOUVEIA, V. V.; MARTÍNEZ, E.; MEIRA, M.; MILFONT, T. L. A estrutura e conteúdo
universais dos valores humanos: análise fatorial confirmatória da tipologia de Schwartz.
Estudos de Psicologia, v. 6, n. 2, p. 133-142, 2001.
HAIR, J. F.; ANDERSON R. E; TATHAM R. L. Multivariate data analysis. USA:
Prentice-Hall, 1998.
HAIR JR, J.F., ANDERSON, R.E., TATHAM, R.L., & BLACK, W.C. Análise
multivariada de dados (5a. ed.). Porto Alegre: Bookman. 2005.
HAIR, J. F., SARSTEDT, M., RINGLE C. M.; Mena, J. A. Assessment of the use of partial
least squares structural equation modeling in marketing research. Journal of the academy
of marketing science, v. 40, n. 3, p. 414-433, 2012.
34
HAIR, J. F.; HULT, G. T. M., RINGLE, C. M.; SARSTEDT, M. A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM), Sage, Thousand Oaks, CA,
2014.
HAIR, J. F.; HULT, G. T. M., RINGLE, C. M.; SARSTEDT, M. A Primer on Partial
Least Squares Structural Equation Modeling (PLS-SEM), Sage, Thousand Oaks, CA,
2016.
HAIR, J. F.; SARSTEDT, M.; MATTEWS, L.; RINGLE, C. M. Identifying and treating
unobserved heterogeneity with FIMIX-PLS: part I - method. European Business Review,
v. 28 n. 1, p. 63-76, 2016.
HELM, S.; EGGERT, A.; GARNEFELD, I. Modeling the impact of corporate reputation on
customer satisfaction and loyalty using partial least squares. In: Handbook of partial least
squares. Springer, Berlin, Heidelberg, 2010. p. 515-534.
HENSELER, J.; RINGLE, C. M.; SINKOVICS, R. R. The use of partial least squares path
modeling in international marketing. In: New challenges to international marketing.
Emerald Group Publishing Limited, 2009. p. 277-319.
HENSELER, J.; SARSTEDT, M. Goodness-of-Fit Indices for Partial Least Squares Path
Modeling, Computational Statistics, v. 28, p- 565-580, 2012.
HERSHBERGER, S.L., MARCOULIDES, G.A., & PARRAMORE, M.M. Structural
equation modeling: An introduction. In B.H. Pugesek, A. Tomer & A.V. Eye (Eds.),
Structural equation modeling: Applications in ecological and evolutionary biology (pp. 3-
41). Cambridge: Cambridge University Press, 2003.
LEE, L.; PETTER, S.; FAYAYARD, D.; ROBINSON, S. On the use of partial least squares
path modeling in accounting research. International Journal of Accounting Information
Systems, v. 12, n. 4, p. 305–328, 2011.
MACKENZIE, S. B.; PODSAKOFF, P. M.; PODSAKOFF, N. P. Construct measurement
and validation procedures in MIS and behavioral research: integrating new and existing
techniques. MIS Quarterly, v. 35, n. 2, p. 293–334, 2011.
MARUYAMA, G. M. Basics of structural equation modeling. London : Sage
Publications, 1998.
MALHOTRA, N. K. Pesquisa de marketing: uma orientação aplicada: Bookman
Editora. 2012.
PILATI, R.; ABBAD, G. Análise fatorial confirmatória da escala de impacto do treinamento
no trabalho. Psicologia: Teoria e Pesquisa, v. 21, n.1, 43-51, 2005.
35
RAITHEL, S.; SCHWAIGER. The effects of corporate reputation perceptions of the general
public on shareholder value. Strategic Management Journal, v. 36, n. 6, p. 945-956, 2015.
RAITHEL, S.; WILCZYNSKI, P.; SCHLODERER, M. P.; SCHWAIGER, M. The value-
relevance of corporate reputation during the financial crisis. Journal of Product & Brand
Management, v. 19, n. 6, p. 389-400, 2010.
RINGLE, C. M.; DA SILVA, D.; BIDO, D. S. Modelagem de equações estruturais com
utilização do SmartPLS. Revista Brasileira de Marketing, v. 13, n. 2, p. 56-73, 2014.
RODGERS, W. The influences of conflicting information on novices’ and loan officers’
actions. Journal of Economic Psychology, v. 20, n. 2, p. 123−145, 1999.
SCHLODERER, M. P.; SARSTEDT, M.; RINGLE, C. M. The relevance of reputation in
the nonprofit sector: The moderating effect of socio‐demographic
characteristics. International Journal of Nonprofit and Voluntary Sector Marketing, v.
19, n. 2, p. 110-126, 2014.