Técnicas Avançadas de Tratamento de Dados Quan5ta5vos de Modelos Causais Baseados em Variância (PLS-­‐PM) Dirceu da Silva Estas apresentações só foram possíveis porque 5ve a grata ajuda de grandes amigos: Diógenes de Souza Bido Evandro Luis Lopes Marcelo Luiz da Silva Gabriel Roberto de Araújo Nascimento Cunha Sérgio da Silva Braga Junior Que revisaram as bobagens que eu editei e colaboraram cedendo materiais seus. Modelos de Mensuração (AFC)
δ1
x1
ζ1
λx1
δ2
x2
λx2
λy1
ξ1
x3
λx3
exógeno
ε1
y2
ε2
η1
λy2
δ3
y1
endógeno
Modelo de Caminhos (ou Modelo Estrutural)
Visão gráfica do SEM
Fonte: BYRNE (1998:19)
Variável Observada (VO) Indicador,
assertiva ou item
δ1
x1
ζ1
λx1
δ2
x2
λx2
λy1
ξ1
δ3
x3
ε1
y2
ε2
η1
λy2
λx3
y1
Variável Latente (VL) Constructo,
Variável não observada
Há dois grande grupos da Modelagem de Equações Estruturais: Modelos baseados em covariância (LISREL, AMOS, EQS, R project etc.) Modelos baseados em variância (SmartPLS, VisualPLS, R project etc.) DIFERENÇAS???? δ1
x1
ζ1
λx1
δ2
x2
λx2
x3
exógeno
ε1
y2
ε2
λy1
ξ1
η1
λy2
δ3
y1
λx3
endógeno
Fonte: BYRNE (1998:19)
Fonte: CHIN (2000) e VINZI e TANENHAUS (2003) Para se obter o software
acessar: www.smartpls.com
Para se obter o software acessar: www.smartpls.com
O exemplo adotado nestas apresentações pode
ser obtido no artigo:
BRAGA JÚNIOR, S. S.; SILVA, D.; MORETTI, S. L. A.;
LOPES, E. L. Uma análise da consciência ecológica para o
consumo “verde” no varejo supermercadista. Revista de
Gestão Social e Ambiental, v. 6, n. 2, p. 134-148, 2012.
Ou pelo site: http://www.spell.org.br/
TAMANHO DA AMOSTRA MÍNIMA para se detectar os efeitos do modelo estrutural no PLS-­‐PM Usando o exemplo adotado, as variáveis dependentes recebem
apenas uma seta!
Como PLS-PM é “partial”, uma hora roda modelo de mensuração
(OUTER MODEL) e na outra o modelo estrutural (INNER
MODEL), então, para definirmos o tamanho da amostra
precisamos identificar qual parte do modelo recebe mais setas,
porque, apenas neste momento o algoritmo terá que rodar uma
regressão múltipla.
Para o cálculo usa-se o software G*Power 3.1.7 à gratuito.
Para obtê-lo vá ao site:
http://www.psycho.uni-duesseldorf.de/abteilungen/aap/gpower3/download-andregister FAUL et al. (2007)
Também existem opções da ordem temporal da coleta de dados (a priori, a posteriori , sensibilidade etc..) Escolha das condições do cálculo: Escolha das condições do cálculo: f² = variância explicada /
variância não explicada
f² = R² / (1 – R²)
f² = 0,02 à R² = 2%
f² = 0,15 à R² = 13%
f² = 0,35 à R² = 26%
Na verdade, a probabilidade de detectar o efeito como significante diminui
com o aumento do valor do f2.
Só usamos valores maiores, se estamos interessados em detectar como
significantes, apenas efeitos que sejam grandes, por exemplo, em Física,
Química etc. (Hard Science), que não é o caso de “Ciências do
Comportamento”.
Explicando um pouco mais... f2 ou tamanho do efeito à é uma “expectativa que temos com
respeito ao comportamento do resultado” de um teste.
Supondo um f2 elevado indica que, em duas amostras - homens e
mulheres, por exemplo, há um fenômeno que as distingue muito
(paixão por sapatos) è isso implica em ter-se um cenário
favorável para se verificar as diferenças (efeito).
Supondo um f2 pequeno indica que as diferenças de um fenômeno em duas amostras (p. ex.) são suds e assim, necessita-­‐se de amostras maiores para se observar o efeito.
Escolha das condições do cálculo: f2 médio
aceitável
(Convenções sugeridas por Cohen, 1988) àNo modelo original as variáveis dependentes recebem apenas uma seta è 1 preditor. Convenções sugeridas por Cohen (1988): àNo modelo original as variáveis dependentes recebem apenas uma seta è 1 preditor. Em modelos baseados em Covariância à cada seta do modelo é um preditor. Por exemplo: Nove setas.
Nesse caso temos 27 setas à 27 preditores!!!
Modelos baseados em Covariância Análise
dos
resultados
MEE
1.1AVE
1. Avaliação
dos
modelos de
mensuração
1.2.Vali.
Discrim
.
1.4/2.1.
Teste t
1.3.Alfa
e CC
2.Avaliação
do modelo
estrutural
2.2.R2
2.5.Γ
2.3.f2
2.4.Q2
O que se deve observar nos relatórios?
Para os ajustes dos modelos e para a análise dos resultados
seguiu-se as recomendações apresentadas por Hair et al.
(2014), ou seja, deve-se apresentar:
São 8 etapas + 1 básica (etapa 0) (ou 2 etapas básicas
para modelos formativos etapa 0 + etapa 0.1)
Etapa 0. Observar as cargas fatoriais (λ) à Condição Ideal
Todas as cargas > 0,70.(HAIR et al., 2014). Algumas estarão
acima de 0,70 e outras abaixo à Por isso, olhamos a média
(AVE > 0,50).
Começa-se observando os valores das AVE e da cargas fatoriais
(λ). Retirar-se “uma a uma”, rodando o PLS novamente e
observado o relatório. Até que as AVE > 0,50.
AVE = Average Variance Extracted (variância média extraída)
Etapa 0.1. EM MODELOS FORMATIVOS à Observar a (multi)
colinearidade dos dados – VIF acima de 5,0 mostra que as
variáveis são (multi) colineares.
Multicolinearidade entre variáveis cria resultados exagerados ou
“falsos”.
Fonte: RINGLE, C. M. ; SILVA, D. ; BIDO, D. S. . MODELAGEM DE EQUAÇÕES ESTRUTURAIS COM UTILIZAÇÃO DO SMARTPLS. REMark. Revista Brasileira de Marke1ng, v. 13, p. 54-­‐71, 2014. Etapa 1. Consistência interna (alfa de Cronbach) e
Confiabilidade Composta (CC) (ρ - rho de Dillon-Goldstein):
O indicador tradicional é o Alfa de Cronbach (AC), que é
baseado em intercorrelações das variáveis. A CC é mais
adequada ao PLS-PM, pois prioriza as variáveis de acordo com
as suas confiabilidades, enquanto o AC é muito sensível ao
número de variáveis em cada constructo.
Etapa 1. Consistência interna (alfa de Cronbach) e
Confiabilidade Composta (CC) (ρ - rho de Dillon-Goldstein):
Nos dois casos, tanto AC como CC, são usados para se avaliar
se a amostra está livre de vieses, ou ainda, se as respostas –
em seu conjunto – são confiáveis.
Valores do AC entre 0,60 e 0,70 são considerados adequados
em pesquisas exploratórias, enquanto que valores de 0,70 e
0,90 do CC são considerados satisfatórios (HAIR et al., 2014).
Alfa de Cronbach é muito sensível ao tamanho da amostra e do
número de variáveis observadas no constructo (ou VL).
Etapa 2. Validade Convergente – Variância Média Extraída
(Average Variance Extracted) (AVE).
Critério de Fornell e Larcker (HENSELER; RINGLE e SINKOVICS,
2009) AVE > 0,50
A AVE é a porção dos dados (nas respectivas variáveis) que é
explicada por cada um dos constructos, respectivos aos seus
conjuntos de variáveis ou quanto, em média, as variáveis se
correlacionam positivamente com os seus respectivos
constructos. Assim, quando as AVE são maiores que 0,50
admite-se que o modelo converge a um resultado satisfatório.
(FORNELL e LARCKER, 1981; HAIR et al., 2014).
Etapa 3. Validade Discriminante (VD):
Há três maneiras de se avaliar a VD:
3.1. CROSS LOADING - indicadores com cargas fatoriais mais
altas nas suas respectivas VL (ou constructos) do que em
outras (CHIN, 1998).
3.2. Critério de FORNELL e LARCKER (1981): Compara-se as
raízes quadradas dos valores das AVE de cada constructo com
as correlações (de Pearson) entre os constructos (ou variáveis
latentes). As raízes quadradas das AVE devem ser maiores que
as correlações dos constructos. A VD indica até que ponto os
constructos ou variáveis latentes são independentes um dos
outros. (HAIR et al., 2014).
3.3. Correlação Desatenuada. Valores menores que 1,0
indicam que há validade discriminante (NUNNALLY;
BERNSTEIN, 1994).
r12
r12ʹ′ =
CC1.CC2
Onde:
r’12 =Correlação esperada entre dois constructos perfeitamente confiáveis
(desatenuada).
r12 = Correlação entre os escores obtidos por média ou soma (atenuada).
CC1 = Confiabilidade Composta do fator 1.
CC2 = Confiabilidade Composta do fator 2.
Etapa 4. Avaliação dos Coeficientes de Determinação de
Pearson (R2):
Os R2 avaliam a porção da variância das variáveis endógenas,
que é explicada pelo modelo estrutural. Indica a qualidade do
modelo ajustado. Valores de 0,75, 0,50 e 0,25 são considerados
substanciais, moderados e fracos, respectivamente. (HAIR et al.,
2014). Esses valores são indicados para pesquisas nas áreas
de hard sciences.
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 (Cohen, 1988).
Etapa 5. Relevância ou Validade Preditiva (Q2) ou indicador
de Stone-Geisser:
Avalia a precisão (ou acurácia) do modelo ajustado. O critério de
avaliação são valores maiores que zero. (HAIR et al., 2014).
Pode ser observado pela redundância geral (média) do modelo
ajustado.
O Q2 avalia a qualidade da predição (modelo). Um modelo
perfeito teria Q2 = 1 (mostra que o modelo reflete a realidade –
sem erros).
Etapa 6. Tamanho do efeito (f2) ou Indicador de Cohen:
O valor é obtido pela inclusão e exclusão de constructos
endôgenos 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,
respectivamente (HAIR et al., 2014).
Por exemplo, se um modelo tem três constructos e ao se retirar
o primeiro o f2 calculado é de 0,448, isso indica que o modelo
apresenta um efeito grande para o constructo, pois o valor da
sua retirada supera o valor de 0,35.
f² = R² / (1 - R²)
R² = f² / (1 + f²)
Goodness-­‐Of-­‐Fit ( GoF -­‐ aderência do modelo). 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 disdnguir modelos válidos e modelos não válidos è recomendação da área é não usar o indicador! Etapa 7. Valores e significância dos Coeficientes de
Caminho (Γ - gama maiúsculo):
Os Γ indicam quanto um constructo se relaciona com outro.
Valores variam de -1,0 a +1,0. Próximos de +1.0 indicam relação
positiva muito forte entre dois constructos (vice-versa para
valores próximos de -1,0). Próximos de zero indicam relações
fracas. (HAIR et al., 2014).
Etapa 7. Valores e significância dos Coeficientes de
Caminho (Γ) – avaliação do modelo estrutural.
Para se aceitar um Γ deve-se testar se as relações causais
entre os constructos são significantes.
Idem para as relações de correlação (cargas fatoriais - λ).
Como os modelos SEM são baseados em correlações e
regressões, são empregados os testes t de Student para
verificar se as relações são válidas.
Usa-se a seguintes hipóteses nulas para se testar essas
relações: Ho: Γ = 0 - Ho: λ = 0
Para tal, se usa um teste t de Student, observando-se o valor do
teste (estatística t). Valores acima de 1,96 (extremos ou região
crítica da distribuição t de Student) são considerados
significantes a 5% ou 0,05, isto é, os constructos têm
correlações e/ou coeficientes de caminho aceitáveis (≠ 0).
Esclarecendo mais, os testes t de Student são calculados entre
as amostras originais de cada variável (ou em cada constructo)
e as respectivas amostras obtidas pelas técnicas reamostragem
(bootstrapping).
Espera-se que os valores dos testes t de Student sejam
significantes (p ≤ 0,05), o que equivale a um valor de t ≥ 1,96.
Se todas os caminhos entre constructos (e entre as variáveis e
os constructos) se apresentam significantes, o modelo estrutural
se mostra ajustado!
O ajuste do modelo é feito pela eliminação parcimoniosa
de variáveis observadas ou indicadores dos constructos.
Retira-se uma variável com carga fatorial (λ) menor que 0,70 e
roda-se o modelo novamente – observando os novos valores
das AVE. Estas têm que ser maiores que 0,50 (HAIR et. al.,
2014).
Normalmente a observação da Etapa 0 (cargas fatoriais λ e as
AVE) é suficiente (à priori) para se avaliar a presença de
variáveis “ruins” no modelo.
Indicador 1.1. AVE Propósito Validades Convergentes 1.2. Cargas cruzadas Validade Discriminante 1.2. Critério de Fornell e Validade Discriminante Larcker Correlação Desatenuada (vide texto) 1.3.Alfa de Cronbach e Confiabilidade do modelo Confiabilidade Composta 1.4. Teste t de Student Avaliação das significâncias das correlações e regressões 2.1. Avaliação dos Avaliam a porção da variância Coeficientes de das variáveis endógenas, que Determinação de é explicada pelo modelo Pearson (R2): estrutural. 2.2. Tamanho do efeito Avalia-­‐se quanto cada (f2) ou Indicador de constructo é “údl” para o Cohen ajuste do modelo 2.4. Validade Predidva Avalia a acurácia do modelo (Q2) ou indicador de ajustado Stone-­‐Geisser 2.5. Coeficiente de Avaliação das relações causais Caminho (Γ) Goodness of Fit NÃO SE DEVE CALCULAR Valores referenciais / critério AVE > 0,50 Referências (HENSELER; RINGLE e SINKOVICS (2009) Valores das cargas maiores nas VLs originais do CHIN, 1998 que em outras Compara-­‐se as raízes quadradas dos valores FORNELL e LARCKER das AVE de cada constructo com as correlações (1981) (de Pearson) entre os constructos (ou variáveis latentes). As raízes quadradas das AVEs devem ser maiores que as correlações dos constructos AC > 0,70 (0,60 à ???!!!). HAIR et al. (2014) CC > 0,70 t ≥ 1,96 (Ho: λ = 0 e Γ= 0) HAIR et al. (2014) Para a área de ciências sociais e COHEN (1988) comportamentais, R2=2% seja classificado como efeito pequeno, R2=13% como efeito médio e R2=26% como efeito grande. Valores de 0,02, 0,15 e 0,35 são considerados HAIR et al. (2014) pequenos, médios e grandes. Q2 > 0 HAIR et al. (2014) Interpretação dos valores à luz da teoria. HAIR et al. (2014) Não tem poder de avaliar a qualidade geral do HENSELER e SARSTEDT modelo. (2012) Fonte: Ringle; Silva e Bido (2014) ANÁLISE FATORIAL CONFIRMATÓRIA NO PLS-­‐PM Análise fatorial Confirmatória (AFC) no PLS-­‐PM A AFC é usada para validar modelos fatoriais previstos pela teoria. No PLS-­‐PM são adotados alguns procedimentos diferentes do LISREL. A AFC é usada, sobretudo, para validar escalas de adtude O modelo fica “saturado”. Só não se usa setas “ida e volta”
Valores dos coeficientes de caminho não devem ser
considerados, pois mudam a cada composição do
modelo. Idem para o R2 ,f2 e Q2.
Só se considera as AVE, CC e Alfa de Cronbach!
+
A Validade Discriminante:
CROSS LOADING (Chin, 1998).
ou pelo critério de FORNELL e LARCKER (1981).
ou ainda, pelo correlação desatenuada (NUNNALLY;
BERNSTEIN, 1994).
USO DE VARIÁVEL MODERADORA
Variável Moderadora/Intermédia/interveniente (VM):
Processos mediadores entre as Variável independente (VI) e a
variável dependente (VD):
São variáveis organísmicas de tipo cognitivo, emocional,
motivacional, atitudinal (contaminam o experimento, salvo se
controladas).
Há situações que uma variável modera uma relação causal
VM
VI
VD
Há situações que uma variável modera uma relação causal
VM
VI
VD
Há situações que uma variável modera uma relação
causal
Fator
emocional
Necessidade
de um
produto
Compra
Há situações que uma variável modera uma relação causal
EMOÇÃO
ALTA
Necessidade
de um
produto
Compra
EMOÇÃO
MÉDIA
Necessidade
de um
produto
Compra
EMOÇÃO
BAIXA
Necessidade
de um
produto
Compra
Voltando ao exemplo: Clique com o botão direito do mouse sobre VL Endógena Caixa para designação das variáveis no modelo USO DE VARIÁVEL MEDIADORA
Med = Variável Mediadora
Med
X
Y
Todos os outros 8 passos do SEM devem ser seguidos
Med
X
Y
Após rodar o PLS para se avaliar se a variável mediadora provê a mediação entre X e Y à roda-­‐se o teste de SOBEL (Sobel Test Calculator for the Significance of Mediadon) (Soper, 2013; Sobel, 1982) Soper, D.S. (2013). Indirect Mediation Effect Confidence Interval Calculator [Software].
Available from http://www.danielsoper.com/statcalc
Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural
equation models. Sociological Methodology, Vol. 13, pp. 290-312.
http://www.danielsoper.com/statcalc3/
Onde:
A é o coeficiente de regressão para a relação entre a variável independente e a mediadora.
B é o coeficiente de regressão para a relação entre a mediadora e a variável dependente.
SEA é o erro padrão da relação entre a variável independente e a mediadora.
SEB é o erro padrão da relação entre a variável mediadora e a variável dependente.
Valores de SEA SEB
Deve-se rodar o
Bootstrapping e
localizar no report
ASP PEDAGÓGICOS à ASP TECNOLÓGICOS (VI à VM)
ASP TECNOLÓGICOS à ASP SOCIAIS (VM à VD)
Relação é significante (p< = 0,05) è Há uma relação mediadora!
EM OUTRA PESQUISA à Relação é não significante (p>0,05) è
Não há uma relação mediadora!
Tem aparecido na literatura algumas sugestões de que o teste de Sobel é pouco sensível para confirmar o efeito mediador. Hair et al. 2014 indicam o teste variance accounted for (VAF) ou Variância Explicada. Variância Explicada variance accounted for (VAF) Variável 2
β12
β23
Variável 1
Variável 3
β13
Variável 2
β12
β23
Variável 1
Variável 3
β13
Variância Explicada
variance accounted for (VAF)
β12 .β 23
VAF =
( β12 .β 23 ) + β13
Procedimentos para avaliação da mediação com o SmartPLS
Avaliar a significância do efeito direto β13 sem a inclusão da variável mediadora. (use o módulo Bootstrapping). (lembre-­‐se que t ≥ 1,96 è p ≤ 0,05) O efeito direto (β13 ) é não significante (t < 1,96) Não há sen5do em con5nuar a análise! O efeito direto é significante (t ≥ 1,96) Incluir a variável mediadora no modelo e avaliar a significância do efeito indireto (β12.β23 ) O efeito indireto (β12.β23) é não significante (t<1,96) Não há sen5do em con5nuar a análise! VAF > 80% mediação plena Fonte: levemente adaptado de Hair et al. (2014) O efeito indireto (β12.β23) é significante (t≥1,96) Calcule o valor da VAF β12 .β 23
=
VAF
( β12 .β 23 ) + β13
VAF < 20% não há mediação 20% ≤ VAF ≤ 80% mediação parcial Rodando um Bootstrapping para o efeito direto β13
sem a variável mediadora!
β13 apresenta valor do teste t maior que 1,96
Incluindo a variável mediadora e rodando o Bootstrapping:
(β12 .β23) apresentam valores dos teste t maiores que 1,96.
Calculando a VAF:
ASP_TECN
0,902
0,437
ASP_PED
ASP_SOC
0,492
β12 .β 23
0,902.0,437
VAF =
=
= 0,445
( β12 .β 23 ) + β13 (0,902.0,437) + 0,492
Efeito de mediação é parcial
0,20 ≤ VAF ≤ 0,80
MODELOS COM HETEROGENEIDADE NÃO OBSERVADA (ou não mensurada) 8ª etapa do processo de avaliação do modelo ajustado.
A heterogeneidade muitas vezes está presente em dados empíricos à Por exemplo: há muitas fontes de heterogeneidade. É sempre interessante realizar essa análise! Didadcamente: Dados provem de amostras com gênero, idades, nível socioeconômico diferentes, escolaridades diferentes, especialidades diferentes etc.. Ao se analisar “as amostras” em conjunto podemos ter alguns resultados “falsos” à obviamente quando essas variáveis categóricas interferem na mensuração (problemas central de pesquisa). A heterogeneidade não observada é definida como uma situação que não pode ser atribuída a variáveis presentes na pesquisa. (HENSELER et al., 2009). QUEREMOS MOSTRAR QUE NÃO HÁ HETEROGENIEDADE NÃO OBSERVADA NO MODELO ANALISADO!!! No SmartPLS há um conjunto de procedimentos no módulo FIMIX – PLS (Finite Mixture PLS) denominada de técnicas de Classe latente (HAIR et al., 2014). Há três indicadores que devem ser observados quando se roda o FIMIX: • 
• 
• 
Bayesian informadon criterion (BIC) (SARSTEDT e RINGLE, 2010). Consistent Akaike informadon criterion (CAIC) (SARSTEDT e RINGLE, 2010). Normed Entropy Criterion (EN) (RAMASWAMY et al.,1993). Bayesian informadon criterion (BIC) (SARSTEDT e RINGLE, 2010). Consistent Akaike informadon criterion (CAIC) (SARSTEDT e RINGLE, 2010). Normed Entropy Criterion (EN) (RAMASWAMY et al.,1993). Como etapas e critérios de análise deve-­‐se: 1. selecionar várias pardções ou segmentos, uma vez que o SmartPLS não tem uma seleção à priori. 2. Rodar o FIMIX – PLS e observar os três indicadores (BIC. CAIC e EN). 3. O critério de seleção do “melhor modelo” será aquele que tem os menores valores de CAIC e BIC. (SARSTEDT e RINGLE, 2010). 4. A EN varia é normalizada (varia de 0 a 1). Valores acima de 0,50 (EN >0,50) indica que os segmentos são disdntos. (SARSTEDT e RINGLE, 2010). 5. Observar os tamanhos reladvos dos segmentos ou pardções. Fonte: Souza C;C.M., Silva, D., Moretti, S.L.A. e Garcia, M.N. Construção e
Validação de Escala de Qualidade de Ensino e Serviços: Um Estudo com Alunos de
Cursos de Graduação em Administração de Empresas. REGE Revista de Gestão, v.
21, n. 1, 2014.
Rodando o FIMIX... O número máximo de iterações deve ser tal que permita a separação dos segmentos, isto é, maiores que 1000. (RIGDON et al., 2010) Para 2 segmentos Analisando o report do smartPLS: Repe5ndo o algoritmo para 3, 4, 5 e 6 segmentos: Indicadores de ajuste
Nº
segmento
s
AIC
BIC
CAIC
Tamanhos relativos dos segmentos
EN
Seg 1 Seg 2 Seg 3 Seg 4 Seg 5 Seg 6
2
4083,38 4170,94 4170,98
0,55
0,77 0,23 ***** ***** ***** *****
3
4150,72 4284,15 4284,21
0,57
0,54 0,37 0,08 ***** ***** *****
4
4135,57 4314,86 4314,95
0,65
0,13 0,14 0,63 0,10 ***** *****
5
4135,57 4314,86 4314,95
0,65
0,14 0,24 0,12 0,45 0,05 *****
6
4228,75 4499,77 4499,91
0,62
0,18 0,42 0,07 0,06 0,12 0,15
Os valores menores de BIC e CAIC estão relacionados com dois segmentos e os tamanhos reladvos são: Seg1 = 0,77 e seg2 = 0,23 Há uma diferença de: O segmento 1 é 334,78% maior que o segmento 2. Portanto, não há uma heterogeneidade significadva no modelo ajustado. Segue-­‐se sem considerar que há amostras diferentes no banco de dados. Em outra pesquisa obteve-­‐se: Algumas vezes as pardções ou segmentos são tamanhos muito próximos. Por exemplo: Separar as duas amostras E rodar novamente os modelos (separadamente). Pode ser interessante. Para separar os grupos Deve-­‐se recorrer, por exemplo, ao Excel. Transferir a planilha “final parddon” Selecionar no report à control C à control V. Em seguida na célula ao lado de cada linha digitar: =SE((B5-­‐C5)>0;1;2) “se o valor da subtração de B5 e C5 for maior que zero, escreva 1; se não escreva 2). Destaque a célula calculada e “puxe” até o final da tabela! Na sequência use o “filtro” na coluna “D” para selecionar os casos do segmento 1. Copie em um novo arquivo Excel e coloque o nome seg1 à salve como CSV. Idem para o seg 2. Transfira para o projeto original (veja primeiro truque desta sequência de slides) Rode os modelos separadamente à analise os resultados com os 7 passos de avaliação (o 8 passo é a heterogeneidade realizada aqui). Muita informação?
Referências
BYRNE, B. M. Structural Equation Modeling with Lisrel, Prelis and Simples: Basic Concepts,
Applications and Programming. New Jersey: Lawren ce Erlbaum Associates Publishers, 1998.
CHIN, W. W. Partial Least Squares is to LISREL as principal components analysis is to common factor
analysis. Technology Studies, 2, pp. 315-319., 1995. Disponível em: <
http://disc-nt.cba.uh.edu/chin/technologystudies.pdf>. Acesso em 07/04/2014.
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.
CHIN, W. W. Partial Least Squares for Researchers: An Overview and Presentation of Recent
Advances Using the PLS Approach, 2000. Disponível em: http://disc-nt.cba.uh.edu/chin/indx.html. Acesso
em 07/04/2014.
COHEN, J. Statistical Power Analysis for the Behavioral Sciences. 2nd ed. New York: Psychology
Press, 1988.
FORNELL, C.; LARCKER, D.F. Evaluating structural equation models with unobservable variables and
measurement error. Journal of Marketing Research. v.18, n. 1, p. 39-50, 1981.
GÖTZ, O.; LIEHR-GOBBERS, K.; KRAFFT, M. Evaluation of structural equation models using the partial
least squares (PLS) approach. In: VINZI, V. E.; CHIN, W. W.; HENSELER, J. WANG, H. (editors).
Handbook of partial least squares. Heidelberg: Springer, 2010.
HAIR, J., HULT, G. T. M., RINGLE, C. and SARSTEDT, M. A Primer on Partial Least Squares
Structural Equation Modeling (PLS-SEM),Los Angeles: SAGE Publications, 2014.
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.
HENSELER, J.; SARSTEDT, M. Goodness-of-Fit Indices for Partial Least Squares Path Modeling,
Computational Statistics (28), pp 565-580, 2012.
NUNNALLY, J. C.; BERNSTEIN, I. H. Psychometric Theory. 3rd ed. New York: McGraw-Hill, 1994.
Referências
RIGDON, E. E., RINGLE, C. M. e SARSTEDT, M. Structural Modeling of Heterogeneous Data with
Partial Least Squares. Review of Marketing Research, n.7, p. 255-296, 2010.
RINGLE, C.; SILVA, D.; BIDO, D. Modelagem de Equações Estruturais com utilização do
Smartpls. Revista Brasileira de Marketing, v. 13, n. 2, p. 54-71, 2014.
Soper, D.S. (2013). Indirect Mediation Effect Cofidence Interval Calculator [Software]. On line
http://www.danielsoper.com/statcalc. acesso em 05/09/2012.
Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models.
Sociological Methodology, Vol. 13, pp. 290-312.
SHIU, E.; PERVAN, S. J.; BOVE, L. L.; BEATTY, S. E.. Reflections on discriminant validity: reexamining
the Bove et al. (2009) findings. Journal of Business Research. v. 64, n. 5, p. 497–500, 2011.
SHOOK, C. L. et al. An assessment of the use of structural equation modeling in strategic management
research. Strategic Management Journal,, v. 25, n. 4, p.397-404, 2004
TENENHAUS, Michel; CHATELIN, Yves-Marie; VINZI, Vicenzo Esposito. State-of-art on PLS Path
Modeling through the available software. Junho de 2002. Disponível em:
http://ideas.repec.org/p/ebg/heccah/0764.html Acesso em: 07/04/2014.
VINZI, V. E. The Classical (ML) and the Partial Least Squares (PLS) Approach to Study Causal
Relationships by Structural Equation Modeling. Humboldt-Universität zu Berlin. Quantitative Finance
Seminar. October 24th, 2005. Disponível em: <http://sfb649.wiwi.hu-berlin.de/QFS/en/papers/
Vinzi_20051024.pdf> Acesso em: 07/04/2014.
WETZELS, M.; ODEKERKEN-SCHRÖDER, G.; OPPEN, C.V. Using PLS path modeling for assessing
hierarchical construct models: guidelines and empirical illustration. MIS Quarterly, v.33, n.1, p.177-195,
2009.