| Resumo: | Resolver problemas complexos requer a capacidade, proporcionada pela Modelação de Equações Estruturais – SEM (Structural Equation Modelling), de examinar múltiplas influências e múltiplas respostas simultaneamente. Dada a sua flexibilidade e abrangência das aplicações, a SEM oferece um meio para desenvolver e avaliar ideias sobre relações multivariadas complexas, o que a torna capaz de responder a problemas e desafios quer das Ciências Sociais e Humanas quer das Ciências Naturais. SEM “is modeling hypotheses with structural equations” (Grace, 2006). Esta é a definição que melhor se adequa à diversidade de abordagens que admite, seja na modelação, na análise ou ainda nas aplicações. Mais que uma metodologia, a SEM é uma coleção de técnicas estatísticas multivariadas que tem como objetivo principal avaliar em que grau um modelo teórico proposto é suportado pelos dados, o que a pode tornar um motor do conhecimento. De facto, na SEM a teoria é o motor da análise e os dados servem para testar a teoria, paradigma que rompe com a racionalidade estatística inferencial clássica, onde a análise dos dados precede a elaboração da teoria (Hair et al., 2010). Relativamente às técnicas multivariadas convencionais, a SEM tem duas vantagens que a tornam uma ferramenta capaz de lidar com problemas complexos e de gerar conhecimento em vários domínios: a capacidade de examinar simultaneamente múltiplas influências e múltiplas respostas e a capacidade de lidar com os erros de medição nos dados observados. Aliada a estas características acresce a facilidade em lidar com um elevado volume de dados e de diferentes tipos, de lidar com grupos múltiplos e com níveis múltiplos. Se se considerar ainda o facto de dispor de ferramentas para lidar com dados omissos, situação muito frequente quer nas Ciências Sociais e Humanas, quer na Ciências Naturais, melhor se percebe a importância da SEM na atualidade e a grande quantidade de artigos que ilustram a sua aplicação nas mais diversas áreas destas ciências. O desenvolvimento computacional impulsionou a conceção de métodos estatísticos para melhorar a qualidade de produção científica e a automatização da recolha e armazenamento de dados, potenciando um aumento dramático da complexidade dos modelos e dos métodos. A SEM não foi exceção. Beneficiou, por um lado, com o ii desenvolvimento de diversos softwares para a análise SEM, uns comerciais, como o AMOS, LISREL ou MPlus, a título de exemplo, e outros livres, disponíveis no software R, capazes de rivalizar com os comerciais. Por outro lado, por ser adequada para lidar com grandes volumes de dados, foi objeto de desenvolvimentos e aplicações cada vez mais complexas e mais abrangentes. O objetivo do presente trabalho é o de fazer uma revisão da Modelação de Equações Estruturais, no que respeita a aplicações, fundamentos teóricos da SEM convencional (Analise Fatorial Confirmatória e Regressão Linear), com especial ênfase na análise SEM com dados omissos, tendo como motivação a exploração das potencialidades do software R, como recurso de livre acesso aos investigadores das diferentes áreas em que a SEM é especialmente útil. No âmbito das aplicações, as aplicações em Ciências da Vida e em Ciências Naturais foram o foco principal dado que, nas últimas décadas, estas sofreram grande expansão e a SEM tem contribuído para um maior amadurecimento de teorias e investigações. De facto, recorrer a formas de conectar modelos de equações estruturais com o processo científico é necessário se se quiser obter o máximo impacto de modelos e análises no processo de construção de conhecimento.
|
|---|