Navegar por:

Modelos de equações estruturais: métodos computacionais

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/10400.2/7932
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorOliveira, Teresa-
Autor(es): dc.contributorOliveira, Amílcar-
Autor(es): dc.creatorLeal, Maria da Conceição Dias-
Data de aceite: dc.date.accessioned2019-08-21T17:15:28Z-
Data de disponibilização: dc.date.available2019-08-21T17:15:28Z-
Data de envio: dc.date.issued2019-02-08-
Data de envio: dc.date.issued2019-02-08-
Data de envio: dc.date.issued2018-12-11-
Data de envio: dc.date.issued2019-02-08-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/10400.2/7932-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/10400.2/7932-
Descrição: dc.descriptionResolver 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.-
Descrição: dc.descriptionSolving complex problems requires the capacity, provided by the SEM – Structural Equation Modelling – to analyse multiple influences and multiple responses simultaneously. Given its flexibility and the scope of its applications, SEM offers a means to develop and evaluate ideas about complex multivariate relations, which enables it to respond to problems and challenges both from Social and Human Sciences and Natural Sciences. SEM “is modeling hypotheses with structural equations” (Grace, (2006). This is the definition that best suits the diversity of approaches it enables, whether considering modelling, analysis, or applications. More than just a methodology, SEM is a collection of multivariate statistical techniques the main objective of which is to evaluate the degree in which a proposed theoretical model is supported by data, making it a potential driving force for knowledge. In fact, within SEM, theory is the engine of analysis and data are used to test the theory, a paradigm that breaks away from the classical inferential statistical rationality, where data analyse precedes the elaboration of theory (Hair et al., 2010). In comparison to the conventional multivariate techniques, SEM offers two advantages that make it a useful tool both to deal with complex problems and to generate knowledge in several fields: the capacity to analyse simultaneously multiple influences and multiple responses, and the capacity to deal with the errors of measurement in the observed data. Together with these characteristics is the facility in dealing with a high volume of data, and of different types, and that of dealing with multiple groups and multiple levels. If one also considers the fact that it provides tools to deal with missing data, which frequently happens both in Social and Human Sciences and in Natural Sciences, then it’s easy to understand the importance of SEM nowadays and the great amount of articles that illustrate its application in the most varied fields within these sciences. The computational development pressed forward the conception of statistical methods to improve the quality of scientific production and the automation of data collection and storage, fostering a dramatic increase of the models and methods complexity. SEM wasn’t an exception. On the one hand, it benefited with the development of several software’s for iv SEM analysis, ones that were commercial, like AMOS, LISREL or MPlus, and others that were free, available on R environment, capable of competing with the commercial ones. On the other hand, since it is adequate to deal with high data amounts, it was the object of more and more complex and wider developments and applications. The aim of the present work is to review the Structural Equations Modelling in what concerns applications, theoretical grounds of conventional SEM (Confirmatory Factorial Analysis and Linear Regression), with special emphasis in the SEM analysis with missing data, so as to explore the potentialities of software R as a free access resource to researchers in the different areas where SEM is especially useful. As for applications, the ones in the fields of Life Sciences and Natural Sciences were the main focus since in the last decades they have undergone great expansion and SEM has been helping the process of maturing theories and investigations. In fact, one needs to reach for ways of connecting structural equations modelling to the scientific process if one wants to obtain the maximum impact of models and analysis in the knowing process.-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectDados omissos-
Palavras-chave: dc.subjectPacotes SEM do R-
Palavras-chave: dc.subjectCiências naturais-
Palavras-chave: dc.subjectStructural equation modelling-
Palavras-chave: dc.subjectR SEM packages-
Palavras-chave: dc.subjectMissing data-
Palavras-chave: dc.subjectNatural sciences-
Título: dc.titleModelos de equações estruturais: métodos computacionais-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Aberto - Universidade Aberta (Portugal)

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação