Vous êtes sur la page 1sur 20

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

Abrindo a caixa preta: consideraes sobre a


utilizao da Anlise Fatorial Confirmatria
nas pesquisas em Administrao
Opening the black box: considerations on the use of Confirmatory
Factor Analysis in research in Business Management
Humberto Elias Garcia Lopes

RESUMO
A Anlise Fatorial Confirmatria (AFC) uma tcnica multivariada
que vem sendo adotada com relativa freqncia nas pesquisas em
Administrao. Entretanto, para que ela seja utilizada corretamente,
preciso que se tenha domnio de seus aspectos conceituais e operacionais. Este artigo tem por objetivo oferecer aos pesquisadores da
rea um roteiro para a conduo de uma investigao que utilize a
AFC. Por meio da reviso da literatura sobre o assunto e da utilizao
de um exemplo emprico, este artigo procurou tambm mostrar os
principais problemas que ocorrem nesse tipo de anlise. Embora as
dificuldades inerentes tcnica no inviabilizem o uso de tal anlise,
preciso reconhecer que elas tm que ser consideradas como limitaes significativas em uma pesquisa, tirando da tcnica a possibilidade de ser encarada como uma soluo universal para qualquer problema cientfico. Dessa forma, aconselhvel que o pesquisador planeje
criteriosamente a sua investigao, ponderando os prs e os contras
da estratgia de anlise proposta, a fim de que a escolha feita seja
realmente adequada pesquisa.
Palavras-chave: Anlise Fatorial Confirmatria; Valores discrepantes;
Dados ausentes; Anlise multivariada; Pressupostos.

m anos recentes, tem sido freqente a utilizao de sofisticadas metodologias


e tcnicas estatsticas multivariadas nas pesquisas em Administrao, fato que
no exatamente novo, j que sua origem data dos anos 1970 e 1980 (AAKER,
1971; BISHOP, 1995; CHATFIELD; COLLINS, 1980; MUIRHEAD, 1982; JOHNSON;
WICHERN, 2002). Entre as diversas tcnicas disponveis, uma tem-se destacado
em estudos nacionais recentes na rea: a Anlise Fatorial Confirmatria (AFC).

Artigo recebido em 13/07/2004 e aprovado para publicao em 15/10/2005.

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

97

Humberto Elias Garcia Lopes

Atualmente, h significativo nmero de pesquisas no Pas que utilizam a AFC,


como mostram os trabalhos de Urdan e Rodrigues (1999), Latif (2000), Veiga (2000),
Urdan e Zuiga (2001), Filho (2001), Lopes (2001, 2003) e Gosling (2004). No entanto, embora seja uma tcnica multivariada que permite uma anlise complexa
em pesquisas quantitativas, ela tem particularidades que podem se transformar
em problemas considerveis para o pesquisador, comprometendo a qualidade da
investigao. Para que esse risco seja reduzido a nveis aceitveis, preciso dominar a tcnica, tanto em seus aspectos tericos como operacionais.
O objetivo deste trabalho fornecer aos pesquisadores uma proposta de roteiro para a utilizao da AFC nas investigaes em Administrao. Para que esse esforo resultasse em algo consistente e til, a abordagem aqui utilizada procurou
dar especial nfase s limitaes da tcnica, cuja observncia fundamental para
o sucesso da investigao.

ASPECTOS CONCEITUAIS
O primeiro aspecto conceitual a ser salientado que a Anlise Fatorial Confirmatria um caso especial de uma tcnica mais ampla, denominada modelagem
de equaes estruturais (HAIR JR. et al. 1998; ULLMAN, 2001; MALHOTRA, 2001).
Nela, busca-se descrever os relacionamentos existentes entre dois tipos de varivel: as latentes, definidas como um conceito hipotetizado e no observado, do
qual se pode aproximar apenas atravs de variveis observveis ou mensurveis
(HAIR JR. et al., 1998, p. 585), e as manifestas, tambm denominadas indicadores, que consistem em valores observados e que so usados como medida de
um conceito ou construto (HAIR JR. et al., 1998, p. 580). No caso das variveis latentes, preciso destacar ainda que elas podem ser exgenas, quando funcionam apenas como preditoras de outros construtos, ou endgenas, que so as
variveis dependentes em pelo menos um relacionamento causal.
Mueller (1996) destaca ainda que a Anlise Fatorial Confirmatria est baseada na premissa de que as variveis observadas so indicadores imperfeitos de certos construtos latentes. Dessa forma, se mais de um indicador usado para medir um construto especfico, a AFC permite ao pesquisador agrupar tais indicadores em maneiras pr-especificadas, a fim de avaliar em que extenso determinado conjunto de dados aparentemente confirma a estrutura prevista.
Os relacionamentos entre esses dois tipos de varivel so especificados por
meio de diagramas de caminho, nos quais os construtos latentes so representados por elipses, e os indicadores, por retngulos. Associados a esses esto setas
indicadoras da presena de erros de mensurao. Isso ocorre porque o pesquisa98

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

dor deve admitir que os dados foram coletados e tratados de maneira imperfeita.
A Figura 1 mostra um exemplo de diagrama de caminho.

Estpai

Estmae

Estirmao

Estpare

Estamigo

Erfamili

Figura 1: Exemplo de diagrama de caminho.


Fonte: Adaptado de Lopes (2001).

No diagrama exibido pela Figura 1, h o construto Erfamili, que mensurado por meio de cinco indicadores: Estpai, Estmae, Estirmao, Estpare e
Estamigo. As setas esquerda dos indicares representam os erros de mensurao associados ao modelo.
A definio do relacionamento entre as variveis crucial para a correta utilizao da AFC, posto que explicita a funo operacional de cada uma delas, ou
seja, qual ser a varivel independente e qual ser a dependente. Sobre esse ponto, preciso destacar que uma das vantagens da AFC est justamente na possibilidade de se ter diversas variveis dependentes e independentes, o que permite
testar mltiplos relacionamentos ao mesmo tempo.

ASPECTOS OPERACIONAIS DA ANLISE FATORIAL CONFIRMATRIA


A conduo de uma investigao baseada em uma tcnica de anlise multivariada com alto nvel de complexidade exige cuidados do pesquisador. Antes mesmo de utilizar a AFC propriamente dita, h diversas etapas que devem ser cumpridas, sem as quais os resultados podero conter vieses significativos, enfraquecendo os achados da pesquisa.
Uma conseqncia disso que o pesquisador, ao utilizar a AFC ou qualquer outra tcnica de anlise multivariada, deve ter a conscincia de que a pesquisa talvez no seja conduzida com a rapidez desejada, apesar dos sofisticados recursos
computacionais disponveis atualmente. Na verdade, softwares e computadores
E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

99

Humberto Elias Garcia Lopes

apenas processam as informaes que lhes so repassadas. Portanto, se essas


apresentam vcios em sua origem, os resultados no sero os melhores. Justamente para auxiliar o pesquisador a evitar tal problema, a seguir so descritas as etapas na conduo da Anlise Fatorial Confirmatria.
A escolha do instrumento de coleta dos dados
A definio do tipo de instrumento que ser utilizado na coleta de dados importante para uma pesquisa consistente. Em princpio, tanto o questionrio como
a entrevista, instrumentos tradicionais de coleta de dados, podem ser adequados
a uma investigao cientfica. No caso da AFC, porm, o pesquisador deve considerar a necessidade de coletar informaes que exprimam relaes quantitativas.
Esse pode ser um aspecto a favor do questionrio, dada a sua capacidade de registrar uma massa significativa de dados de um grande nmero de respondentes
(SELLTIZ; WRIGHTSMAN; COOK, 1987). Essa caracterstica importante para a
AFC, uma vez que ela demanda quantidade expressiva de dados, a fim de que o
modelo fatorial chegue a uma soluo nica. Na verdade, h uma recomendao
para que se tenham entre 10 e 15 respondentes para cada indicador includo na
pesquisa (HAIR JR. et al., 1998).
A deciso sobre qual o instrumento mais apropriado pode ser facilitada por
meio do trabalho de Silva e Menezes (2000). Esses autores sugerem um sistema
de classificao de pesquisas com base em quatro critrios: natureza, forma de
abordagem do problema, objetivos e procedimentos tcnicos. Tal sistema pode
ser til para o pesquisador melhor delinear a sua investigao, o que pode ajudlo a escolher o instrumento mais adequado para a coleta dos dados.
A definio das escalas
A especificao do tipo de escala utilizada nos indicadores da pesquisa fundamental para a AFC. Em termos tericos, essa tcnica capaz de lidar tanto com
escalas contnuas como discretas (HAIR JR. et al., 1998). Entretanto, na prtica,
incorporar escalas nominais ou ordinais - discretas por definio - implica dificuldades adicionais a ser superadas pelo pesquisador, j que na AFC os dados coletados mediante tais escalas so includos nos clculos.
Apesar disso, preciso reconhecer que dificilmente um pesquisador em Administrao conseguir conduzir uma investigao de natureza quantitativa sem utilizar escalas discretas, especialmente as ordinais. Assim, torna-se necessrio estabelecer estratgias que permitiro a melhor utilizao desse tipo de escala na AFC.
Sobre isso, uma primeira recomendao ao pesquisador utilizar as escalas
100

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

nominais somente para descrio dos dados. Conforme mostram Nunnally e


Berstein (1994), por nem sempre refletirem relacionamentos quantitativos, essas
escalas tm propriedades matemticas limitadas. Assim, prestam-se melhor descrio do perfil ou definio de agrupamentos da amostra utilizada, por exemplo. Por outro lado, as escalas ordinais esto em um patamar mais alto de mensurao, j que conseguem medir grandezas que podem ser traduzidas em termos
quantitativos. Mesmo assim, suas propriedades matemticas tambm apresentam limitaes considerveis, que vo exigir ateno do pesquisador. Dados medidos por meio de escalas ordinais podem ser analisados por estatsticas no-paramtricas, tais como medianas, quartis e a correlao de Spearman.
Uma terceira opo a escala intervalar, na qual so refletidas operaes
que definem uma unidade de mensurao em termos de relacionamento de igualdade ou de desigualdade, conforme observado por Nunnally e Bernstein (1994) e
Malhotra (2001). Definida como contnua, a escala intervalar tem um zero arbitrrio e permite a utilizao de estatsticas paramtricas, como a mdia aritmtica, a varincia e a correlao de Pearson. Ainda que haja limites em suas propriedades matemticas, a escala intervalar pode ser utilizada na AFC com menos restries que aquelas inerentes s escalas discretas.
O quarto tipo de escala denominado razo, que consiste em uma escala intervalar com um zero racional e no arbitrrio. Ela permite um nmero considervel de operaes matemticas, possibilitando o uso de medidas paramtricas.
Dessa forma, a escala razo bastante til em pesquisas quantitativas, apesar de
nem sempre ser possvel ou vivel adot-la na Administrao.
Embora as escalas intervalares ou razo sejam, por vezes, difceis de ser utilizadas nas pesquisas em Administrao, h um artifcio que permite que uma escala ordinal possa ser tratada como intervalar, o que auxilia significativamente a
AFC. Essa estratgia consiste em utilizar determinado nmero de categorias na
escala, de tal forma que a perda de informao ao trat-la como intervalar seja reduzida, ainda que suas propriedades matemticas continuem sendo tpicas de uma
escala ordinal.
Sobre esse aspecto, preciso destacar que no existe consenso sobre qual o
nmero exato de categorias que permitiria a uma escala ordinal ser tratada como
intervalar. Por exemplo, Jreskog e Srbom (2000b) estabelecem que isso s seria
possvel em uma escala com quinze ou mais categorias. J Nunnally e Bernstein
(1994) afirmam, com base em pesquisas empricas, que uma escala com onze categorias no provoca perda significativa de informaes. Na verdade, para esses
autores, at mesmo escalas entre sete e nove categorias poderiam ser tratadas como
contnuas. Qualquer que seja a opo do pesquisador, preciso considerar que haver alterao na preciso e na acurcia da escala, conforme explica Pereira (1999).
E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

101

Humberto Elias Garcia Lopes

Para a utilizao da AFC, recomenda-se que o pesquisador inclua no diagrama


de caminho somente indicadores que possam ser medidos por meio de escalas
contnuas ou ordinais, desde que essas possam ser tratadas como intervalares.
Do contrrio, os resultados da anlise podero conter deficincias que comprometero toda a pesquisa.
A anlise preliminar dos dados
Antes que qualquer tcnica mais complexa de anlise quantitativa possa ser
utilizada, necessrio que o pesquisador conhea os dados que coletou (HAIR JR.
et al., 1998; TABACHNICK; FIDELL, 2001). Com isso, torna-se possvel descrever o
perfil da amostra estudada, bem como detectar eventuais falhas de tabulao dos
dados, o que reduz o risco de erros de anlise.
Para que essa anlise seja conduzida satisfatoriamente, alm do uso de estatsticas para a descrio do perfil da amostra e das freqncias obtidas, o pesquisador dever recorrer a duas tcnicas. A primeira o estudo dos dados ausentes
(missing data), e a segunda, a identificao dos valores discrepantes (outliers),
tanto univariados como multivariados.
Em relao primeira tcnica, preciso considerar que os dados ausentes podem ser definidos como uma informao no disponvel a respeito de uma pessoa ou caso sobre os quais outras informaes esto disponveis (HAIR JR. et al.,
1998). Esse tipo de dado surge freqentemente nas pesquisas, uma vez que as dificuldades inerentes coleta de dados tornam pouco provvel que o pesquisador
no tenha que desenvolver estratgias para lidar com os missing data (HAIR JR. et
al., 1998; TABACHNICK; FIDELL, 2001; MALHOTRA, 2001).
Uma dificuldade gerada pelos dados ausentes que eles podem trazer vieses
nos resultados da pesquisa, se forem excludos ou substitudos sem anlise prvia da sua aleatoriedade. Assim, o pesquisador corre o risco de retirar ou substituir informaes que apresentam um padro de distribuio na matriz de dados
utilizada, comprometendo as anlises subseqentes.
Mesmo que sejam aleatrios, os dados ausentes devem ser tratados criteriosamente, j que existem dois nveis diferentes de aleatoriedade. Hair Jr. et al. (1998)
afirmam que os dados podem ser aleatrios ao acaso (AAA) ou completamente
aleatrios ao acaso (CAAA), sendo este o maior grau de aleatoriedade ao qual
possvel chegar. Segundo esses autores, para detectar se os dados so AAA, necessrio fazer o teste t de comparao das mdias de dois grupos: um formado
pelos casos sem dados ausentes, e o outro, pelos casos com dados ausentes. Esse
teste repetido para cada indicador do estudo.
Alm do teste t, preciso utilizar correlaes bivariadas entre indicadores
102

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

dicotomizados. Esses so formados ao se substituir os valores vlidos por 1, e os


dados ausentes, por 0. As correlaes mostram o grau no qual os dados ausentes
esto relacionados aos pares de indicadores. Baixas correlaes indicam baixa associao entre o processo que levou existncia de dados ausentes e os dois indicadores considerados, e vice-versa.
Por outro lado, a verificao dos dados CAAA realizada por meio de um teste
global que faz a comparao entre o padro real de dados ausentes e aquele que
seria esperado se tais dados fossem distribudos totalmente ao acaso. Uma vez
que o pesquisador somente poder ter a garantia de que a excluso dos dados ausentes no prejudicar a anlise de seus dados se eles forem CAAA, o teste global
importante para garantir maior rigor no estudo.
No que se refere segunda tcnica, define-se um valor discrepante como uma
observao que essencialmente distinta de outras observaes (HAIR JR. et al.,
1998). De acordo com Tabachnick e Fidell (2001), ele precisa ser identificado na
pesquisa porque sua presena pode levar a uma distoro significativa dos resultados. Os valores discrepantes podem ser detectados por meio de anlises univariadas, bivariadas ou multivariadas. Na primeira, o que se busca identificar um
valor consideravelmente extremo em uma varivel. Uma das maneiras para que
isso seja feito utilizar o diagrama em caixas (boxplot), no qual os valores discrepantes so aqueles situados a 1,5 ou mais desvios quartlicos do quartil superior
ou inferior da distribuio.
Outra maneira o clculo dos escores z das variveis, no qual os valores originais so convertidos em escores padronizados, que tm mdia 0 e desvio-padro 1.
Os escores so ento comparados com um valor-limite, obtido em funo do tamanho da amostra utilizada e do nvel de significncia desejado. No caso de amostras grandes, que contenham mais de 80 observaes, Hair Jr. et al. (1998) sugerem um valor entre 3 e 4. Entretanto, Tabachnick e Fidell (2001) so mais especficas, propondo que, com significncia de 0,001 em um teste bilateral, escores z
fora do intervalo [-3,29; 3,29] sejam considerados como valores discrepantes. Por
levar em conta um nmero maior de parmetros do que os diagramas em caixa, o
que pode resultar em maior preciso e rigor, a anlise dos escores z pode ser
mais adequada para detectar os valores discrepantes univariados em uma pesquisa.
A anlise bivariada dos valores discrepantes realizada atravs de diagramas
de disperso, nos quais se analisa a distribuio dos dados entre pares de indicadores contnuos (HAIR JR. et al., 1998). Todavia, por depender significativamente
da avaliao subjetiva do pesquisador, essa opo pode levar a menor preciso dos
resultados.
Tabachnick e Fidell (2001) consideram que os valores discrepantes multivariados so resultantes de uma combinao anormal de escores em dois ou mais indiE & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

103

Humberto Elias Garcia Lopes

cadores. Dessa forma, para detect-los, uma das tcnicas disponveis a distncia
de Mahalanobis (D2), definida por essas autoras como a distncia de um caso da
centride dos casos remanescentes, em que a centride o ponto criado pela interseo das mdias de todas as variveis consideradas. Para utilizar a D2, preciso definir o nvel de significncia desejado e o nmero de graus de liberdade utilizados, a fim de que se tenha um valor-limite, fornecido pela distribuio quiquadrado (2), acima do qual o caso deve ser considerado como um valor discrepante multivariado. Contudo, Mueller (1996) salienta que os testes baseados na
distribuio qui-quadrado geralmente so rejeitados quando o tamanho da amostra superior a 200, levando, em alguns casos, necessidade de se fazer testes
adicionais. Em relao ao primeiro parmetro, tanto Hair Jr. et al. (1998) como Tabachnick e Fidell (2001) recomendam um nvel conservador, de 0,001. Por sua vez,
o segundo parmetro dado pelo nmero de indicadores contnuos considerados.
Aps identificados os valores discrepantes multivariados, preciso descobrir
os indicadores que provocaram esse resultado, o que feito por meio da anlise
de regresso stepwise, na qual cada caso com valor discrepante multivariado
avaliado separadamente. Para isso, criada uma varivel dicotmica, cujo valor 0
atribudo ao caso que contm o valor discrepante, e 1, aos demais. Com o primeiro fixado como dependente e os demais como independentes, a regresso
efetuada.
Uma vez identificados os valores discrepantes multivariados e as variveis que
os provocam, o pesquisador deve decidir pela manuteno ou excluso dos casos.
Se eles forem realmente aberrantes e no representativos das observaes na populao considerada, devem ser excludos. Do contrrio, pode ser mais adequado
mant-los.
A verificao dos pressupostos da anlise multivariada
Sendo a AFC uma tcnica de anlise multivariada, torna-se necessrio verificar
o atendimento aos pressupostos da normalidade, linearidade e homogeneidade
de varincias, alm de detectar se h problemas em relao multicolinearidade
e singularidade (TABACHNICK; FIDELL, 2001; MALHOTRA, 2001). Caso isso
no seja feito, o pesquisador corre o risco de basear suas concluses em resultados equivocados.
De todos os pressupostos da AFC, o da normalidade o mais importante (HAIR
JR. et al., 1998). Ele se refere ao formato da distribuio de determinada varivel
contnua, utilizando como parmetros o grau de assimetria e curtose. A normalidade univariada pode ser verificada por um exame visual da distribuio dos dados em uma varivel, atravs dos grficos Q-Q ou P-P. Outra opo o teste de
104

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

Kolmogorov-Smirnov. Ele verifica a hiptese de que os dados considerados constituem uma amostra aleatria de uma distribuio especfica, entre elas, a normal. Contudo, Kanji (1999) ressalta que esse teste tem como limitao o fato de
ser aplicvel somente quando a funo de distribuio da populao for contnua.
Uma terceira opo calcular a estatstica z para a assimetria e curtose da distribuio. Se qualquer um desses valores se situar fora do intervalo [-1,96; 1,96], a
distribuio no-normal, supondo um nvel de significncia de 0,05.
Violaes normalidade univariada no impedem a anlise, mas podem enfraquecer as associaes entre os indicadores. Exatamente por isso existem mtodos disponveis para se tentar minimizar a assimetria e a curtose de variveis nonormais. No entanto, mesmo assim, nem sempre uma varivel consegue atingir a
normalidade. Diversas transformaes podem ser necessrias para que a distribuio se torne menos assimtrica e com grau menor de curtose. Segundo Graf
(1999), isso pode se tornar um problema significativo para a pesquisa, uma vez
que as transformaes, na verdade, geram variveis com valores diferentes daqueles observados empiricamente, o que implica uma limitao.
Contudo, Jreskog et al. (2000) sugerem uma estratgia que pode reduzir tais
problemas. Ela consiste na normalizao dos indicadores, transformando-os em
escores z. Com isso, suas origens e unidades de mensurao passam a no ter
significado intrnseco, o que torna as estatsticas menos sensveis s violaes
normalidade. Caso a normalizao reduza a assimetria e a curtose, os dados que
sofreram essa transformao passam a ser utilizados para os demais testes de verificao dos pressupostos da normalidade. A Tabela 1 e a Tabela 2 mostram um
exemplo das alteraes proporcionadas por essa estratgia em um construto denominado de estrutura de relacionamentos familiares e de amizade.
Tabela 1. Estrutura de relacionamentos familiares e de amizade teste de normalidade
univariada com dados no normalizados.
Indicador

Assimetria
Escore z Valor p
Pai
-4,40
<0,00
Me
-6,41
<0,00
Irmo ou irm
-6,27
<0,00
Outros parentes -1,60
0,11
Amigos
-6,23
<0,00

Curtose
Assimetria e curtose
Escore z Valor p Qui-quadrado Valor p
-0,29
0,78
19,45
<0,00
0,96
0,34
41,99
<0,00
0,84
0,40
39,96
<0,00
-6,51
<0,00
44,97
<0,00
1,39
0,17
40,69
<0,00

Fonte: Adaptado de Lopes (2001).

A Tabela 1 contm o resultado do teste de normalidade univariada com os dados originais. Ela comprova que nenhum dos indicadores atendeu ao pressuposto da normalidade univariada, j que o valor p para a estatstica qui-quadrado
E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

105

Humberto Elias Garcia Lopes

de todos eles foi inferior ao nvel de 0,05, adotado no teste. No entanto, quando
se opta por trabalhar com escores j normalizados, os resultados so diferentes,
conforme mostra a Tabela 2.
Tabela 2. Estrutura de relacionamentos familiares e de amizade teste de normalidade
univariada com dados normalizados.
Indicador

Assimetria
Escore z Valor p
Pai
-1,45
0,15
Me
-1,77
0,08
Irmo ou irm
-1,27
0,20
Outros parentes
0,02
0,98
Amigos
-1,00
0,32

Curtose
Assimetria e curtose
Escore z Valor p Qui-quadrado Valor p
-0,95
0,34
3,01
0,22
-0,53
0,60
3,40
0,18
-0,94
0,35
2,50
0,29
-1,46
0,14
2,14
0,34
-0,63
0,53
1,40
0,50

Fonte: Adaptado de Lopes (2001).


Nota: O valor p de assimetria e curtose testa a hiptese nula de que a distribuio do indicador
normal. Foi utilizada uma significncia de 0,05 em um teste bilateral.

Como evidencia a Tabela 2, a normalizao fez com que todos os indicadores


passassem a atender ao pressuposto da normalidade univariada. Isso significa
que houve melhora significativa na distribuio, o que pode se traduzir em benefcios para a AFC.
Quanto normalidade multivariada, possvel verific-la atravs de um teste,
no qual so calculados os escores z para assimetria e curtose do conjunto de variveis contnuas consideradas. Distribuies multivariadas nas quais esses dois
parmetros apresentam alto e significativo grau dificilmente atentam ao pressuposto da normalidade. Na verdade, violaes normalidade univariada j tornam
pouco provvel que as variveis atendam normalidade multivariada (VEIGA,
2000). Para que haja essa confirmao, o teste tambm calcula a estatstica quiquadrado para assimetria e curtose multivariada das variveis. A hiptese nula
a de que a funo distribuio das variveis contnuas consideradas provm de uma
distribuio normal em termos multivariados, com nvel de significncia de 5%
(JRESKOG et al., 2000). Assim, valores p inferiores a 0,05 rejeitam essa hiptese.
Por sua vez, segundo Hair Jr. et al. (1998), a linearidade um pressuposto de
todas as tcnicas multivariadas de anlise baseadas em medidas de associao.
Dessa forma, importante verificar se as variveis consideradas apresentam um
grau significativo de linearidade. Isso pode ser feito atravs de diagramas de disperso, nos quais so tomados os relacionamentos bivariados entre as variveis.
Embora seja til, essa tcnica demanda expressiva subjetividade do pesquisador na avaliao do grau de linearidade, o que pode se tornar uma limitao da
pesquisa. Uma alternativa a utilizao das correlaes bivariadas, que produzem resultados menos dependentes de anlises subjetivas. Nesse caso, os par106

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

metros so os coeficientes de correlao de Pearson ou Spearman. Esse uma


verso no paramtrica do r de Pearson, sendo adequado quando h variveis
medidas por meio de escalas ordinais ou quando as variveis intervalares no
atenderam ao pressuposto da normalidade (SPSS, 1999b). Esse coeficiente situase no intervalo [-1; 1] e sua interpretao feita da mesma maneira que o r de
Pearson. Cabe ao pesquisador determinar o valor mnimo do coeficiente para que
seja atendido o pressuposto da linearidade. Sugere-se adotar como ponto de corte
valores iguais ou superiores a 0,70 (LOPES, 2003).
A homogeneidade de varincias se refere ao pressuposto de que as variveis
dependentes apresentam nveis equivalentes de varincia ao longo do espectro
de variveis preditoras. Normalmente, esse pressuposto testado somente quando o estudo compara dois ou mais grupos amostrais. Caso contrrio, ou seja, quando
se lida com dados no agrupados, a homogeneidade de varincias admite que a
variabilidade nos escores de uma varivel contnua exatamente a mesma para
todos os valores de outra varivel contnua.
Em relao multicolinearidade e singularidade, Tabachnick e Fidell (2001)
afirmam que elas consistem em problemas que ocorrem quando as variveis esto excessivamente correlacionadas. Havendo multicolinearidade, h alta correlao. Ocorrendo singularidade, as variveis so redundantes, visto que uma se
constitui na combinao de duas ou mais das outras. Para verificar se existe singularidade, essas autoras sugerem que a tcnica de anlise multivariada utilizada
seja rodada no computador. Segundo elas, com exceo das tcnicas centradas na
anlise de componentes principais, todas as outras no chegam a nenhum resultado se houver singularidade, fazendo com que o computador emita mensagens
de erro.
J a multicolinearidade pode ser avaliada mediante o recurso collinearity diagnostics, oferecido por pacotes estatsticos. O programa agrupa os dados em dimenses, definidas com base no seu autovalor. Para cada uma delas, distribuda determinada quantidade de varincia entre os indicadores considerados. Se
uma dimenso detiver dois ou mais indicadores com varincia superior a 0,50 e
se seu ndice de condio for muito prximo ou superior a 30, h forte indcio de
presena de multicolinearidade. Nesse caso, recomendvel a excluso da varivel. A Tabela 3 apresenta um exemplo desse procedimento.
A Tabela 3 evidencia que nenhuma das dimenses apresentaram ndice de
condio significativamente prximo a 30. Alm disso, no foram detectadas duas
ou mais propores de varincia iguais ou superiores a 0,50 em uma mesma dimenso. Portanto, possvel concluir que, no exemplo dado, a multicolinearidade se restringiu a padres aceitveis para a anlise multivariada.

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

107

Humberto Elias Garcia Lopes

Tabela 3. Estrutura de relacionamentos familiares e de amizade teste de multicolinearidade.


Dimenso Autovalor ndice de
condio Constante
1
0,462
3,126
0,00
2
0,395
3,380
0,00
3
0,362
3,531
0,00
4
0,212
4,616
0,00
5
0,122
6,077
0,00

Pai
0,00
0,03
0,00
0,00
0,93

Propores de varincia
Me Irmo ou irm Outros parentes Amigos
0,41
0,00
0,25
0,00
0,13
0,00
0,38
0,04
0,08
0,24
0,03
0,00
0,00
0,74
0,06
0,40
0,00
0,21
0,00
0,48

Fonte: Adaptado de Lopes (2001).


Nota: As varincias superiores a 0,50 esto em negrito.

A Anlise Fatorial Confirmatria


Uma anlise dos procedimentos adotados por Hair Jr. et al. (1998), Jreskog et
al. (2000), Tabachnick e Fidell (2001) e Malhotra (2001) leva concluso que, em
sntese, possvel conduzir satisfatoriamente a AFC via o cumprimento de nove
etapas. A primeira a escolha da matriz de dados a ser utilizada, na qual existem
duas opes: a matriz de correlaes e a matriz de covarincias, e cada uma tem
vantagens e limitaes que precisam ser consideradas pelo pesquisador.
A segunda etapa da AFC a escolha do mtodo de estimao. Todavia, a no
ser que haja alguma particularidade que recomende o contrrio, sugere-se que o
pesquisador recorra mxima verossimilhana (maximum likelihood), uma vez
que ela permite estimativas mais precisas, por ser sensvel s violaes da normalidade, como salientam Ullman (2001), Schumacker e Beyerlein (2000), Olsson et
al. (2000) e Jreskog et al. (2000).
A terceira etapa da anlise verificar a identificao do modelo. Em termos gerais, um modelo identificado quando ele capaz de gerar estimativas nicas, o
que est baseado no princpio de que preciso ter uma equao nica e separada
para estimar cada coeficiente.
A quarta etapa encontrar eventuais estimativas discrepantes (offending estimates) nos resultados da AFC. Segundo Hair Jr. et al. (1998), as estimativas mais
comuns so: varincias-erro negativas ou no significativas, estimativas padronizadas que excedem o valor de 1,0 e erros padronizados muito grandes, associados
a qualquer coeficiente estimado.
A identificao de estimativas no significativas feita pela exibio dos valores do teste t no diagrama de caminho. Conforme sugere Ullman (2001), as propriedades estatsticas da mxima verossimilhana tornam recomendvel que o
teste seja feito para nveis de significncia mais conservadores, de 0,025 ou 0,01,
o que demanda valores de t situados fora do intervalo [-2,56; 2,56], em um teste
bilateral.
108

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

A quinta etapa a avaliao do ajuste global do modelo. Essa feita pelas medidas de ajuste, calculadas por pacotes estatsticos como o LISREL, o EQS ou o
AMOS. preciso ressaltar que a escolha das medidas utilizadas pode ser complexa, dado o grande nmero de opes disponveis. Todavia, trs medidas so comumente empregadas, conforme mostra o Quadro 1.
Quadro 1. Medidas freqentemente utilizadas na Anlise Fatorial Confirmatria.
Medida
Caractersticas e limitaes
Qui-quadrado absoluto Vem acompanhado do valor p. A hiptese
nula a de que no existe diferena entre a
matriz de dados e a matriz estimada. Para
amostras acima de 200 elementos, torna-se
muito sensvel s violaes da normalidade,
podendo fornecer estimativas distorcidas.
Raiz quadrada da m- Mede a discrepncia dos dados, ajustando-a
dia do erro de aproxi- aos graus de liberdade.
mao (RMSEA)
Qui-quadrado normali- Ajusta o qui-quadrado absoluto aos graus de
zado
liberdade.

Valores recomendados
No h. O ideal que a hiptese nula seja aceita para um nvel de significncia.

Valores abaixo de 0,08.

Valores entre 1,0 e 3,0. Se utilizado um critrio mais liberal, o


limite superior pode ser de 5,0.

Fonte: Adaptado de Hair Jr. et al. (1998), Ulmann (2001) e Mueller (1996).
Nota: O valor p de assimetria e curtose testa a hiptese nula de que a distribuio do indicador normal. Foi utilizada uma significncia de 0,05, em um teste bilateral.

Destaca-se, entretanto, que os valores recomendados para cada medida podem variar, dependendo do autor escolhido como referncia. Na realidade, o importante que o pesquisador escolha as medidas e os valores que sejam mais
adequados s caractersticas da pesquisa que estiver conduzindo.
A sexta etapa a quantificao do ajuste do modelo de mensurao. Para isso,
so utilizados os valores dos coeficientes de determinao (R2) entre o indicador
e a varivel latente qual ele se conecta. Quanto maior o valor de R2, melhor o
ajuste, visto que isso indica que uma poro mais expressiva das variaes no
indicador pode ser atribuda a alteraes na varivel latente.
A stima etapa a avaliao do ajuste do modelo estrutural, na qual novamente pode ser utilizado o coeficiente de determinao, com a diferena que ele
extrado das equaes que expressam a relao entre as variveis latentes. Dessa
forma, valores mais altos so desejados, pelas mesmas razes descritas na sexta
etapa.
A oitava etapa consiste na avaliao da matriz de resduos normalizados. Hair
Jr. et al. (1998) recomendam que no mximo 5% dos resduos estejam fora do intervalo [-2,58; 2,58], o que implica nvel de significncia de 0,05. Violaes a essa
recomendao indicam deficincias no ajuste do modelo estimado.
E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

109

Humberto Elias Garcia Lopes

A nona etapa a anlise das estimativas padronizadas que constam do diagrama de caminho. Valores mais prximos dos limites superior e inferior do intervalo [-1; 1] indicam a presena de relacionamentos mais fortes. Como possvel
notar, essa interpretao semelhante adotada no coeficiente de correlao
de Pearson.

UM EXEMPLO DE APLICAO DA AFC EM UMA PESQUISA EM ADMINISTRAO


Para este trabalho foi feito um estudo no qual se procurou detectar em que
grau um conjunto de variveis latentes afetava o montante de recursos sociais
acumulados por profissionais de nvel superior mediante sua rede de contatos
pessoais. Entretanto, para que essa proposta fosse viabilizada por meio da AFC,
testou-se cada uma das variveis latentes, a fim de verificar a adequao desses
construtos pesquisa.
Por uma questo de objetividade, foi escolhida a varivel latente estrutura de
relacionamentos familiares e de amizade, que identificava qual era a composio da rede de relacionamentos dos profissionais pesquisados. Os indicadores
propostos para medir essa varivel foram analisados de acordo com os procedimentos explicitados neste trabalho, a fim de que somente aqueles que se mostrassem relevantes fossem associados ao referido construto.
O estudo dos dados ausentes evidenciou que os indicadores propostos apresentavam padro AAA, ou seja, as informaes ausentes eram aleatrias ao acaso.
O teste global tambm apontou para o mesmo resultado, o que autorizou a excluso dos dados ausentes.
Os valores discrepantes univariados e multivariados foram identificados atravs dos escores z e da distncia de Mahalanobis, respectivamente. A regresso
stepwise para cada um dos casos com outliers comprovou que esses valores eram
representativos das observaes na amostra considerada, o que permitiu mantlos na pesquisa.
Em relao aos pressupostos da anlise multivariada, foi detectado que os indicadores apresentavam baixa linearidade e violavam a normalidade univariada e
multivariada, mesmo aps a utilizao de escores z. Optou-se, porm, por assumir esses resultados como limitao da pesquisa, j que dificilmente esses dois
pressupostos so atendidos em estudos em Administrao.
Por sua vez, os indicadores no apresentaram significativa multicolinearidade
e atenderam ao pressuposto da ausncia de singularidade. O teste de verificao
da homogeneidade de varincias no foi feito porque as escalas utilizadas eram
ordinais com 11 categorias, ou seja, foram tratadas como intervalares. Em casos
110

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

como esse, Tabachnick e Fidell (2001) afirmam que j h a suposio de existncia de uma distribuio homocesdstica.
Concluda essa anlise prvia, os indicadores que permaneceram associados
varivel estrutura de relacionamentos familiares e de amizade (erfamili) foram: pai (estpai); me (estmae); irmo ou irm (estirmao); outros parentes (estpare), e amigos (estamigo). Valendo-se dessa definio, foi possvel construir o diagrama de caminho que representava o modelo proposto. Para realizar a AFC, foi
utilizada a matriz de correlaes, bem como a extrao mediante a mxima verossimilhana. As estimativas padronizadas, calculadas pelo LISREL, foram as exibidas pela Figura 2.
0.13 `

Estpai

0.93

0.21 `

Estmae

0.89

0.34 `

Estirmao

0.81

0.57 `

Estpare

0.65

0.78 `

Estamigo

0.47

Erfamili

......1.00

Chi-Square = 33.21, df = 5, P value = 0.00000, RMSEA = 0.157

Figura 2: Estimativas padronizadas da varivel estrutura de


relacionamentos familiares e de amizade.
Fonte: Dados da pesquisa.

Os resultados mostrados pela Figura 2 evidenciam que o modelo identificado, o que significa que ele foi capaz de gerar estimativas nicas. Tambm no
foram encontradas estimativas discrepantes, posto que no havia varincias-erro
negativas, estimativas padronizadas com valor superior a 1,0 ou erros padronizados muito grandes. A ausncia de estimativas discrepantes igualmente confirmada pela anlise dos valores do teste t, exibido pela Figura 3.
Como comprova a Figura 3, todas as estimativas se situaram fora do intervalo
[-2,56; 2,56]. Isso permite afirmar que todas elas puderam ser consideradas significativas em um nvel de 0,01, no teste bilateral. Constatada a ausncia de estimativas discrepantes, o passo seguinte foi avaliar o ajuste global do modelo. A Tabela 4 apresenta os resultados obtidos nas trs medidas consideradas.
A anlise do qui-quadrado e de seu valor p leva rejeio da hiptese nula de
que no existe diferena entre a matriz de dados e a matriz estimada, em um
E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

111

Humberto Elias Garcia Lopes

4.98 `

Estpai

W 18.13

7.04 `

Estmae

W 16.85

9.05 `

Estirmao

W 14.58

10.10 `

Estpare

W 10.83

10.49 `

Estamigo

Erfamili

......0.00

7.27

Chi-Square = 33.21, df = 5, P value = 0.00000, RMSEA = 0.157

Figura 3. Valores do teste t da varivel relacionamentos familiares


e de amizade.
Fonte: Dados da pesquisa.

Tabela 4. Medidas de ajuste global do


construto estrutura de relacionamentos familiares e de amizade.
Medida

Valor

Qui-quadrado
Valor p
RMSEA
Qui-quadrado normalizado

33,21
<0,00
0,157
6,642

Fonte: Dados da pesquisa.

nvel de significncia de 0,05. Essa concluso se fortalece quando o RMSEA


considerado. Essa medida indica que a discrepncia dos dados, quando considerados os graus de liberdade, est acima do limite mximo tolervel, que de 0,08.
Por fim, o qui-quadrado normalizado mostra que, de fato, os valores estimados
no foram os ideais, j que o valor encontrado nessa medida foi superior a 5,0.
Portanto, considerando as medidas exibidas pela Tabela 4, pode-se afirmar que o
ajuste global do modelo proposto no foi perfeito.
Em relao ao ajuste do modelo de mensurao, os resultados encontrados
foram os apresentados pela Tabela 5.
Os dados da Tabela 5 indicam que h problemas no ajuste do modelo de mensurao, especialmente no que se refere aos indicadores outros parentes e amigos. Os dois obtiveram, respectivamente, os valores de 0,35 e 0,26; significativamente abaixo dos demais. Por sua vez, esses tambm no conseguiram atingir
patamares realmente expressivos, indicando que o modelo tem ajuste deficiente.
No caso do exemplo adotado neste trabalho, no foi preciso recorrer avaliao
112

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

do ajuste do modelo estrutural, uma vez que h apenas uma varivel latente, que
se relaciona com cinco variveis manifestas. Todavia, se fosse necessria, a anlise seria realizada da mesma maneira que a feita para o modelo de mensurao,
com a nica diferena de que os coeficientes de determinao expressariam as
relaes entre as variveis latentes.
Tabela 5. Valores do coeficiente de determinao do constructo estrutura de
relacionamentos familiares e de amizade.
R2

Indicador

0,73
0,71
0,69
0,35
0,26

Pai
Me
Irmo ou irm
Outros parentes
Amigos
Fonte: Dados da pesquisa

Outra etapa da AFC a avaliao da matriz de resduos normalizados do construto, exibida pela Tabela 6.
Tabela 6. Estrutura de relacionamentos familiares e de amizade matriz de
resduos normalizados.
Indicador

Pai

Pai

Me
1,40
Irmo ou irm
2,89
Outros parentes -0,56
Amigos
9,40

Me Irmo ou irm Outros parentes Amigos

10,21
2,91
3,13

3,02
1,65

2,38

Fonte: Dados da pesquisa.

Como a significncia adotada foi de 0,05, no mximo 5% dos dados poderiam


estar fora do intervalo [-2,58; 2,58]. No entanto, a Tabela 6 mostra que 60% dos
resduos no seguiram essa regra. Com isso, mais uma vez fica demonstrado que
h deficincias no ajuste do modelo proposto.
A ltima etapa da AFC a verificao das estimativas padronizadas apresentadas pelo diagrama de caminho contido na Figura 2. Como possvel notar, os
indicadores pai, me e irmo ou irm foram os que obtiveram a relao mais
forte com a varivel latente estrutura dos relacionamentos familiares e de amizade. J os indicadores outros parentes e, principalmente, amigos, apresentaram relaes mais fracas com essa varivel. No entanto, h que se destacar que
essas concluses devem ser consideradas com cuidado, j que o ajuste do modelo
no foi o ideal.
E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

113

Humberto Elias Garcia Lopes

CONCLUSO
A Anlise Fatorial Confirmatria uma tcnica multivariada que vem sendo
utilizada com relativa freqncia nas pesquisas em Administrao. Todavia, para
que ela seja empregada corretamente, preciso que o pesquisador tenha domnio
dos aspectos conceituais e operacionais da anlise multivariada.
Em primeiro lugar, antes de iniciar a AFC propriamente dita, deve-se ter a
preocupao com a maneira pela qual os dados sero coletados. Para que a AFC
seja conduzida com sucesso, a pesquisa precisa acessar fenmenos que possam
ser expressos em relaes quantitativas. Do contrrio, talvez seja mais aconselhvel recorrer a outras tcnicas de anlise. Alm da escolha do instrumento de
coleta de dados, necessrio que se tenha cuidado com o tipo de escala a ser adotado na investigao. A incluso de escalas nominais, ordinais, intervalares ou razo afeta significativamente a estratgia de pesquisa, dadas as limitaes matemticas de cada uma delas.
Por outro lado, fundamental que o pesquisador conhea bem os seus dados
antes de utilizar a AFC. A descrio do perfil da amostra adotada, bem como a
anlise do nvel de aleatoriedade dos dados ausentes e a identificao dos valores
discrepantes univariados e multivariados, importante para que os resultados
obtidos mediante uma tcnica multivariada no contenham vieses significativos.
Ainda com o propsito de conhecer os dados, o pesquisador no pode deixar de
verificar se as informaes coletadas atendem aos pressupostos da anlise multivariada, em especial, a normalidade.
Depois de tomados esses cuidados iniciais, possvel proceder AFC, cumprindo cada uma das nove etapas explicitadas neste trabalho. preciso, porm,
que o pesquisador tenha em mente que, mesmo com todo o rigor exigido nos procedimentos de uma tcnica multivariada, no h garantias de que os resultados
sejam isentos de problemas. Na verdade, uma dificuldade significativa na utilizao da AFC nas pesquisas em Administrao est no fato de que os dados raramente atendem todas as exigncias para uma anlise com o mnimo de vieses.
Graus variados de aleatoriedade de dados ausentes, presena de valores discrepantes, violaes normalidade e baixa linearidade so alguns dos problemas
mais comuns enfrentados pelos pesquisadores em Administrao.
Embora essas dificuldades no inviabilizem o uso da AFC, mister reconhecer que
elas tm que ser consideradas como limitaes significativas em uma pesquisa, tirando da tcnica a possibilidade de ser encarada como soluo universal para qualquer
problema cientfico. Dessa forma, aconselhvel que o pesquisador planeje criteriosamente a sua investigao, ponderando os prs e os contras da estratgia de anlise
proposta, a fim de que a escolha feita seja realmente adequada pesquisa.
114

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

Abrindo a caixa preta: consideraes sobre a utilizao da anlise fatorial confirmatria nas...

ABSTRACT
The confirmatory factor analysis (CFA) is a statistical multivariate technique that has been frequently adopted in the investigations in Business Administration. However, the correct use of CFA demands a profound knowledge of the conceptual and operational aspects of the
multivariate analysis. This paper intends to offer the researchers a
guide of how to conduct a scientific investigation with the use of the
confirmatory factor analysis. In order to reach this goal, some of the
key theoretical aspects were mentioned in the paper. Besides that,
through an empirical example, this paper called the attention to some
of the main constrictions concerning to the use of CFA. The article
also concludes that the inner problems of the technique are not a
barrier to its use in the researches in Administration. However, it is
necessary to recognize that such problems must be faced as significant limitations in the scientific investigation. Then, the researcher
should seriously considerer the adequacy of using the CFA in his or
her investigation.
Key words: Confirmatory factor analysis; Outliers; Missing data; Multivariate analysis; Assumptions.

Referncias
AAKER, D. A. Multivariate analysis in marketing: theory & application. Belmont: Wodsworth, c1971. 358p.
BISHOP, Y. M. M. Discrete multivariate analysis: theory and practice. Cambridge: The
MIT Press, 1995.
CHATFIELD, C.; COLLINS, A. J. Introduction to multivariate analysis. Boca Raton: Champman & Hall, 1980. 246p.
FILHO, C. G. O Impacto da gesto do conhecimento de marketing na inovao e vantagem competitiva de novos produtos. 2001. Tese (Doutorado em Administrao) Universidade Federal de Minas Gerais, Faculdade de Cincias Econmicas, Belo Horizonte.
GOSLING, M. Modelo estrutural de marketing de relacionamento: aplicao e validao em uma instituio de ensino. 2004. Tese (Doutorado em Administrao) Universidade Federal de Minas Gerais, Faculdade de Cincias Econmicas, Belo Horizonte.
GRAF, I. Perceived social support versus social embeddedness: effects of employee and
organizational outcomes. 1999. 235p. Tese (Doutorado em Administrao) University
of Illinois at Chicago, Chicago.
HAIR JR., J. et al. Multivariate data analysis. 5. ed. New Jersey: Prentice Hall, 1998. 730p.
JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 5. ed. New
Jersey: Prentice Hall, 2002. 767p.
JRESKOG, K. et al. LISREL 8: new statistical features. Lincolnwood: Scientific Software
International, 2000. 248 p.
JRESKOG, K.; SRBOM, D. LISREL 8: users reference guide. Lincolnwood: Scientific
Software International, 2000. 378p.
E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005

115

Humberto Elias Garcia Lopes

KANJI, G. K. 100 statistical tests: new edition. London: Sage, 1999. 215p.
LATIF, S. Modelagem de equaes estruturais. 2000. 179p. Dissertao (Mestrado em
Estatstica) Universidade de So Paulo, So Paulo.
LOPES, H. E. G. A fora dos contatos: um estudo das redes interpessoais de profissionais
da Regio Metropolitana de Belo Horizonte. 2001. 288p. Tese (Doutorado em Administrao) Universidade Federal de Minas Gerais, Faculdade de Cincias Econmicas, Belo
Horizonte.
LOPES, H. E. G. I know who you are: the influence of networking in business careers in
Brazil. In: BALAS ANNUAL MEETING, 2003, So Paulo. Balas 2003 Proceedings. So Paulo: Fundao Getlio Vargas, 2003. CD.
MALHOTRA, N. K. Pesquisa de marketing: uma orientao aplicada. 3. ed. Porto Alegre:
Bookman, 2001. 719p.
MUELLER, R. Basic principles of structural equation modeling: an introduction to LISREL and EQS. New York: Springer, 1996. 229p. (Springer Texts in Statistics).
MUIRHEAD, R. J. Aspects of multivariate statistical theory. New York: J. Wiley, c1982.
[6], 673p.
NUNNALLY, J.; BERNSTEIN, I. Psychometric theory. 3. ed. New York: McGraw-Hill, 1994.
752p. (McGraw-Hill Series in Psychology).
OLSSON, U. et al. The performance of ML, GLS, and WLS estimation in structural equation modeling under conditions of misspecification and nonnormality. Structural Equation Modeling, Hillsdale, v. 7, n. 4, p. 557-595, 2000.
PEREIRA, J. Anlise de dados qualitativos: estratgias metodolgicas para as cincias da
sade, humanas e sociais. So Paulo: Edusp, 1999. 157p.
SCHUMACKER, R.; BEYERLEIN, S. Confirmatory factor analysis with different correlation types and estimation methods. Structural Equation Modeling, Hillsdale, v. 7, n. 4, p.
629-636, 2000.
SELLTIZ, C.; WRIGHTSMAN; COOK. Mtodos de pesquisa nas relaes sociais. 2. ed.
So Paulo: EPU, 1987. 117p. (Volume 1: Delineamento de pesquisa).
SILVA, E.; MENEZES, E. Metodologia da pesquisa e elaborao de dissertao. Florianpolis: UFSC/PPGEP/LED, 2000. 118p.
SPSS Base 10.0 applications guide. Chicago: SPSS, 1999. 426p.
TABACHNICK, B.; FIDELL, L. Using multivariate statistics. 4. ed. Boston: Allyn and Bacon, 2001. 966p.
ULLMAN, J. Structural equation modeling. In: TABACHNICK, B.; FIDELL, L. Using multivariate statistics. 4. ed. Boston: Allyn and Bacon, 2001. p. 653-771.
URDAN, A.; RODRIGUES, A. O modelo do ndice de satisfao do cliente norte-americano: um exame inicial no Brasil com equaes estruturais. Revista de Administrao Contempornea, Rio de Janeiro, v. 3, n. 3, p. 109-130, set./dez. 1999.
URDAN, A.; ZUIGA, M. Satisfao com assistncia tcnica e lealdade ao fabricante no
ramo automobilstico. Revista de Administrao de Empresas, So Paulo, v. 41, n. 3, p.
31-41, jul./set. 2001.
VEIGA, R. Um exame emprico do modelo de conseqncias comportamentais da qualidade de servios. 2000. 420p. Tese (Doutorado em Administrao) Universidade Federal de Minas Gerais, Faculdade de Cincias Econmicas, Belo Horizonte.

116

E & G Economia e Gesto, Belo Horizonte, v. 5, n. 11, p. 19-34, dez. 2005