Modelagem de Equacões Estruturais Multinível: Um Estudo de Simulação

Dados com estruturas hierárquicas são muito comuns em vários estudos e podem causar problemas nas análises tradicionais porque a usual suposição de que as variáveis aleatórias são independentes e identicamente distribuídas é violada. Dadas as vantagens associadas à modelagem de equações estruturais em geral, tentativas têm sido feitas para incorporar dados correlacionados nesse tipo de metodologia. É evidente que os modelos de equações estruturais e os modelos lineares multiníveis sozinhos não são capazes de capturar relações complexas que existem intra e entre-grupos, o que resultou na proposta de combinação dessas duas metodologias, denominada modelos de equações estruturais multiníveis. Este trabalho objetiva uma avaliação mais ampla do que a existente na literatura atual do procedimento de estimação dos modelos de equações estruturais multiníveis para respostas contínuas através da condução de estudos Monte Carlo, que foram realizados no software MPlus. Resultados referentes à avaliação de AFC, sem considerar a estrutura multinível dos dados, apontam para aumento do viés, sobretudo dos componentes da variância, à medida que o coeficiente de correlação intraclasse (ICC) aumenta e o número de clusters diminui. No ajuste da AFC multinível o viés associado às cargas fatoriais e às variâncias residuais é desprezível para as diversas combinações de grau de dependência e estrutura de agregação dos dados na modelagem do componente intra-grupos. No entanto, a modelagem do componente entre-grupos aponta para estimadores com alto grau de viés, que é reduzido com o aumento do ICC e do número de clusters. Certamente os modelos de equações estruturais multiníveis podem contribuir com o aumento do poder e flexibilidade na análise de dados em conglomerados hierárquicos, permitindo a incorporação de erros de medida. No entanto, este tipo de metodologia ainda requer a disponibilidade de dados para um número grande de clusters. A performance desta metodologia também depende da complexidade do modelo. O ajuste de modelos com alto grau de complexidade, sobretudo com respeito às relações causais e ao número de indicadores, depende de desenvolvimentos teóricos futuros. Projeto com financiamento FAPESB, Termo de Outorga n.0082/2006.