Anteriormente, explicamos a importância da invariância de medição, também conhecida como equivalência de medição. Agora, neste tutorial (adaptado diretamente do JASP), vamos explorar como realizar uma análise de invariância de medição (MIMIC) no JASP, apresentando o modelo, sua implementação e a interpretação dos resultados.
Nosso exemplo envolve um estudo sobre participação social. Em síntese, os pesquisadores desejam investigar os efeitos da renda, ocupação e educação sobre essa variável.
Uma vez que a participação social é uma variável latente, ela é representada por três indicadores observáveis: frequência à igreja, participação em organizações voluntárias e número de amigos vistos.
Desse modo, as variáveis igreja, membro e amigos representam os múltiplos indicadores da participação social — a parte “MI” — multiple indicators — do modelo MIMIC. Por outro lado, a renda, a ocupação e a educação atuam como causas — a parte “MIC” — multiple causes. O conjunto de dados utilizado foi adaptado de Hodge e Treiman (1968).
Como implementar a análise de invariância de medição (MIMIC) no JASP
Antes de mais nada, baixe e instale o JASP. Em seguida, abra o software, vá até MEE > Modelo MIMIC (Figura 1) e insira as variáveis apropriadas: igreja, membro e amigos em Indicadores, e renda, ocupação e educação em Preditores (Figura 2).
O painel de saída exibe as estimativas de parâmetros. A tabela de coeficientes dos preditores mostra o impacto de cada variável explicativa. Por outro lado, a tabela de coeficientes dos indicadores revela as cargas fatoriais associadas à variável latente.
Importante: a variância do fator é fixada em 1 para garantir a identificação do modelo. Sendo assim, ao interpretar os coeficientes, encare-os como coeficientes de regressão comuns.
Em seguida, veremos como interpretar os coeficientes e demais índices do modelo.
Coeficientes não padronizados na análise MIMIC no JASP
Primeiramente, analisaremos a tabela de coeficientes dos preditores (Figura 3). O coeficiente de renda, por exemplo, é 0,135. Isso significa que, a cada unidade adicional de renda, a participação social cresce em 0,135 unidade. Já a educação apresenta um coeficiente de 0,391, indicando um efeito ainda mais expressivo.
Contudo, apenas renda e educação são estatisticamente significativas ao nível de 0,05. Em contrapartida, a ocupação não apresenta um efeito relevante no modelo (b = 0,054, p = 0,08).
Em seguida, analisaremos a tabela de coeficientes dos indicadores (Figura 4). Como podemos ver na Figura 4, o aumento de uma unidade em participação social resulta em acréscimo de 0,489 na frequência à igreja, de 0,304 na participação em organizações e, por fim, de 0,114 no número de amigos vistos.
Esses valores, porém, são não padronizados. Logo, não podemos compará-los diretamente.
Estimativas padronizadas na análise de invariância de medição (MIMIC) no JASP
Para resolver isso, vá à guia Opções e marque Estimativas padronizadas (Figura 5). Isso permite comparar a força dos efeitos entre variáveis com escalas diferentes.
A Figura 6 reapresenta as tabelas das Figuras 3 e 4, exceto que agora os coeficientes apresentados consistem em versões padronizadas dos coeficientes anteriores.
Na Figura 6, vemos que um desvio-padrão a mais em renda aumenta a participação social em 0,232 desvio-padrão. Já o mesmo aumento em educação resulta no aumento de 0,334 desvio-padrão. Portanto, a educação exerce o efeito mais forte sobre a variável latente que a renda.
Em síntese, essa padronização facilita comparações entre variáveis com unidades distintas, o que é essencial em análises psicométricas.
Variância explicada pelos indicadores no modelo MIMIC no JASP
Ainda na guia Opções, marque R² (Figura 7), pois essa medida informa quanto da variância de cada indicador é explicada pela variável latente.
Os resultados mostram que o fator latente de participação social explica 21,7% da variação na frequência à igreja, 54,1% nas organizações voluntárias e 16,1% no número de amigos vistos (Figura 8). Esses valores ajudam a entender a qualidade da mensuração de cada indicador.
Medidas de ajuste na análise de invariância de medição (MIMIC) no JASP
Além disso, para avaliar o ajuste do modelo, selecione Medidas adicionais de ajuste (Figura 9).
A Figura 10 apresenta os índices de ajuste. Os principais deles são o CFI, TLI, RMSEA e SRMR, de modo que nos focaremos neles.
Os valores obtidos foram: CFI = 0,969 e TLI = 0,939. Ambos superam o critério mínimo de 0,90, indicando bom ajuste. Já o RMSEA foi 0,045 e o SRMR, 0,023 — ou seja, ambos dentro dos limites recomendados. Em síntese, essas estatísticas fortalecem a conclusão de que o modelo se ajusta bem aos dados analisados.
Visualização gráfica da análise MIMIC no JASP
Por fim, é possível visualizar as relações entre variáveis por meio de um gráfico. Na guia Gráficos, ative as opções Gráfico do modelo, Estimativas dos parâmetros e Legenda (Figura 11).
O diagrama de caminho gerado ilustra os caminhos entre preditores e indicadores, bem como suas respectivas variâncias (Figura 12). Contudo, vale lembrar que esses coeficientes não são padronizados, isto é, os valores nela contidos são aqueles contidos nas Figuras 3 e 4.
Conclusão
Gostou deste conteúdo? Então aproveite e também se inscreva em nosso canal do YouTube para ficar por dentro de nossas novidades.
Se você precisa aprender análise de dados, então faça parte da Psicometria Online Academy, a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).
Como citar este post
França, A. (2022, 5 de março). Como realizar análise de invariância de medição (MIMIC) no JASP? Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/tutorial-analise-de-invariancia-de-medicao-mimic-no-jasp
