--- title: "Como interpretar a SRMR e o RMSEA em uma análise fatorial confirmatória?" url: https://www.blog.psicometriaonline.com.br/como-interpretar-o-srmr-e-o-rmsea-em-uma-analise-fatorial-confirmatoria canonical: https://www.blog.psicometriaonline.com.br/como-interpretar-o-srmr-e-o-rmsea-em-uma-analise-fatorial-confirmatoria language: pt-BR published: 2025-05-29T15:33:22.000Z updated: 2026-03-30T13:49:13.076Z modified: 2026-03-30T13:49:13.076Z author: "Bruno Damásio" categories: ["Análise fatorial"] tags: ["análise fatorial confirmatória"] description: "Aprenda a interpretar a SRMR e o RMSEA na análise fatorial confirmatória e melhore suas avaliações de modelo." source: Blog Psicometria Online --- # Como interpretar a SRMR e o RMSEA em uma análise fatorial confirmatória? > Quando realizamos uma análise fatorial confirmatória (AFC), um passo essencial é verificar se o modelo proposto representa bem os dados observados. Para isso, utilizamos diversos índices de ajuste. Entre os mais populares estão a SRMR e o RMSEA, que ajudam a avaliar a qualidade do modelo de forma pr... Quando realizamos uma [análise fatorial confirmatória (AFC)](/analise-fatorial-confirmatoria-2), um passo essencial é verificar se o modelo proposto representa bem os dados observados. Para isso, utilizamos diversos índices de ajuste. Entre os mais populares estão a **SRMR e o RMSEA**, que ajudam a avaliar a qualidade do modelo de forma prática e acessível. Neste post, vamos explorar o que são a SRMR e o RMSEA, para que servem e como interpretá-los corretamente. Primeiramente, explicaremos a SRMR e suas limitações. Em seguida, abordaremos o RMSEA, destacando seus pontos fortes e situações em que pode falhar. Por fim, recomendaremos nosso post sobre índices de ajuste comparativos. ## O que é a SRMR? Primeiramente, é relevante pensarmos em duas matrizes de correlações (ou [matrizes de variância–covariância](/o-que-e-uma-matriz-de-covariancia), suas versões não padronizadas). A primeira delas é a **matriz empírica**, isto é, a matriz de correlações entre as variáveis observadas em nosso banco de dados. Além disso, temos a **matriz implicada pelo modelo**, ou seja, a matriz de correlações prevista por nosso modelo de AFC. Em síntese, um de nossos objetivos com índices de ajuste é avaliar em que medida as duas matrizes diferem entre si. Quanto menor a discrepância entre as duas matrizes, mais o nosso modelo de AFC captura a estrutura presente nos dados. Nesse contexto, a **raiz quadrada média dos resíduos padronizados** (SRMR, *standardized root mean square residual*) é um índice de “desajuste” absoluto usado na AFC. Seu principal objetivo é verificar o quanto o nosso modelo de AFC falha em reproduzir as correlações observadas na amostra. Em síntese, a SRMR calcula a discrepância entre as correlações previstas pelo modelo e as observadas nos dados. Se denominarmos o resíduo padronizado — isto é, a diferença padronizada entre as variâncias e covariâncias observadas e as variâncias e covariâncias implicadas pelo modelo de AFC — de ϵ-chapéu (ϵ = epsilon), a SRMR será igual a: ![SRMR e o RMSEA: fórmula da SRMR.](/uploads/2021-08_SRMR.jpg) onde *t* = *p*(*p* + 1)/2, representando o número de variâncias e covariâncias únicas em uma matriz de correlações com *p* variáveis observadas. Assim, a fórmula da SRMR reflete sua definição: calcula-se a raiz quadrada da soma dos resíduos padronizados, dividida pelo número de variâncias e covariâncias na matriz. Os valores da SRMR vão de 0 a 1. Um valor de 0 indica ajuste perfeito, ou seja, a matriz de correlações do modelo reproduz exatamente a empírica. Portanto, quanto menor a SRMR, melhor o ajuste do modelo. ## Limitações da SRMR Apesar de útil, a SRMR apresenta algumas limitações importantes. Primeiramente, ela não é muito confiável quando aplicado a variáveis categóricas — um cenário típico em instrumentos de autorrelato que adotam [escalas Likert](/entenda-o-que-e-escala-likert). Além disso, a SRMR é um índice absoluto. Isso significa que ela mede diretamente a distância entre a matriz de covariância estimada pelo modelo e a matriz observada. Esse enfoque, porém, ignora a complexidade do modelo, o que pode ser problemático. Por exemplo, imagine dois modelos de AFC com o mesmo valor de SRMR — digamos, SRMR = 0,04. Um deles é mais simples, com menos parâmetros livres que serão estimados. O outro é mais complexo. No entanto, a SRMR não diferencia entre os dois modelos, o que pode levar à escolha de modelos desnecessariamente complicados. Por isso, é comum usarmos índices que penalizam modelos mais complexos. ## O que é e por que usar o RMSEA? O **raiz do erro quadrático médio de aproximação** (RMSEA, *root mean square error of approximation*) surge justamente para resolver essa limitação. Sua fórmula é apresentada a seguir: ![SRMR e o RMSEA: fórmula do RMSEA.](/uploads/2021-08_RMSEA-formula.jpg) onde *χ*² é uma medida de ajuste que testa a hipótese nula de igualdade entre as matrizes de variância–covariância observada e implicada pelo modelo; *gl* representa os graus de liberdade do modelo (ou seja, o número de variâncias e covariâncias observadas menos o número de parâmetros estimados); e *N* é o tamanho da amostra. Diferente da SRMR, o RMSEA leva em conta a complexidade do modelo. Em outras palavras, um modelo mais complexo terá mais parâmetros, sendo penalizado na fórmula com um *gl* menor e, consequentemente, um RMSEA maior. Além disso, o RMSEA busca estimar o ajuste do modelo à população — e não apenas à amostra. Entre as vantagens do RMSEA, destacam-se: - Penaliza modelos mais complexos; - É menos sensível ao tamanho da amostra, por ser uma estimativa populacional. Valores do RMSEA também variam entre 0 e 1, sendo que valores menores indicam melhor ajuste. De forma geral, valores abaixo de 0,06 são considerados bons (Brown, 2015), embora exista debate sobre esse ponto de corte. Por outro lado, o RMSEA pode rejeitar modelos adequados quando o tamanho da amostra é muito pequeno. Nesses casos, convém considerar outros índices de ajuste. ## Conclusão Agora que você entende a SRMR e o RMSEA, é possível usá-los de forma mais estratégica na avaliação de modelos em AFC. Ambos têm seus méritos e limitações. Por isso, é recomendável usá-los em conjunto com [outros índices](/indices-comparativos-na-analise-fatorial-confirmatoria), como o CFI e o TLI. Se você precisa aprender análise de dados, então faça parte da [**Psicometria Online Academy**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post), a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura [**aqui**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post) e nunca mais passe trabalho sozinho(a). ## Referência Brown, T. A. (2015). *Confirmatory factor analysis for applied research* (2nd ed.). The Guilford Press. ## Como citar este post > **Como citar este artigo:** Damásio, B. (2025, 29 de maio). Como interpretar a srmr e o RMSEA em uma análise fatorial confirmatória? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/como-interpretar-o-srmr-e-o-rmsea-em-uma-analise-fatorial-confirmatoria