Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Tutorial: Invariância de medição (MIMIC) no JASP

Em post anterior, vimos a importância da Invariância de medição ou equivalência de medição. Agora, neste tutorial, apresentamos o modelo MIMIC, formas de implementá-lo e como interpretar os resultados. Vale ressaltar que o tutorial foi adaptado diretamente do site do JASP (original)

Em nosso exemplo de participação social, os pesquisadores estão interessados em investigar os efeitos da renda, ocupação (ocupação) e educação (educ) na previsão da participação social. Aqui, a participação social não pode ser medida diretamente. É, portanto, operacionalizada como uma variável latente medida pelo número de presenças na igreja (igreja), o número de associações voluntárias à organização (membro) e o número de amigos vistos (amigos). Três variáveis, igreja, membro e amigos, são (múltiplos) indicadores de participação social (a parte “MI” de “MIMIC”). As outras três variáveis, renda, ocupação e educ, são causas de participação social (“MIC”). O conjunto de dados que foi simulado com base em Hodge e Treiman (1968) pode ser acessado aqui.

Vamos à pratica!

Primeiro, você deve fazer o download do JASP e seguir os procedimentos de instalação.

Ao prosseguir com o modelo MIMIC para analisar os dados, abra a análise MIMIC em SEM > MIMIC. Em seguida, arraste as variáveis igreja, membro e amigos para a seção Indicadores e renda, ocupação e educação para a seção Preditores.

O JASP fornece as estimativas de parâmetros no painel de saída à direita. A tabela de coeficientes do Preditor nos mostra o quanto cada preditor prevê a participação social. A tabela de coeficientes do Indicador fornece as cargas fatoriais. Observe que a variância do fator é fixada em 1 para identificação do modelo. Ao interpretar esses coeficientes, considere-os apenas como coeficientes de regressão.

Vamos primeiro interpretar os valores da Tabela de coeficientes do Preditor. Primeiro, o coeficiente preditor de renda é estimado em 0,135. A cada unidade de aumento de renda, a participação social aumenta em 0,135 unidades. Dado que a participação social é uma variável normalmente distribuída com variância de 1, podemos considerar isso como um efeito moderado no máximo. Da mesma forma, com um aumento de uma unidade na educação, há um aumento de 0,391 na participação social. Observe que apenas os efeitos de renda e educação são estatisticamente significativos, assumindo um nível alfa de 0,05.

Em seguida, dê uma olhada na Tabela de coeficientes do indicador. Com um aumento de uma unidade na participação social, a participação da igreja aumenta em 0,489 unidades. Em seguida, com um aumento de uma unidade na participação social, a adesão a organizações voluntárias aumenta em 0,304 unidades. Finalmente, com um aumento de uma unidade na participação social, o número de amigos vistos aumenta em 0,114 unidades.

No entanto, observe que essas estimativas não são padronizadas. Ou seja, não podemos comparar a força relativa da previsão entre os três preditores. As estimativas devem ser padronizadas. No painel de controle, clique na guia Opções. Em seguida, verifique as estimativas padronizadas.

As duas tabelas em Estimativas de parâmetros apresentam as estimativas padronizadas. Interpretamos a coluna Todos em Padronizado.

Entre renda e educação, um aumento de desvio padrão na renda leva a um aumento de 0,232 desvio padrão na participação social. Por outro lado, um aumento de desvio padrão na educação leva a um aumento de 0,334 desvios padrão na participação social. Podemos concluir que a educação resulta na maior mudança de participação social por aumento do desvio padrão entre os três preditores.

Também podemos verificar o R-quadrado na guia Opções. Isso exibe uma tabela adicional com a proporção da variância explicada pelo fator latente em cada uma das variáveis do indicador. Nesse caso, 21,7% da variação na participação na igreja, 54,1% da variação nas associações voluntárias à organização e 16,1% da variação no número de amigos vistos foram explicados pelo fator latente de participação social, respectivamente.

Para permitir que o JASP nos forneça várias medidas de ajuste, marque Medidas de ajuste adicionais na guia Opções.

Entre várias medidas de ajuste, consideramos o Índice de Ajuste Comparativo (CFI) e o Índice de Tucker-Lewis (TLI) na tabela de índices de ajuste e o erro quadrático médio de aproximação (RMSEA) e o resíduo quadrático médio padrão (SRMR) na tabela de Outras medidas de ajuste. Os respectivos valores de CFI e TLI são 0,969 e 0,939. Esses valores são maiores que 0,90, o que indica um ajuste adequado do modelo. Para RMSEA e SRMR, os valores são 0,045 e 0,023, respectivamente. Como o valor de RMSEA é menor que 0,05 e o de SRMR é menor que 0,08, nosso modelo tem um bom ajuste aos dados.

Por último, mas não menos importante, seria ótimo se pudéssemos traçar um diagrama de caminho para inspecionar visualmente as estimativas entre as variáveis. JASP permite que você faça isso facilmente! No painel de controle, abra a guia Plots e verifique as estimativas de parâmetro e a legenda. O gráfico de caminho aparecerá no painel de saída.

Os valores em cada seta expressam os coeficientes preditores, os coeficientes indicadores, a variância e covariância entre os preditores, a variância da participação social (denotada como Y) e as variâncias dos erros de medição dos indicadores. Observe que os coeficientes do preditor e os coeficientes do indicador não são padronizados neste gráfico. Ao lado do gráfico, é apresentada a legenda para identificar as siglas das variáveis ​​no caminho.

Espero que esse post tenha sido útil!

Gostou desse conteúdo? Precisa aprender Análise de dados? 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).

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.