Variáveis latentes (LVs)
Os construtos que realmente interessam: satisfação do cliente, confiança, utilidade percebida. Não podem ser medidos diretamente.
PLS-SEM explicado
O que é PLS-SEM?
A modelagem de equações estruturais por mínimos quadrados parciais é um método baseado em variância para estimar modelos com construtos latentes, ou seja, elementos que não podem ser medidos diretamente, apenas por meio de indicadores observáveis. Esta página explica o que é o PLS-SEM, quando utilizá-lo e em que ele difere do SEM baseado em covariância.
O que o PLS-SEM realmente faz, explicado de forma simples
Algumas coisas que interessam aos pesquisadores - a satisfação do cliente, a confiança em uma marca, a intenção de usar uma tecnologia - não podem ser medidas com um único número. Não existe um "medidor de satisfação" que se possa colocar em alguém. Por isso, os pesquisadores fazem várias perguntas de pesquisa que giram em torno do conceito ("Estou satisfeito com X", "Eu recomendaria X", "X atendeu às minhas expectativas") e usam essas respostas como pistas do que está acontecendo por baixo.
O PLS-SEM é a matemática que transforma essas pistas em um modelo que se pode testar. Ele pergunta: será que a satisfação realmente causa a lealdade, e com que força? E devolve números que você pode reportar - por exemplo, "um aumento de 1-point na satisfação corresponde a um aumento de 0.6-point na lealdade, e esse efeito é estatisticamente confiável". Pesquisadores de marketing, de HR, de sistemas de informação e de serviços de saúde usam isso todos os dias.
Os quatro blocos fundamentais
Indicadores (variáveis manifestas)
Colunas observáveis do conjunto de dados que representam cada construto latente: itens de survey, avaliações, leituras de sensores.
Modelo de mensuração (modelo externo)
Como os indicadores se relacionam com sua variável latente. Reflexivo (a LV causa os indicadores, por ex. satisfação → sat1..sat4) ou formativo (os indicadores causam a LV, por ex. renda + educação → NSE).
Modelo estrutural (modelo interno)
As relações hipotetizadas entre variáveis latentes. São os caminhos causais que você está testando.
Critérios de qualidade que importam
Os avaliadores esperam que os seguintes critérios sejam reportados para uma análise PLS-SEM defensável.
- R² por LV endógena
- Quanto da variância o modelo explica. Faixas de Chin (1998): 0.19 fraco, 0.33 moderado, 0.67 substancial.
- Coeficientes de caminho com valores p
- Testes de significância por bootstrap sobre os caminhos estruturais. O padrão de publicação é de 5000+ reamostragens.
- HTMT para validade discriminante
- Razão Heterotrait-Monotrait (Henseler 2015). Limiar 0.85 conservador, 0.90 liberal. O HTMT2 (Roemer 2021) o refina.
- Confiabilidade: Cronbach's α, ρ_A, ρ_c
- Indicadores de validade convergente; ≥ 0.70 é o limiar padrão para pesquisa confirmatória.
- Ajuste do modelo SRMR
- Raiz quadrada média dos resíduos padronizados. < 0.08 é considerado um bom ajuste (Hu & Bentler 1999).
- Orientações sobre tamanho amostral
- A regra das 10 vezes: o tamanho da amostra deve ser pelo menos dez vezes o maior número de caminhos apontando para uma única variável latente.
PLS-SEM vs CB-SEM
O PLS-SEM não é um substituto estrito do SEM baseado em covariância (CB-SEM). Ambos são técnicas de modelagem de equações estruturais, mas otimizam objetivos diferentes.
| Aspecto | PLS-SEM | CB-SEM |
|---|---|---|
| Objetivo de estimação | Predição, exploração | Confirmação de teoria estabelecida |
| Suposições | Sem requisitos distribucionais | Normalidade multivariada |
| Tamanho amostral | Funciona com amostras pequenas (n < 100 possível) | Tipicamente n ≥ 200 |
| Indicadores formativos | Suporte nativo | Desajeitado, requer soluções alternativas |
| Complexidade do modelo | Lida bem com modelos complexos com muitas LVs e caminhos | Sofre com alta complexidade |
| Índices de ajuste | SRMR, dULS, dG | χ², CFI, TLI, RMSEA (abrangentes) |
| Ferramentas populares | OpenPLS, SmartPLS, seminr, cSEM | lavaan, Mplus, AMOS, LISREL |
Quando usar PLS-SEM
- Sua pesquisa é orientada à predição ou exploração, em vez de confirmar uma teoria bem estabelecida.
- Você tem uma amostra pequena ou dados não normais.
- Seu modelo tem construtos formativos (indicadores causando a LV).
- Seu modelo é estruturalmente complexo (muitas LVs, muitos caminhos hipotetizados).
- Você precisa trabalhar com variáveis compostas em vez de fatores comuns.
Quando NÃO usar PLS-SEM
- Você está confirmando uma teoria de mensuração bem estabelecida e precisa dos índices de ajuste tradicionais (χ², CFI, RMSEA): use CB-SEM.
- Seus indicadores são puramente reflexivos e você deseja modelar o erro de mensuração rigorosamente: use CB-SEM.
- Você precisa de escores de variáveis latentes que sejam estritamente fatores comuns (não compostos): use CB-SEM.
- Você está fazendo análise fatorial exploratória pura sem modelo estrutural: use EFA/PCA clássicos em vez disso.
Um exemplo mínimo
Um estudo de satisfação do cliente pergunta: a qualidade percebida impulsiona a satisfação, e a satisfação impulsiona a lealdade? Três variáveis latentes (Qualidade, Satisfação, Lealdade), cada uma medida por 3-5 itens de survey em uma escala Likert de 7 pontos. Dois caminhos hipotetizados (Qualidade → Satisfação, Satisfação → Lealdade). O PLS-SEM estima os coeficientes de caminho, verifica se os indicadores medem cada construto de forma confiável (via loadings e HTMT) e calcula valores p por bootstrap para os dois caminhos.
Execute uma análise PLS-SEM no seu navegador
O OpenPLS é uma ferramenta PLS-SEM open source que roda inteiramente no navegador. Editor visual de diagrama de caminhos, painel completo de critérios de qualidade, métodos avançados (MGA, IPMA, PLSpredict, FIMIX). Validado contra o SmartPLS 4 em um working paper publicado.
Leituras adicionais
A referência canônica para profissionais é Hair, Hult, Ringle & Sarstedt (2021), A Primer on Partial Least Squares Structural Equation Modeling, 3ª ed. (Sage). Para orientação metodológica sobre quando usar PLS-SEM em relação a alternativas, veja Hair et al. (2019), When to use and how to report the results of PLS-SEM (European Business Review, 31(1), 2–24).