Modelagem de Equações Estruturais (SEM) na Tese 2026: AMOS vs lavaan

A Modelagem de Equações Estruturais (SEM) é atualmente a técnica quantitativa mais poderosa para testar teorias que envolvem variáveis latentes, efeitos mediadores e estruturas causais complexas em ciências sociais, psicologia, gestão e educação. Em 2026, qualquer tese de doutoramento que inclua construtos como “satisfação”, “engagement”, “atitude” ou “motivação” — e que queira ir além de uma simples regressão múltipla — precisa de justificar por que razão escolheu ou rejeitou o SEM. Este guia responde às questões centrais: o que é SEM, quando usá-lo, qual software escolher entre AMOS, lavaan R, Mplus e SmartPLS, e como reportar os índices de ajuste com rigor metodológico.

A escolha entre AMOS e lavaan é também uma decisão prática: o AMOS (IBM) custa €100+/licença estudante e usa interface gráfica; o lavaan é gratuito, corre em R e é cada vez mais exigido pelas revistas metodológicas de referência. Saber usar as duas opções diferencia investigadores sérios de utilizadores instrumentais das técnicas.

O que é SEM e quando usar

O SEM (Structural Equation Modeling, ou Modelagem de Equações Estruturais em PT-BR, Modelação de Equações Estruturais em PT-PT) é uma família de técnicas estatísticas multivariadas que combina análise fatorial com modelos de regressão, permitindo testar simultaneamente:

• O modelo de medida (measurement model / CFA): como os indicadores observáveis (itens de um questionário) se relacionam com as variáveis latentes (construtos não observáveis diretamente);
• O modelo estrutural (path model): as relações hipotéticas causais entre as variáveis latentes.

Quando o SEM é a escolha certa para a tua tese

Usa SEM quando:

• Tens construtos latentes (satisfação, engagement, perceção de qualidade, intenção) medidos por múltiplos indicadores;
• Queres testar mediação formal (o construto A afeta B que afeta C) com rigor além do Baron-Kenny;
• O teu modelo teórico tem múltiplas variáveis dependentes simultâneas;
• Precisas de modelar o erro de medida explicitamente;
• Tens dados de questionário com escala Likert de 5-7 pontos (tratados como contínuos com precaução).

Quando NÃO usar SEM

• Amostra < 100 observações (preferir PLS-SEM ou regressão);
• Construtos com menos de 3 indicadores cada (sub-identificação);
• Dados puramente exploratórios sem teoria prévia (usa EFA em vez de CFA);
• Variáveis dependentes binárias (usa SEM com estimador WLSMV no Mplus).

CB-SEM vs PLS-SEM: qual escolher

5 etapas do SEM: da especificação ao reporte

Etapa 1 — Especificação do modelo

Define o modelo teórico antes de ver os dados. Inclui:

• Variáveis latentes (construtos): ex. “Intenção de Uso”, “Utilidade Percebida”;
• Indicadores (itens): cada construto deve ter ≥3 itens (ideal ≥4);
• Setas do path diagram: setas simples (→) para relações hipotetizadas; setas duplas (↔) para covariâncias;
• Graus de liberdade: df = p(p+1)/2 − q, onde p = indicadores e q = parâmetros estimados. Modelo identificado quando df > 0.

Etapa 2 — CFA (Análise Fatorial Confirmatória)

Antes de testar o modelo estrutural, testa o modelo de medida via CFA:

• Validade convergente: Cargas fatoriais standardizadas ≥0.70; AVE ≥0.50;
• Fiabilidade: Composite Reliability (CR) ≥0.70; α de Cronbach ≥0.70;
• Validade discriminante: raiz quadrada de AVE de cada construto > correlação com outros construtos (Fornell-Larcker); ou HTMT < 0.85 (mais robusto, Gold et al. 2017).

Etapa 3 — Estimação

O estimador padrão para dados contínuos com distribuição normal multivariada é o Maximum Likelihood (ML). Para dados não-normais ou amostras <200, usa MLR (ML robusto, Satorra-Bentler) no Mplus ou o estimador MLM no lavaan. Para variáveis ordinais (Likert 5 ou menos pontos), considera WLSMV (Mplus) ou o estimador DWLS no lavaan.

Etapa 4 — Avaliação do ajuste

Ver secção detalhada de índices de ajuste abaixo.

Etapa 5 — Modificação e reporte

Os índices de modificação (MI) sugerem onde o modelo pode ser melhorado (ex.: correlacionar erros de dois itens semanticamente similares). Atenção: modificações post-hoc devem ser teoricamente justificadas e a análise de exploração/confirmação deve ser separada (split sample ou replicação em amostra independente) para evitar overfitting.

Índices de ajuste: guia completo 2026

Reportar índices de ajuste adequados é uma exigência de qualquer artigo ou tese com SEM. Os critérios baseiam-se em Hu & Bentler (1999) mas têm sido refinados por simulações mais recentes. Em 2026, os critérios standard são:

AMOS vs lavaan vs Mplus vs SmartPLS: comparação detalhada

Recomendação 2026: para teses de doutoramento com objetivo de publicação em jornais Q1 de psicologia, educação ou saúde, usa lavaan por reproducibility e custo zero. Se a IES tem licença AMOS/SPSS (verificável na biblioteca), o AMOS é aceitável. Mplus é obrigatório para dados categóricos ou modelos multinível (MSEM).

Script lavaan R: CFA + SEM completo comentado

Exemplo de análise completa para um modelo TAM (Technology Acceptance Model) com 3 construtos latentes e 12 indicadores, com n=250, usando lavaan 0.6-17+:

library(lavaan)
library(semPlot)

modelo_cfa <- '
  UP =~ up1 + up2 + up3 + up4
  FU =~ fu1 + fu2 + fu3 + fu4
  IU =~ iu1 + iu2 + iu3 + iu4
'

fit_cfa <- cfa(modelo_cfa,
               data = dados_tam,
               estimator = "MLR",
               std.lv = TRUE)

summary(fit_cfa, fit.measures = TRUE, standardized = TRUE)

fitMeasures(fit_cfa, c("cfi", "rmsea", "rmsea.ci.lower",
                        "rmsea.ci.upper", "srmr", "tli",
                        "chisq", "df", "pvalue"))

modelo_sem <- '
  UP =~ up1 + up2 + up3 + up4
  FU =~ fu1 + fu2 + fu3 + fu4
  IU =~ iu1 + iu2 + iu3 + iu4
  IU ~ UP + FU
  UP ~ FU
'

fit_sem <- sem(modelo_sem,
               data = dados_tam,
               estimator = "MLR",
               std.lv = TRUE)

summary(fit_sem, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)

Tabela de reporte para a tese

Na secção “Resultados” da tese, inclui obrigatoriamente estas tabelas:

Tabela 1 — Cargas fatoriais e fiabilidade

Tabela 2 — Índices de ajuste do modelo

Casos de uso por área em 2026

Psicologia — Big Five e Bem-estar

O modelo Big Five de personalidade é um dos mais testados em SEM. Em 2026, teses de psicologia positiva testam frequentemente o efeito de Neuroticismo (N) e Extroversão (E) sobre Bem-estar Subjetivo, com Autoeficácia como mediadora, usando amostras de doutorandos em Portugal. Este é um caso clássico de CB-SEM com mediação.

Educação — UTAUT2 e tecnologias educativas

O UTAUT2 (Venkatesh et al., 2012) é amplamente usado em teses de tecnologia educativa para testar a intenção de uso de ferramentas como plataformas LMS, IA generativa ou apps de aprendizagem móvel. Em 2026, várias teses brasileiras testam o UTAUT2 para adoção de IA em contexto universitário, com variáveis moderadoras (experiência, género, ano curricular).

Gestão — TAM e SERVQUAL

O modelo TAM (Davis, 1989) e as suas extensões são os mais usados em teses de gestão. Para preparar os dados e a análise SEM com suporte integrado na escrita da tese, a secção de análise de dados SPSS/R/Python deste blog tem tutoriais complementares. A bibliometria para a tese 2026 pode ainda ajudar a identificar os jornais mais adequados para publicar os teus resultados SEM.

Ciências Agrárias, Farmácia e Biologia — Desenho experimental

Em áreas experimentais como Agronomia, Ciências Farmacêuticas e Biologia, o SEM complementa análises de variância e modelos mistos quando há construtos latentes (ex.: “eficácia do tratamento” medida por múltiplos biomarcadores). Para doutorandos em mobilidade ou cotutela com universidades italianas nestas áreas, os requisitos metodológicos e de apresentação de dados experimentais têm especificidades próprias — o guia sobre as teses experimentais em Agrária, Farmácia e Biologia nas universidades italianas em 2026 documenta as normas de reporte e os protocolos experimentais exigidos pelas principais IES italianas, útil como referência comparativa para programas de cotutela PT-IT nestas áreas.

Erros metodológicos mais frequentes em SEM nas teses

1. Não realizar CFA antes do SEM: testar o modelo estrutural diretamente sem validar o modelo de medida invalida os resultados.
2. Usar chi-quadrado puro com N>300: o χ² é quase sempre significativo com amostras grandes, mesmo com modelos com bom ajuste. Usa sempre o ratio χ²/df.
3. Correlacionar erros sem justificação teórica: os modification indices sugerem modificações que melhoram estatisticamente o ajuste mas podem ser espúrias. Cada modificação precisa de justificação substantiva.
4. Não reportar o estimador: ML, MLR e WLSMV dão resultados diferentes. Sempre especifica o estimador e justifica a escolha.
5. Misturar CB-SEM e PLS-SEM: são paradigmas diferentes com interpretações diferentes dos coeficientes. Não compares resultados entre os dois.
6. Submissão de dados sem escala Likert adequada: Likert de 5 pontos com distribuições muito assimétricas deve ser tratado como ordinal (estimador WLSMV), não contínuo (ML).

Perguntas frequentes (FAQ)