Análise Estatística de Dados

CB-SEM e PLS-SEM: quando usar cada abordagem?

Autor: Mário Rocha

A Modelagem de Equações Estruturais (SEM) é uma família de técnicas que permite analisar, no mesmo modelo, relações entre variáveis latentes e indicadores observáveis. Na prática, junta a lógica da análise fatorial com a análise de caminhos/regressão, sendo útil quando o investigador quer testar relações complexas por exemplo entre conceitos como satisfação, intenção, desempenho, confiança ou adoção tecnológica. A literatura distingue sobretudo duas abordagens: CB-SEM, baseada em covariâncias, e PLS-SEM, baseada em variância/compósitos (Dash & Paul, 2021; Hair et al., 2017).

O CB-SEM é mais indicado quando a teoria já está bem consolidada e o objetivo principal é confirmar se o modelo teórico se ajusta bem aos dados. A sua lógica é comparar a matriz de covariâncias observada com a matriz estimada pelo modelo, dando grande importância a índices de ajustamento como qui-quadrado (x²/gl), CFI, TLI, RMSEA, GFI e SRMR. Por isso, é uma abordagem forte para validação teórica, análise fatorial confirmatória e modelos reflexivos/fatoriais, mas tende a exigir mais dos dados, nomeadamente amostras adequadas, boa qualidade de medição e, em muitos casos, pressupostos de normalidade (Dash & Paul, 2021; Vargör & Öğretmen, 2025).

O PLS-SEM, por sua vez, é geralmente escolhido quando o objetivo é explicar e prever. Em vez de tentar reproduzir a matriz de covariâncias, procura maximizar a variância explicada dos constructos dependentes. Por isso, tornou-se popular em estudos exploratórios, modelos complexos, desenvolvimento de teoria, investigação aplicada e contextos em que o interesse está mais na capacidade preditiva do que no ajustamento global do modelo (Hair et al., 2022; Henseler et al., 2009; Richter et al., 2020; Ringle et al., 2023; Sarstedt et al., 2020; Changalima & Chuwa, 2025). Hair et al. (2017) sublinham, também, que o PLS-SEM trabalha com a lógica de compósitos e utiliza a variância total, enquanto o CB-SEM trabalha sobretudo com variância comum.

Tabela comparativa entre CB-SEM e PLS-SEM

Alguns resultados empíricos reforçam esta distinção. No estudo de Dash e Paul (2021), com 466 respondentes, as cargas dos itens tenderam a ser mais elevadas no PLS-SEM, enquanto o CB-SEM se destacou por oferecer uma avaliação mais completa do ajustamento global. O mesmo estudo mostrou que o PLSc – uma versão consistente do PLS – produz relações estruturais mais próximas do CB-SEM, sobretudo quando o modelo é de natureza fatorial/reflexiva.

Hair et al. (2017) também observaram que o PLS-SEM tende a reter mais indicadores e a apresentar bons níveis de fiabilidade composta e validade convergente, enquanto o CB-SEM pode exigir a eliminação de itens para atingir bom ajustamento. No entanto, estes autores não tratam os métodos como rivais: a escolha depende da pergunta de investigação. Se a prioridade é confirmar uma teoria, o CB-SEM é mais natural; se a prioridade é previsão e explicação prática, o PLS-SEM pode ser mais adequado.

Investigações recentes tornam a discussão ainda mais equilibrada. Vargör e Öğretmen (2025), ao compararem CB-SEM, PLS-SEM e PLSc-SEM em dados do PISA, concluíram que o CB-SEM apresentou melhores índices de ajustamento, enquanto PLS-SEM e PLSc-SEM foram úteis para parâmetros de fiabilidade e validade. Porém, alertam que é incorreto dizer que o PLS-SEM é sempre preferível em amostras pequenas ou distribuições não normais. Também Henseler e Schuberth (2024) acrescentam que tanto CB-SEM como PLSc evoluíram e podem lidar com modelos que incluem fatores comuns e compósitos, desde que o modelo seja especificado corretamente.

Assim, a melhor decisão não é perguntar qual método é melhor, mas qual método serve melhor o objetivo do estudo. Então, a mensagem essencial é simples: CB-SEM é mais forte para confirmação teórica e avaliação rigorosa de modelos fatoriais e estruturais. Já o PLS-SEM é mais forte para previsão, exploração e modelos orientados para variância. Em ambos os casos, a teoria, a qualidade dos dados, o tipo de constructo e a transparência na justificação metodológica continuam a ser mais importantes do que a escolha automática de um software.

Referências Bibliográficas

Changalima, I.A., & Chuwa, M.P. (2025). Partial Least Squares Structural Equation Modeling (PLS-SEM) in business research: A simple guide for novice researchers. International Journal of Research in Business and Social Science, 14(9), 497-506. https://doi.org/10.20525/ijrbs.v14i9.4601 

Dash, G., & Paul, J. (2021). CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting. Technological Forecasting and Social Change, 173. https://doi.org/10.1016/j.techfore.2021.121092 

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.

Hair Jr., J. F., Matthews, L. M., Matthews, R. L., & Sarstedt, M. (2017). PLS-SEM or CB-SEM: Updated guidelines on which method to use. International Journal of Multivariate Data Analysis, 1(2), 107-123. https://doi.org/10.1504/IJMDA.2017.087624 

Henseler, J., & Schuberth, F. (2024). Should PLS become factor-based or should CB-SEM become composite-based? Both! European Journal of Information Systems, 34 (3). https://doi.org/10.1080/0960085X.2024.2357123 

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277–319.  https://doi.org/10.1108/S1474-7979(2009)0000020014

Richter, N. F., Schubring, S., Hauff, S., Ringle, C. M., & Sarstedt, M. (2020). When Predictors of Outcomes are Necessary: Guidelines for the Combined Use of PLS-SEM and NCA. Industrial Management & Data Systems, 120(12), 2243–2267. https://doi.org/10.1108/IMDS-11-2019-0638

Ringle, C. M., Sarstedt, M., Mitchell, R., & Gudergan, S. P. (2023). Partial Least Squares Structural Equation Modeling in HRM Research. The International Journal of Human Resource Management, 31(12), 1617–1643. https://doi.org/10.1080/09585192.2017.1416655

Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2020). How to Specify, Estimate, and Validate Higher-Order Constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197–211. https://doi.org/10.1016/j.ausmj.2019.05.003

Vargör, D., & Öğretmen, T. (2025). Comparison of covariance-based structural equation model and partial least squares equality models. General Surgery and Clinical Medicine, 3(2), 1-9. https://doi.org/10.21203/rs.3.rs-4991578/v1 

A Importância da Escolha Metodológica na Investigação Científica e a sua Relação com a Análise Estatística

Autores: Mário Rocha e Flávia Negrini

A escolha metodológica representa uma das etapas mais importantes em qualquer investigação científica. Apesar disso, muitos investigadores iniciam os seus estudos focando-se primeiro na análise estatística ou no software a utilizar, negligenciando a definição adequada da metodologia. Porém é fundamental referir que a literatura científica demonstra claramente que a análise estatística deve ser consequência do desenho metodológico e não o ponto de partida.

No presente artigo apresentam-se algumas questões que consideramos de extrema relevância para uma adequada e mais robusta Investigação Científica, como:

1. Metodologia Qualitativa e Quantitativa: Quais as diferenças e quando utilizar

A distinção entre metodologia qualitativa e quantitativa constitui uma das decisões mais relevantes em investigação científica. 

Autores relevantes na área como Creswell e Creswell (2018) referiram que a investigação quantitativa procura medir fenómenos, testar hipóteses e identificar relações estatísticas entre variáveis, caracterizando-se normalmente pela utilização de dados numéricos, instrumentos padronizados e análises estatísticas.

Por outro lado referem que a investigação qualitativa procura compreender fenómenos em profundidade, explorando significados, experiências e contextos específicos. Neste tipo de metodologia os dados são frequentemente recolhidos através de entrevistas, observação ou análise documental.

Então, enquanto a investigação quantitativa responde frequentemente a questões como: “Existe relação entre as variáveis?” e “Qual o impacto de X sobre Y?”, a investigação qualitativa procura compreender questões: “Como os participantes interpretam determinado fenómeno?” e “Quais os significados atribuídos às experiências?”

1.1. Quando utilizar a Metodologia Quantitativa?

A metodologia quantitativa tende a ser mais adequada quando o investigador pretende:

• Testar hipóteses;
• Medir relações entre variáveis;
• Comparar grupos;
• Generalizar resultados;

Alguns exemplos são:
• Estudos correlacionais;
• Estudos experimentais;
• Surveys;
• Modelagem de equações estruturais;
• Estudos econométricos.

Neste contexto, análises estatísticas como regressão, ANOVA, SEM e análise multigrupos tornam-se particularmente relevantes.

1.2. Quando utilizar metodologia qualitativa?

A metodologia qualitativa tende a ser mais adequada quando o investigador pretende:

• Compreender fenómenos complexos;
• Explorar experiências subjetivas;
• Analisar contextos específicos;
• Aprofundar interpretações.

Segundo Yin (2018), abordagens qualitativas são particularmente úteis quando existe forte influência contextual ou quando o fenómeno é ainda pouco compreendido.

Alguns exemplos deste tipo de metodologias são:

• Entrevistas em profundidade;
• Grupos focais;
• Análise temática;
• Análise de conteúdo;
• Estudos etnográficos.

2. O Estudo de Caso: Uma abordagem em comum

O estudo de caso representa uma das abordagens metodológicas mais utilizadas em investigação qualitativa, embora também possa incorporar elementos quantitativos.

Segundo Yin (2018), o estudo de caso é particularmente útil quando o objetivo consiste em compreender fenómenos contemporâneos em contexto real. Anteriormente outro autor (Stake, 1995) também referiu que o mesmo permite explorar profundamente situações específicas, organizações, indivíduos ou processos complexos.

Alguns exemplos da sua aplicação incluem:

• Análise de uma empresa específica;
• Implementação de determinada tecnologia;
• Estudos clínicos;
• Processos educativos;
• Inovação organizacional.

2.1. Estudo de caso vs Investigação Quantitativa

Uma das maiores diferenças entre estudos de caso e investigação quantitativa tradicional relaciona-se com os objetivos científicos. 

Na investigação quantitativa:

• Procura-se frequentemente generalização estatística;
• Utilizam-se amostras maiores;
• Existe maior foco em relações causais.

Já nos estudos de caso:

• Existe maior profundidade contextual;
• A interpretação assume maior relevância;
• A compreensão detalhada do fenómeno é prioritária.

Tal facto não significa que uma abordagem seja superior à outra, sendo que a sua escolha depende dos objetivos da investigação e das questões científicas formuladas.

3. Relação entre Metodologia e Análise Estatística

A escolha metodológica influencia diretamente a futura análise estatística.

Por exemplo:

• Estudos experimentais podem recorrer por exemplo ao Teste T ou à ANOVA;
• Estudos correlacionais utilizam regressão ou SEM;
• Estudos longitudinais podem recorrer a modelos de crescimento;
• Estudos multinível exigem frequentemente multilevel modeling;
• Estudos qualitativos recorrem à análise temática ou análise de conteúdo.

Posto isto é muito importante ter em conta que segundo Hair et al. (2022), muitos erros metodológicos ocorrem precisamente porque investigadores escolhem técnicas estatísticas sem considerar adequadamente o desenho metodológico.Apresentamos de seguida alguns dos erros metodológicos mais comuns

3.1. Erros metodológicos mais comuns

Entre os erros metodológicos mais frequentes destacam-se:

• Escolher primeiro a análise estatística e só depois a metodologia;
• Utilizar técnicas complexas sem fundamentação;
• Utilizar SEM sem teoria adequada;
• Utilizar amostras inadequadas;
• Confundir profundidade qualitativa com generalização quantitativa.

Field (2018) já nos alertou para o facto de mesmo análises estatísticas avançadas poderem produzir resultados inválidos quando o desenho metodológico é inadequado.

Conclusão

Em suma, a metodologia científica deve orientar todas as decisões relacionadas com a investigação, incluindo a futura análise estatística. A escolha entre metodologia qualitativa, quantitativa ou estudo de caso depende dos objetivos científicos, das questões de investigação e da natureza do fenómeno estudado.

Mais importante do que utilizar técnicas estatísticas complexas é garantir coerência metodológica, fundamentação teórica e adequação entre objetivos, desenho de investigação e análise dos dados.

Referências Bibliográficas

Creswell, J.W. & Creswell, J.D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. Sage, Los Angeles.

Field, A.P. (2018). Discovering Statistics Using IBM SPSS Statistics (5th Ed). Sage, Newbury Park.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equaton Modeling (PLS-SEM) (3rd ed.). Sage. https://doi.org/10.1007/978-3-030-80519-7 

Stake, R.E. (1995). The Art of Case Study Research. Sage Publications, Thousand Oaks.Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th Ed.). Sage Publications.

Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th Ed.). Sage Publications.

A Evolução da Análise Estatística na Investigação Científica: Da Estatística Clássica às Novas Ferramentas de Análise de Dados

Autor: Mário Rocha

É relevante a evolução da análise estatística nas últimas décadas, acompanhando o desenvolvimento de novas metodologias, o aumento da complexidade dos dados e as exigências crescentes da investigação científica contemporânea. Embora softwares clássicos como o SPSS e o AMOS continuem amplamente utilizados no contexto académico e profissional, novas ferramentas têm vindo a ganhar destaque devido à sua flexibilidade, acessibilidade e integração com abordagens estatísticas mais modernas, apresentando um enorme contributo para a evolução da análise estatística e da metodologia ciêntifica.

Atualmente, Softwares como JASP, Jamovi, Factor, SmartPLS, R oferecem soluções cada vez mais completas para análise de dados, permitindo realizar desde análises descritivas e testes inferenciais até modelos fatoriais, análise multivariada, psicometria avançada e modelos de equações estruturais. Estas ferramentas destacam-se não apenas pela diversidade de procedimentos disponíveis, mas também pela crescente preocupação com a transparência metodológica, reprodutibilidade científica e interpretação dos resultados.

A Evolução da Análise Estatística e os Novos Softwares

Durante muitos anos, softwares como o SPSS e AMOS dominaram a investigação aplicada em áreas como Psicologia, Educação, Ciências da Saúde, Gestão e Ciências Sociais. A sua interface intuitiva e facilidade de utilização contribuíram para uma ampla disseminação da análise estatística em contextos académicos e profissionais.

Contudo, a evolução da análise estatística trouxe novas exigências metodológicas. A necessidade de integrar modelos mais complexos, análise de fiabilidade avançada, bootstrap, validação psicométrica, análise fatorial confirmatória e modelos de equações estruturais levou ao crescimento de plataformas mais flexíveis e adaptadas às abordagens estatísticas atuais.

Neste contexto, softwares gratuitos como JASP e Jamovi têm vindo a assumir um papel particularmente relevante. Estas plataformas permitem realizar análises estatísticas robustas através de interfaces intuitivas, aproximando procedimentos metodológicos mais avançados de investigadores com diferentes níveis de experiência estatística. É importante destacar também softwares mais específicos como o Factor para análise fatorial exploratória.

Além disso, ferramentas como o SmartPLS tornaram-se especialmente relevantes no contexto dos modelos de equações estruturais baseados em variância (PLS-SEM), sendo frequentemente utilizadas em estudos exploratórios, modelos preditivos e investigação aplicada em áreas multidisciplinares.

Reprodutibilidade Científica e Transparência Metodológica

Um dos aspetos mais relevantes na evolução recente da análise estatística relaciona-se com a crescente preocupação com a reprodutibilidade científica. Atualmente, não basta apenas apresentar resultados estatísticos. É igualmente importante justificar as opções metodológicas adotadas, garantir coerência entre objetivos, hipóteses e análises realizadas, bem como assegurar transparência na interpretação dos resultados.

Neste sentido, softwares como R, JASP e Jamovi têm contribuído para aproximar a investigação científica de práticas metodológicas mais transparentes e reprodutíveis. A integração de relatórios automáticos, sintaxe, outputs organizados e documentação mais clara facilita não apenas a análise dos dados, mas também a revisão crítica dos procedimentos utilizados.

A Importância da Interpretação Metodológica

Apesar da evolução tecnológica e do aparecimento de ferramentas estatísticas cada vez mais avançadas, nenhum software substitui a necessidade de compreensão metodológica. A escolha do teste estatístico, a avaliação dos pressupostos, a interpretação dos resultados e a adequação entre modelo teórico e análise empírica continuam a ser elementos centrais para a qualidade científica da investigação.

Assim, mais importante do que utilizar um software específico é compreender a lógica metodológica subjacente às análises realizadas. Diferentes programas podem produzir resultados semelhantes, mas a qualidade da investigação dependerá sempre da coerência conceptual, da fundamentação estatística e da interpretação crítica dos dados.

 Considerações Finais

A evolução da análise estatística reflete não apenas avanços tecnológicos, mas também mudanças profundas na forma como a investigação científica é conduzida e interpretada. O crescimento de softwares como JASP, Jamovi, SmartPLS e R demonstra uma tendência crescente para metodologias mais acessíveis, flexíveis e alinhadas com os princípios atuais da ciência aberta e da reprodutibilidade.

Neste espaço procuramos precisamente acompanhar essa evolução metodológica, conciliando abordagens estatísticas clássicas com ferramentas mais recentes, sempre com foco na clareza, rigor científico e adequação das análises aos objetivos concretos de cada investigação.

Precisa de apoio em análise estatística, metodologia ou validação de instrumentos? Entre em contacto.

Outros Artigos Relevantes

JASP e Jamovi vs SPSS: Comparação Técnica, Vantagens e Aplicações Académicas

Construção e Adaptação de Questionários: Fundamentos Metodológicos e Validação

Estatística e Consultoria em Análise Estatística: Importância para a Investigação e Empresas

Estatística para Empresas: Como a Análise de Dados Melhora Decisões e Resultados