UNIVERSIDADE DO ALGARVE

Faculdade de Ciências Humanas e Sociais

Departamento de Psicologia e Ciências da Educação
Seminário de Métodos e Análise de Dados

Modelo de Crescimento Latente (MCL)

Discente: Nabor André Sabino Canilhas

Docente: Professor Doutor Luís Faísca
Sumário

• Especificações do Modelo de Crescimento

• Introdução
Latente – MCL
• O que é o Modelo de Crescimento Latente
• Interpretar fatores de crescimento
– MCL
• Representação da fórmula de crescimento ao
• Características do Modelo de Crescimento
longo do tempo
Latente – MCL
• Incluindo covariáveis de mudança: o MCL
• Tipos de trajetórias individuais do MCL
condicional
• Diferença entre o MCL e os modelos
• Modelagem de efeitos entre os sujeitos:
longitudinais tradicionais
modelos de crescimento de amostras
• Modelo de Crescimento Latente – MCL: múltiplas
uma estrutura de desenvolvimento
• Conclusões

2
Introdução

A abordagem mais simples é descrever a mudança numa variável de um ponto de tempo para
um segundo ponto de tempo – o resultado da mudança

No entanto, em estudos longitudinais envolvendo mais do que duas avaliações ao longo do

tempo, são necessárias técnicas mais sofisticadas para descrever não apenas as trajetórias de
mudança, mas também para determinar as inter-relações de variáveis e preditores

• (Curran, Obeidat, & Losardo, 2010)

3
Introdução

A estrutura de modelagem de crescimento latente (MCL) permite maior flexibilidade na análise

completa de questões frequentemente postuladas por investigadores nas áreas do
desenvolvimento e comportamento

Os investigadores alargaram a estrutura de variáveis latentes para adaptar modelos longitudinais

que incluíram especificações multivariadas ou de ordem superior, múltiplas populações, a
rápida recolha de dados longitudinais, estruturas multiníveis ou hierárquicas e relações
complexas incluindo mediação, moderação e causalidade recíproca
• (Duncan & Duncan, 2009)

4
O que é o Modelo de Crescimento Latente – MCL

Conceito utilizado em diferentes contextos ao longo do século XX relativamente a uma vasta

gama de modelos estatísticos utilizados na análise de dados de medidas repetidas (Bollen,
2007; Bollen & Curran, 2006, cit por Curran, Obeidat, & Losardo, 2010)

A utilização atual do termo modelo de crescimento latente refere-se tipicamente a métodos

estatísticos que permitem determinar a variabilidade inter-individual em padrões de mudança
intra-individuais ao longo do tempo (Bollen & Curran, 2006; Browne & du Toit, 1991; McArdle,
2009; Preacher, Wichman, MacCallum e Briggs, 2008; Raudenbush & Bryk, 2002; Singer e
Willett, 2003, cit por Curran, Obeidat, & Losardo, 2010)

5
O que é o Modelo de Crescimento Latente – MCL
Captar a trajetória continua de mudança, abordando a mesma estrutura de dados em
diferentes perspetivas

Construir um modelo para dados que estime a mudança ao longo do tempo no interior de
cada indivíduo e comparar a mudança entre os indivíduos

• Estima a variabilidade inter-individual na mudança intra-individual.

É o conceito principal do crescimento latente

• Também denominado de trajetórias latentes, curvas latentes, trajetórias de crescimento,

ou caminhos de tempo.

6
O que é o Modelo de Crescimento Latente – MCL

Os padrões de mudança intrapessoais denominam-se tendências de tempo, caminhos de

tempo, curvas de crescimento ou trajetórias latentes

Assim as trajetórias podem:

• ser planas (ou seja, não apresentam transformações ao longo do tempo);

• estar a aumentar ou diminuir sistematicamente ao longo do tempo;
• ser lineares ou curvilíneas na forma.

As trajetórias podem ser o foco principal de análise, ou podem representar apenas uma parte
de um modelo longitudinal alargado

7
O que é o Modelo de Crescimento Latente – MCL

Descrever trajetórias individuais

Descrever uma trajetória média para o conjunto dos
elementos em estudo bem como a variabilidade em
torno dessa trajetória
Permite a incorporação de variáveis
explicativas dessas trajetórias.

A trajetória considerada é latente e não observada, sendo estimada a partir de uma

estrutura de médias e de variâncias-covariâncias entre as medidas repetidas das variáveis
observadas, isto é, não é modelada a evolução das variáveis, mas sim os processos que
lhes estão subjacentes

8
O que é o Modelo de Crescimento Latente – MCL
Medidas repetidas para uma pessoa: Trajetória de crescimento para uma pessoa:
- Liga as observações para ver as mudanças - “Aplana” as medidas repetidas e estima uma linha
ao longo do tempo de melhor ajuste para este indivíduo

9
O que é o Modelo de Crescimento Latente – MCL
Trajetória de crescimento para uma pessoa:
- Sumariza a linha por dois blocos de informação:
- O intercept β0i e o declive β1i único do
indivíduo i
Trajetória de crescimento para múltiplas pessoas:
- Englobam uma amostra de indivíduos;
- Pode estender-se até 8 trajetórias (mas usa
100 ou mais na prática)
10
O que é o Modelo de Crescimento Latente – MCL

Características das trajetórias latentes captadas de duas formas

Médias da trajetória:
- valor médio dos parâmetros que definem a trajetória de crescimento que agrupa todos os
indivíduos na amostra;
- por exemplo, significa o ponto de partida e taxa média de mudança para toda a amostra

Variâncias da trajetória:
- variabilidade de casos individuais em torno dos parâmetros da trajetória média;
- por exemplo, variabilidade individual no ponto de partida e taxa de variação ao longo
do tempo:
- variâncias maiores refletem maior variabilidade no crescimento

11
Características do Modelo de Crescimento Latente – MCL

O modelo de crescimento mais básico é composto por:

• efeito fixo: valor único constante na população; capta a estrutura média dos dados;
o ex.: a altura média dos homens de uma população;
• efeito aleatório: varia entre as unidades da população; capta a variabilidade inter-individual
e intra-individual, respetivamente;
o ex.: a variância da população em altura para homens.

Ex.: numa trajetória linear, os efeitos fixos são estimativas do intercept médio (ponto de
partida) e declive médio (taxa de variação) que definem o agrupamento da trajetória
subjacente de toda a amostra; em contraste, os efeitos aleatórios são estimativas da
variabilidade entre pessoas nos intercepts e declives individuais

12
Características do Modelo de Crescimento Latente – MCL

Efeitos aleatórios menores (menor variância de intercepts e declives) implicam que os

parâmetros que definem a trajetória são semelhantes em toda a amostra de indivíduos

• quando os efeitos aleatórios são iguais a 0, todos os indivíduos são orientados pelos mesmos
parâmetros de trajetória, ou seja existe apenas uma trajetória compartilhada por todos os indivíduos.

Efeitos aleatórios maiores (maior variância de intercepts e declives) implicam que há maiores
diferenças individuais na magnitude dos parâmetros de trajetória em torno dos valores médios

• isto é, alguns indivíduos apresentam intercepts mais altos ou mais baixos, ou declives mais acentuados
ou menos acentuados em relação a outros.

13
Características do Modelo de Crescimento Latente – MCL
Combinação de efeitos fixos e aleatórios

14
Tipos de trajetórias individuais do MCL

15
Tipos de trajetórias individuais do MCL

16
Diferenças entre o MCL e os modelos longitudinais tradicionais

Abordagens tradicionais

• análise de variância de medidas repetidas e análise de variância multivariada;

• métodos para analisar as pontuações de mudança brutas e residuais (Hedeker & Gibbons, 2006).

Historicamente, a utilização destes métodos tem sido controversa

(Cronbach & Furby, 1970; Rogosa, 1980; Rogosa & Willett, 1985)

Contudo, apesar das divergências os modelos de crescimento

diferem dos métodos tradicionais em vários aspetos-chave

17
Diferença entre o MCL e os modelos longitudinais tradicionais
Modelo de crescimento
latente

• Flexível (pode abranger: dados parcialmente em falta, pontos de tempo com espaçamentos desiguais,
medidas repetidas não normalmente distribuídas ou discretamente ordenadas, trajetórias complexas
não-lineares e processos de crescimento multivariado).

• Apresenta resultados analíticos e de simulação tipicamente mais elevados ao nível da potência

estatística do que os métodos tradicionais comparáveis ​aplicados aos mesmos dados.

Os métodos tradicionais são considerados mais limitados no contexto das investigações em ciências sociais,
contrariamente aos modelos de crescimento latente (Curran, Obeidat, & Losardo, 2010)

18
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento

Um modelo de desenvolvimento apropriado não apenas descreve a trajetória de desenvolvimento de um

único indivíduo, mas também capta diferenças individuais nessas trajetórias ao longo do tempo

• Por exemplo, se as trajetórias produzissem uma coleção de linhas retas para uma amostra de
indivíduos, o modelo deveria refletir diferenças individuais nos declives e intercepts dessas linhas;

• Capacidade de estudar preditores de diferenças individuais para responder a perguntas sobre quais
variáveis ​exercem efeitos importantes sobre a taxa de desenvolvimento;

• Capacidade de captar as estatísticas do grupo vital permitindo estudar o desenvolvimento do nível do

grupo.

19
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
Os fatores de crescimento do MCL são interpretados como
diferenças individuais nas trajetórias de crescimento dos
atributos ao longo do tempo (McArdle, 1988)

• Ex.: Tendências de crescimento da divergência conjugal

num subconjunto de 10 indivíduos em quatro momentos
(Fig. 1).

Dois atributos de crescimento:

• nível de divergência conjugal
• taxa de mudança na divergência conjugal ao longo do
tempo Representação de uma coleção de trajetórias
individuais de crescimento.

20
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
Casos especiais de MCL:
• Os modelos de análise polinomial de variância de medidas repetidas (ANOVA) onde apenas
interessa o fator média (Meredith e Tisak, 1990, cit por Duncan & Duncan, 2009);
• As variações são consideradas parâmetros de perturbação.

Metodologia de crescimento latente

Curva de regressão (não necessariamente Parâmetros para a curva de um indivíduo é

linear) ajusta-se às medidas repetidas de o foco da análise (e não as medidas
cada indivíduo na amostra originais)

21
Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento

A tarefa de
modelagem
Descrever e resumir o
Refletir diferenças individuais
crescimento individual e do
nos declives e intercepts
nível de grupo

Estudar os preditores de diferenças

individuais identificando as variáveis que
influenciam a taxa de desenvolvimento

22
 Modelo de Crescimento Latente – MCL: uma estrutura de
desenvolvimento
Meredith e Tisak (1990) e McArdle (1988) alargaram o modelo básico para
permitir os procedimentos de teste e os padrões de estimativa encontrados
nos modelos de equações estruturais (SEM)

MCL e a metodologia SEM,

Incorporar crescimento em vários
Testar a adequação da forma compartilham algumas vantagens
de crescimento hipotética construtos simultaneamente

Corrigir erros nos

Incorporar covariáveis ​fixas Desenvolver, a partir dos dados, uma indicadores observados
e variáveis ​no tempo trajetória comum de desenvolvimento
excluindo assim os efeitos de coorte

23
Especificações do Modelo de Crescimento Latente – MCL

Dois pontos de tempo não são ideais para estudar

desenvolvimento ou para usar o MCL pois a coleção de
trajetórias individuais é limitada a uma coleção de linhas
retas
O MCL mais simples
Uma variável (ex.: divergência
conjugal) e dois pontos de tempo
Embora duas observações de divergência conjugal facultem
informações sobre a quantidade de mudanças, não abordam
outras questões de investigação (Rogosa et al., 1982, cit por
Duncan e Duncan, 2009)

24
Especificações do Modelo de Crescimento Latente – MCL

Por exemplo, dois pontos de observação temporal permitem estimar a quantidade de

mudança, mas é impossível estudar a forma da trajetória de desenvolvimento ou a taxa de
mudança individual na divergência conjugal (Duncan & Duncan, 2009)

Estudos de desenvolvimento devem incluir três ou mais pontos de avaliação

Dados de ondas múltiplas (mais de duas observações), a validade do modelo de trajetória de crescimento
em linha reta pode ser avaliada (ex.: testes de não-linearidade)

Precisão das estimativas dos parâmetros tenderá a aumentar juntamente ao número de observações para
cada indivíduo

25
Especificações do Modelo de Crescimento Latente – MCL
Intercept
• Primeiro fator latente (F1);
• É constante para qualquer indivíduo
ao longo do tempo (valores fixos de 1
para cargas fatoriais nas medidas
repetidas);
• É o ponto em que a linha "interceta" o
eixo vertical;
• A média (Mi) e variância (Di)
caracterizam a curva de crescimento
da divergência conjugal de cada
indivíduo.
Declive
• Segundo fator (F2);
• Representa o declive da trajetória
de divergência conjugal de um
indivíduo;
• É o declive da linha reta
determinada pelas duas medidas
repetidas;
• O fator de declive tem uma média
Representação MCL de dois
(Ms) e variância (Ds) em toda a
fatores. amostra.
26
Especificações do Modelo de Crescimento Latente – MCL
F1 e F2 são permitidos para covariar Ris (seta dupla entre os fatores)
Os termos de variação de erro são etiquetados como E1, E2 e E3

As variâncias de erro afetam a interpretação dos

parâmetros do modelo, corrigindo os desvios
medidos para erro aleatório

Ex.: a variância F2 seria a variância da mudança na divergência conjugal

corrigida por erro aleatório, e a variância F1 é a variância do resultado
verdadeiro de intercept da divergência conjugal.

Figura 2
Ao incluir os termos de variação de erro, os parâmetros Representação MCL de dois
do modelo mantêm interpretações básicas, mas agora fatores.

corrigidos para erros aleatórios

27
 Especificações do Modelo de Crescimento Latente – MCL
9 informações para estimar o
8 parâmetros a estimar (a média e
modelo:
variância do intercept, a média e a
• 3 variâncias
variância do Declive, a covariância
entre as variâncias intercept e • 3 médias
Declive e 3 erros) • 3 covariâncias

Se o número de informações nos dados e Infelizmente, não há como testar ou

o número de parâmetros forem os confirmar a plausibilidade pois os
mesmos, o modelo estará saturado ou modelos saturados fornecerão um ajuste
“identificado apenas” perfeito aos dados

No entanto, na ausência de um teste geral do modelo hipotético nesta situação, os testes

de parâmetros individuais podem fornecer evidências secundárias da adequação do
modelo proposto que descreve as relações nos dados (Duncan & Duncan, 2009)

28
Interpretar fatores de crescimento
Escolha de cargas fatoriais pode afetar a
interpretação dos fatores de intercept e declive

• Por exemplo, no modelo representado na Figura 2

O crescimento da divergência conjugal pode ser avaliado em três pontos de tempo igualmente
intervalados (2 unidades de tempo) verificando-se um aumento de 1 unidade nos níveis médios de
divergência conjugal (por exemplo, MT3 - MT1 = 2 )

As cargas fatoriais, representando valores métricos de tempo, são fixadas em valores

que representam contrastes polinomiais usados para identificar a escala das variáveis F

29
Interpretar fatores de crescimento

Vejamos a equação para uma curva de crescimento linear

para um único indivíduo com três pontos de dados
yi = b1 + ti b2 + ei

b1 é o intercept,
b2 é o declive (quantidade de aumento vertical por y1 = b1 + 0 b2 + e1
unidade de execução horizontal da curva de crescimento)
ti é o ith valor de tempo y2 = b1 + 1 b2 + e2
ei representa os erros de previsão específicos por tempo
y3 = b1 + 2 b2 + e3
(definidos como 0 neste exemplo)
i é o valor do tempo

30
Interpretar fatores de crescimento
Relacionando as equações com a Figura 2, para qualquer indivíduo,
b1 corresponde ao resultado do fator de intercept (F1), b2
corresponde ao resultado do fator de declive (F2) e ei corresponde
aos erros específicos de previsão do tempo

Se F1 = 4, F2 = 1 e Et = 0, t = 1, 2 e 3, então o
modelo para este indivíduo implica a seguinte t1 = 0, no tempo 1 inicia a curva neste ponto ajustando o fator de
trajetória intercept para representar o estado inicial
t2 = 1, no tempo 2 indica que do tempo 1 ao tempo 2 existe uma
y1 = 4 + 0(1) + 0 = 4 unidade de mudança
t3 = 1, no tempo 3 indica que do tempo 2 ao tempo 3 existe uma
y2 = 4 + 1(1) + 0 = 5 unidade de mudança
Assim, ti descreve uma relação linear de mudança em termos de
y3 = 4 + 2(1) + 0 = 6
diferenças lineares desde o estado inicial no tempo 1

31
Interpretar fatores de crescimento

Como as cargas fatoriais representam uma tendência crescente, o fator de declive é interpretado como
crescimento positivo, em que pontuações mais altas no fator (ou seja, resultados dos fatores) representam
aumentos mais positivos ou maiores de divergência conjugal

Uma correlação positiva entre o intercept e os fatores de declive indicaria que os indivíduos com valores mais
altos em T1 tenderiam a apresentar resultados mais elevados de declive ou maior crescimento positivo de
divergência conjugal ao longo do tempo

Uma correlação negativa entre os fatores de intercept e declive sugere que os indivíduos com valores mais
elevados em T1 tenderiam a ter resultados mais baixos de declive ou menor crescimento positivo na
divergência conjugal ao longo do tempo

32
Interpretar fatores de crescimento
Suponhamos que o modelo na Figura 2 apresenta-se as cargas
fatoriais ajustadas em valores de -2, -1 e 0

A média do fator de intercept não mais representaria o estado inicial

em T1, mas agora seria interpretada como estado em T3 (a média
variável associada ao ponto de tempo em que o fator de carga no
fator de declive é fixado em 0, define a média do fator de intercept)

Como a tendência é crescente, a média do fator de Como a interpretação do fator de intercept mudou (de
declive é novamente positiva, e pontuações mais T1 para T3), a correlação entre os fatores de intercept
altas no fator representam maiores aumentos de e de declive também mudou, assim como a correlação
divergência conjugal entre o intercept e qualquer outra covariável

33
Interpretar fatores de crescimento
Se as cargas fatoriais forem fixadas em valores de 0, -1 e -2

Observamos que o carregamento 0 para a primeira variável do fator

de declive permite que o fator de intercept seja novamente
interpretado como estado inicial em T1

As cargas do fator de declive representam Comparado ao modelo com cargas de 0, 1 e 2, a

uma tendência negativa de T1, a média de
declive é negativa (Ms = −1) e as pontuações
mais altas no fator de declive representam
agora descidas mais negativas ou maiores na
divergência conjugal
correlação entre o intercept e o declive seria da mesma
magnitude, mas de sinal oposto. A escolha de cargas
fatoriais permite ao investigador mostrar o fator de
intercept como representando um ponto antes ou após o
período de tempo em que os dados foram recolhidos

34
Interpretar fatores de crescimento

A extrapolação além do intervalo de pontuações usado na estimativa da trajetória de

crescimento geralmente não é aconselhável, pois assume que a trajetória continua linear
(como no exemplo da Figura 2), quando na verdade pode ser curvilínea

A capacidade de centrar o crescimento em vários pontos de tempo fornece uma grande latitude ao especificar
MCL condicionais que envolvem vários preditores de crescimento

Por exemplo, num estudo longitudinal de divergência conjugal em três períodos

de tempo, o investigador pode especificar alternadamente preditores do
estado inicial (tempo 1), estado médio no tempo 2 ou estado final ou terminal
(tempo 3), além de preditores da tendência de crescimento de T1 para T3

35
Representação da fórmula de crescimento ao longo do tempo

Nos exemplos apresentados, as cargas fatoriais têm apenas informações relativas à quantidade (por
exemplo, mudança linear) de mudança ao longo do tempo

Com três ou mais pontos de tempo, no entanto, as cargas fatoriais também fornecem informações
sobre a forma de crescimento ao longo do tempo. Três ou mais pontos de tempo fornecem uma
oportunidade para testar trajetórias não lineares

A abordagem mais familiar para trajetórias não-lineares é o uso de polinómios. A inclusão de efeitos
quadráticos ou cúbicos é facilmente realizada pela inclusão de um fator adicional ou dois

36
Representação da fórmula de crescimento ao longo do tempo

Existem dois tipos de preditores nos MCL

Time-invariant covariates (TICs) são constantes ao longo do tempo:

• Ex.: sexo biológico, país de origem, características do DNA
• Pode variar ao longo do tempo, mas apenas as medidas de referência são
avaliadas (ex.: ansiedade de base ou uso de substâncias)

Time-varying covariates (TVCs) mudam em função do tempo:

• Ex.: dias de trabalho perdidos por mês, horas de sono por noite, estado marital
ao longo do tempo

37
Representação da fórmula de crescimento ao longo do tempo

As cargas fatoriais podem ser fixadas para

representar uma função quadrática ou cúbica
da métrica de tempo observada

Quando contrastes polinomiais são usados para identificar a escala

das variáveis F (por exemplo, 1, 1, 1; 0, 1, 2; 0, 1, 4), os
selecionados reajustam as variáveis observadas para representar
intercept ou estado inicial, linear e fatores quadráticos

Figura 3
Representação do MCL condicional

38
Representação da fórmula de crescimento ao longo do tempo

O uso de polinómios ortogonais com cargas de 1, 1, 1; −1, 0,

1; e 1, −2, 1 para os fatores de intercept, linear e quadrático,
respetivamente, redimensionariam a média do intercept para
representar um nível constante ou médio ao longo do tempo
(por exemplo, a média em T2)

É a interpretação frequente do fator inicial de

crescimento em medidas repetidas ANOVA

As medidas repetidas ANOVAs são casos especiais de modelos de

curva de crescimento latente (Meredith & Tisak, 1990), e os
diferentes métodos compartilham muitas semelhanças
Representação do MCL condicional

39
Representação da fórmula de crescimento ao longo do tempo
O MCL apresentado anteriormente pode ser facilmente expresso
em termos das técnicas gerais de modelagem linear ANOVA,
tipicamente usadas em análises de medidas repetidas

Na análise simples de medidas repetidas, todas as

Nos modelos de crescimento ou desenvolvimento
variáveis dependentes representam diferentes
ao longo do tempo, o fator intra-individual é o
medidas da mesma variável para diferentes valores
período de medição.
ou níveis de um fator intra-individual

A estrutura de efeitos fixos do modelo ANOVA pode ser alargada para incluir efeitos aleatórios. Cada um dos
níveis na estrutura de dados (por exemplo, observações repetidas nos indivíduos) representa as relações
estruturais e a variabilidade que ocorrem nesse nível

40
Representação da fórmula de crescimento ao longo do tempo

O modelo ANOVA de efeitos aleatórios mais

O MCL oferece maior flexibilidade na medição da
simples:
mudança:
• Totalmente incondicional (ou seja,
• Capacidade de aproximação às alterações
nenhuma variável de previsão é
aleatórias no erro de medição
especificada)
• Capacidade de utilizar variáveis como variáveis
• Distribui a variação numa medida de
independentes e dependentes em simultâneo
resultado entre os diferentes níveis
no modelo,
• Modelos condicionais incluem preditores
• Permite representações complexas de
e um modelo estrutural geral em cada
crescimento e correlações de mudança
nível

41
Representação da fórmula de crescimento ao longo do tempo

As características das trajetórias de desenvolvimento que compõem a amostra não

apenas determinam a magnitude dos parâmetros estimados do modelo, mas também o
número de fatores adequados para descrever os dados

Embora seja possível adicionar fatores até que um ajuste de dados satisfatório seja
obtido, o MCL é mais poderoso quando um pequeno número de fatores descreve os
dados

42
Incluindo covariáveis de mudança: o MCL condicional
O MCL permite utilizar variáveis simultaneamente
como variáveis independentes e dependentes no
mesmo modelo, e representações complexas de
A análise de covariância permite testes de
crescimento e correlações de mudança
preditores contínuos de mudança e mudança
como um preditor, mas não para a inclusão
simultânea de mudança como variável
independente e dependente

A Figura 3 representa um modelo de crescimento que inclui

tanto preditores exógenos de crescimento quanto formas de
crescimento.

43
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas

O MCL permite:
• Modelar o crescimento para uma única população
• Analisar a mudança de comportamento entre vários grupos
(ex.: condições de tratamento e controlo, idade, sexo)

Em investigações experimentais, é frequentemente necessário testar a existência de múltiplas

populações (ex.: grupos de tratamento e controlo) e múltiplas direções de desenvolvimento
através da condição, em vez de uma única trajetória subjacente para todos

44
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas

Ex: ajustamento de um modelo a dados que consiste em respostas de homens e mulheres. Se um modelo
de crescimento incondicional é ajustado à amostra combinada (isto é, a análise de um grupo), é
explicitamente assumido que todos os parâmetros que definem o modelo de crescimento são
precisamente iguais para ambos os grupos de géneros

Se as diferenças de género forem hipótese, o modelo de crescimento pode ser facilmente expandido para
incluir o género como um preditor invariante no tempo; no entanto, isto apenas introduz diferenças nas
médias condicionais dos fatores de crescimento

O género serve para modificar os meios condicionais do intercept e do declive para valores maiores ou
menores, mas todos os outros parâmetros que conduzem o modelo são considerados iguais entre os dois
grupos
Curran, Obeidat, & Losardo, 2010

45
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas

Imaginemos que o resultado potencial de um
tratamento é diminuir a variabilidade na
expressão de determinados comportamentos no
grupo de tratamento, mas não no grupo de
controlo ao longo do tempo
Ex.: uma intervenção projetada para diminuir o
comportamento antissocial em crianças pré-
escolares também diminuiria a variabilidade de
tipos de comportamento disruptivo nas crianças
expostas ao tratamento

Se essas estimativas de variabilidade forem diferentes entre os grupos, ainda assim, um modelo é ajustado
para presumir que eles sejam os mesmos, então são esperadas estimativas tendenciosas de parâmetros.
Tanto o SEM como as abordagens multiníveis abordam essa questão através da estimativa paralela de
modelos de crescimento em dois ou mais grupos nos denominados modelos de crescimento de grupos
múltiplos

Curran, Obeidat, & Losardo, 2010

46
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas

Se todos os parâmetros do modelo forem iguais em todos os grupos,

isso equivale a estimar um modelo de crescimento de grupo único

Alternativamente, se todos os parâmetros variarem livremente em

todos os grupos, equivale a estimar um modelo de crescimento dentro
de cada grupo separadamente

47
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas

Abordagem alternativa (Muthén & Curran, 1997), atualmente

utilizada na análise de dados de tratamento e prevenção,
introduz um fator de crescimento adicional, o fator
“crescimento adicional”, para uma população (Figura 4)

Enquanto os dois primeiros fatores (intercept e declive) são os

mesmos em ambos os grupos, o fator “crescimento
adicionado”, especificado num grupo, representa o
crescimento incremental/decremental específico desse grupo

Figura 4

48
Modelagem de efeitos entre os sujeitos: modelos de crescimento de
amostras múltiplas
O fator de crescimento adicionado é especificado para alcançar
diferenças lineares entre os dois grupos. Neste caso, o fator de
declive linear capta o crescimento normativo comum a ambos os
grupos

Por exemplo, um grupo pode ter um fator de crescimento linear e

quadrático além do intercept, e o grupo restante pode ter fatores
adicionais para ambas as trajetórias linear e quadrática

A estrutura MCL de múltiplas amostras pode detetar diferenças na

eficácia do programa através de atributos como afiliação a
subgrupo (Duncan, Duncan & Alpert (1997), Jo & Muthén (2001),
McArdle, Hamagami, Muthén & Curran (1997), e Tisak & Tisak
(1996)

49
Conclusões

A pesquisa dos melhores métodos na abordagem de questões complexas inseridas em

estudos de mudança comportamental tem sido um dos principais foco das recentes
investigações de desenvolvimento (Collins & Sayer, 2001; Duncan, Duncan, & Strycker,
2006).

O enfoque analítico tem vindo a recair na variabilidade inter e intra-individual, e na

heterogeneidade das trajetórias de crescimento ao longo do tempo, afastando-se das
análises de populações homogéneas e a variabilidade inter-individual.

50
Conclusões

A abordagem MCL é extremamente benéfica e flexível, provavelmente mais do que

qualquer outro modelo estatístico atual utilizado por investigadores sociais e
comportamentais, fornece uma abordagem altamente abrangente e variada para a
análise de processos de crescimento e comportamento

51
E agora, qual o caminho a seguir?

Consultar vários artigos pedagogicamente mais estruturados que podem orientar para diferentes aspetos
da aplicação e interpretação de modelos de crescimento, tais como: Curran (2000), Curran e Hussong (2002,
2003), Duncan e Duncan (2004), Preacher et al. (2008), Singer (1998) e Willett, Singer e Martin (1998)

Consultar diversos livros publicados recentemente que abrangem aspetos mais abrangentes destas técnicas,
tais como Bollen e Curran (2006), Duncan et al. (2006), Hedeker e Gibbons (2006), Raudenbush e Bryk
(2002) e Singer e Willett (2003).

Finalmente, existe um número crescente de aplicações de vários tipos de modelos de crescimento dentro
das ciências do desenvolvimento; vários exemplos recentes incluem Brown, Meadows e Elder (2007),
McCoach, O'Connell, Reis e Levitt (2006), Owens e Shaw (2003) e Williams, Conger e Blozis (2007)

Curran, Obeidat, & Losardo, 2010

52
Referências bibliográficas

• Bollen K.A., Curran P.J. (2006) Latent curve models: A structural equation perspective. Hoboken, NJ: Wiley.
https://doi.org/10.1002/0471746096.ch7

• Curran, P. J., & Bauer, D. J. (2011). The Disaggregation of Within-Person and Between-Person Effects in Longitudinal Models
of Change. Annual Review of Psychology, 62, 583–619. http://doi.org/10.1146/annurev.psych.093008.100356

• Curran, P. J., Obeidat, K., & Losardo, D. (2010). Twelve Frequently Asked Questions About Growth Curve Modeling. Journal
of Cognition and Development : Official Journal of the Cognitive Development Society, 11(2), 121–136.
http://doi.org/10.1080/15248371003699969

• Duncan, T. E., & Duncan, S. C. (2009). The ABC’s of LGM: An Introductory Guide to Latent Variable Growth Curve
Modeling. Social and Personality Psychology Compass, 3(6), 979–991. http://doi.org/10.1111/j.1751-9004.2009.00224

53
 UNIVERSIDADE DO ALGARVE
Faculdade de Ciências Humanas e Sociais
Departamento de Psicologia e Ciências da Educação
Seminário de Métodos e Análise de Dados

Modelo de Crescimento Latente (MCL)

Discente: Nabor André Sabino Canilhas

Docente: Professor Doutor Luís Faísca