Trabalho final

Prévia do material em texto

ESTUDO DIRIGIDO SOBRE PLS-SEM NO JASP 
No valor de 20 (vinte) pontos, este estudo dirigido pode ser feito individualmente ou em grupo com até três pessoas. 
Baseia-se em dois artigos, cuja leitura é essencial, pois a eles remeterei nas perguntas. 
1. Rogers, P., Fagundes, A. F. A., & da Silva Marques, E. H. C. (2023). Análise da influência de fatores comportamentais e do time sobre o consumo de torcedores de clubes de futebol no Brasil: Un análisis de la influencia de factores conductuales y de equipo en el consumo de hinchas de clubes de fútbol en Brasil. PODIUM Sport, Leisure and Tourism Review, 12(3), 465-496.
2. Rogers, P., & Barboza, F. (2024). Unlocking VB-SEM: Practical PLS-SEM Tutorial Using JASP for Variance-Based Structural Equation Modeling (No. 2ne8f). Center for Open Science.
A primeira referência é um trabalho em que o modelo de antecedentes do comportamento do torcedor de futebol é proposto. O modelo é analisado com o SmartPLS. A leitura do artigo é fundamental para entender tanto o modelo quanto a análise feita, em seus aspectos principais. 
A segunda referência é mais importante para a disciplina, porque reproduz a análise anterior, usando o PLS-SEM no JASP. 
Dado o caráter tutorial do artigo, os autores disponibilizaram arquivo JASP com as análises completas (v. https://osf.io/esbj6/).
Para sua conveniência, a maior parte desse material (artigos e bancos de dados) está disponível na pasta https://drive.google.com/drive/folders/1gJNkuG5lp35mdAz10RunuOQVew7aW0ZC?usp=sharing.
ETAPA 1 
Comece com a (re)leitura atenta dos dois artigos, começando com o artigo mais antigo (primeira referência), em que o modelo conceitual é apresentado e analisado com o SmartPLS.
Seguem as perguntas sobre o primeiro aritgo. 
1.1) Em Rogers, Fagundes e Marques (2023, p. 472), os autores propõem cinco hipóteses, todas envolvendo efeitos positivos. Em um parágrafo, explique o fundamento geral das hipóteses.
As cinco hipóteses são evidenciadas abaixo.
H1: O sucesso do time tem um efeito positivo na imagem do time. 
H2: A imagem do time tem um efeito positivo na lealdade comportamental ao time. 
H3: A imagem do time tem um efeito positivo no comportamento psicológico. 
H4: A lealdade comportamental tem um efeito positivo no comportamento psicológico. 
H5: O comportamento psicológico tem um efeito positivo no torcedor-consumidor.
	O fundamento geral é que há um ciclo, onde, o sucesso do time está ligado com sua imagem, que, por sua vez, está ligada a lealdade comportamental e ao comportamento psicológico, que estão ligados respectivamente ao comportamento psicológico e ao torcedor-consumidor. Portanto, 
O fortalecimento do desempenho esportivo parece influenciar na imagem da marca do time, que, por sua vez, influencia na lealdade comportamental do time, que tende a se refletir, inclusive, na aquisição de produtos ofertados pela equipe, mas, também influencia no comprometimento do torcedor com o time, especificamente neste caso com o seu comportamento psicológico. 
1.2) No modelo (op. cit., p. 473), há vários construtos formativos (Escolaridade, Estado Civil, Torcedor-Consumidor, Sucesso do Time e Origem). Justifique por que esses construtos são interpretados como formativos. Você concorda com essa interpretação? Se não, por quê?
Construtos formativos (círculos) recebem as setas dos seus indicadores (retângulos), ou seja, construtos formativos definem uma relação de medição, onde uma variável latente tem as variáveis observadas como componente. Na figura abaixo é possível observar os construtos em questão.
Figura 1: Modelo conceitual da pesquisa. Nota: Os círculos representam os construtos e os retângulos os indicadores desses construtos. As setas que chegam nos círculos indicam um construto formativo e as setas que chegam nos indicadores representam um construto reflexivo. O círculo conectado por um único indicador representa as variáveis de controle: (i) “Renda” e “Idade” são escores que indicam suas faixas; e as outras são variáveis dummies (ii) “Estado civil” a categoria base é Outros, “Escolaridade” a categoria base é Pós-graduação, e “Sexo” e “Jogador” são variáveis binárias que indicam se o indivíduo é do sexo masculino ou pratica futebol, respectivamente.
A variável latente Escolaridade (Education), é formada pelas variáveis observadas (indicadores) MEDIO e SUPERIOR, já Estado Civil (Martial Status) é formado pelas variáveis observadas CASADO e SOLTEIRO, Torcedor-Consumidor (Consumer Fan) é formado pelas variáveis observadas TC1, TC2, TC3, TC4, TC5 e TC6, Sucesso do Time (Team Success) é formado pelas variáveis observadas ST1, ST2, ST3, ST4, ST5, ST6 e ST7, por fim, Origem (Origins) é formado pelas variáveis observadas OR1 e OR2.
Com isso pode-se afirmar que todos esses construtos previamente citados são de fato formativos, pois, são variáveis latentes formadas através das variáveis observadas. Também chegamos a mesma conclusão ao observar que as setas (componentes) saem das variáveis observadas e chegam no construto formativo.
1.3) Como foi feita a operacionalização dos construtos reflexivos? (Não copie o texto do artigo, explique com suas palavras.)
Existem três construtos reflexivos na Figura 1, todas formadas por escalas de verificação do tipo Likert de 7 pontos.
Lealdade comportamental (Loyalty), é um compromisso fundamentado no vínculo que se desenvolve ao longo do tempo, que é refletido nas variáveis observadas LC1, LC2, LC3, LC4, LC5, LC6, LC7, LC8, LC9, LC10, LC11 e LC12.
Comprometimento psicológico (Commitment), refere-se ao grau em que os torcedores se identificam com o time e com a marca associada a ele e está ligado a fatores psicológicos internos do indivíduo, que é refletido nas variáveis observadas CP1, CP2, CP3, CP4, CP5, CP6, CP7 e CP8.
Por fim, Imagem do time (Team Image), demonstra as diversas associações que o consumidor desenvolve em sua mente sobre essa marca, e é refletido nas variáveis observadas IMG1, IMG2, IMG3, IMG4, IMG5, IMG6, IMG7, IMG8, IMG9 e IMG10.
1.4) Como foi feita a operacionalização dos construtos formativos? (Não copie o texto do artigo, explique com suas palavras.)
	Como são construtos formativos, é necessário obter as respostas das variáveis observadas primeiro e então cria-se os construtos formativos. As perguntas realizadas durante a pesquisa para determinar o perfil sociodemográfico, foram:
ESCOLARIDADE - Qual a sua escolaridade;
ESTCIVIL - Qual o seu estado civil;
SEXO - Qual seu sexo;
IDADE - Qual sua faixa etária;
RENDA - Qual a sua renda;
TIME - Qual o clube de futebol de sua preferência;
NATURAL - Qual estado você nasceu;
ESTADO - Qual estado você mora atualmente.
Após estas respostas, gerou-se um novo questionário, que foi respondido tomando-se como referência o mês de outubro de 2016 e com informações do site oficial da Confederação Brasileira de Futebol (CBF) e Almanaque Globo Esporte. Referente aos construtos formativos Sucesso do time (ST) e Origem (OR).
ST1 - O time de preferência é do interior ou da capital do estado de origem do time;
ST2 - Quantos campeonatos estaduais o time ganhou nos últimos cinco anos;
ST3 - O time estava entre os quatro primeiros em um dos campeonatos nacionais;
ST4 - O time ganhou algum título expressivo nos últimos cinco anos;
ST5 - O time de preferência pertence ao eixo Sul/Sudeste;
ST6 - O time de preferência faz parte da série A do campeonato brasileiro;
ST7 - Quantos títulos expressivos o time ganhou nos últimos cinco anos;
OR1 - O time de preferência é do mesmo estado que o respondente mora atualmente;
OR2 - O time de preferência é do mesmo estado que o respondente nasceu.
	 O construto formativo Torcedor-Consumidor (Consumer Fan) foi gerado a partir de seis perguntas, duas do tipo Likert de 5 pontos, TC1 e TC2, duas perguntas de sim ou não, TC3 e TC4. Por fim, duas perguntas abertas, COMPRA e PROD, que visam captar o potencial do local de compra e valor agregado dos produtos consumidos.
TC1 - Com qual frequência você compra os produtos do seu clube;
TC2 - Quanto você gasta anualmente com o clube;
TC3-0.478
	
	1.526
	
	 
	
	OR2
	
	0.010
	
	0.626
	
	0.016
	
	0.493
	
	-1.239
	
	1.289
	
	Education
	
	MEDIO
	
	1.145
	
	0.023
	
	50.297
	
	referentes a colinearidade, foi realizada uma análise de Regressão Linear no módulo Regression do JASP, na caixa covariates, foram inseridas todas as variáveis dos construtos reflexivos, com exceção das previamente retiradas (IMG1, IMG6, IMG7, IMG9, LC1, LC2, CP4 e CP6) devido suas baixas cargas fatoriais. Em Dependent variable pode-se escolher qualquer variável. Neste caso a escolha foi a variável ID.
	A tabela abaixo mostra o resultado obtido ao realizar essa simulação pelo JASP.
	Coefficients 
	
	Collinearity Statistics
	Model
	 
	Unstandardized
	Standard Error
	Standardized
	t
	p
	Tolerance
	VIF
	H₀
	
	(Intercept)
	
	164.773
	
	5.694
	
	
	
	28.940
	
	17.209
	
	4.635
	
	0.245
	
	3.713
	
	retirado da próxima análise.
Com o intuito de verificar os itens formativos realiza-se novamente o PLS-SEM, que obteve os seguintes resultados.
	Weights 
	
	95% Confidence Interval
	Latent
	Indicator
	Estimate
	Std. Error
	z-value
	p
	Lower
	Upper
	Age
	
	IDADE
	
	1.000
	
	0.000
	
	∞
	
	Model fit
	 
	Baseline test
	Bootstrap
	AIC
	BIC
	n
	χ²
	df
	p
	5000
	21.689.372
	21.951.786
	269
	1.152.675
	488
	- Você é assinante do pay-per-view de futebol;
TC4 - Você é sócio torcedor do time;
COMPRA - Onde você compra os produtos do seu clube de coração;
PROD - Qual o produto do seu time que você mais compra.
	A partir de COMPRA foi criado a variável observada TC5, potencial do local de compras para gerar receitas para o time, sendo atribuído 0 se indicasse não comprar ou comprar em locais de baixa probabilidade de ter artigos originais, tais como, camelôs ou feiras ambulantes, atribuindo 1 se indicasse internet ou lojas de esporte e 2 para lojas oficiais.
	Utilizando as respostas de PROD produziu-se a variável observada TC6, tipos de produtos adquiridos, atribuiu-se 1 para itens de baixo valor agregado para acessórios, 2 para itens de alto valor agregado para uniformes e vestuários e 0 para não compro.
1.5) Quais foram os argumentos dos autores para justificar o uso do PLS em vez da CB-SEM?
As condições que se apresentaram na presente pesquisa direcionaram para a utilização de métodos de equações estruturais (SEM) baseados em variância (VB-SEM). Assim, optou-se por empregar a técnica Partial Least Squares SEM (PLS-SEM), a mais utilizada nesse contexto (Cepeda-Carrion et al., 2019).
Na presente pesquisa tem-se: (i) construtos formativos, (ii) uma amostra relativamente pequena, não porque a população de origem seja pequena, mas vis-à-vis a (iii) complexidade do modelo proposto. Adicionalmente, a (iv) normalidade multivariada dos dados foi refutada veemente (curtose = 112.609; CR = 12.63) e uma (v) abordagem exploratória foi adotada, principalmente, devido ao baixo suporte teórico e guia claro para especificar o modelo de medição formativo endógeno de interesse (Cepeda-Carrion et al., 2019).
Utilizou-se o método PLS-SEM para fins explanatório, ou seja, buscou-se maximizar a explicação da variância da variável endógena “Torcedor-consumidor”, magnitude e significância dos coeficientes do modelo estrutural, e dessa forma não foram adotadas medidas de ajuste global do modelo, uma vez que essas são exigidas quando se trata de propósito confirmatório (Müller et al., 2018), a despeito das críticas em seus empregos para qualquer fim.
1.6) Dado o propósito exploratório do estudo, é necessário avaliar o ajuste geral do modelo no PLS-SEM? 
	Não foram adotadas medidas de ajuste geral do modelo, uma vez que essas são exigidas quando se trata de propósito confirmatório.
1.7) O trabalho visou maximizar a explicação da variância de qual variável endógena?
Buscou-se maximizar a explicação da variância da variável endógena “Torcedor-consumidor” (Consumer Fan).
1.8) Na avaliação dos modelos de mensuração reflexivos (p. 480-1), que procedimentos foram usados e por quê? Qual o problema detectado? Como foi resolvido?
Foram verificadas as cargas fatoriais, que representam a correlação entre os itens observados e seus respectivos construtos latentes, para analisar a validade convergente (cargas fatoriais > 0,7). Além disso, foram analisados os valores de AVE (Variância Média Extraída) para a validade convergente (AVE > 0,5) e os valores de HTMT, por ser mais robusto que o critério de Fornell-Larcker, para verificar a validade discriminante (HTMT SmartPLS.)
	
1.13) Num parágrafo, com suas palavras, resuma a discussão dos resultados da pesquisa.
	Os resultados da pesquisa confirmaram as cinco hipóteses propostas, demonstrando que o sucesso do time tem um efeito positivo significativo na imagem do time (0,388, ppode-se depreender que, para a amostra estudada, o sucesso, a imagem, a lealdade comportamental e o comportamento psicológico têm influência, direta ou indireta, no consumo dos torcedores. O estudo também destacou a importância das variáveis sociodemográficas, como idade, escolaridade, renda, estado civil, prática de futebol, e local de origem, para o construto formativo torcedor-consumidor, proporcionando insights valiosos tanto para a literatura acadêmica quanto para a gestão esportiva.
1.14) Num parágrafo, com suas palavras, comente as contribuições do trabalho. 
	O trabalho oferece contribuições significativas ao identificar e explicar os fatores que influenciam o consumo do torcedor esportivo, e apresenta uma explicação relevante dos fatores que influenciam o torcedor-consumidor (R² = 0.514), confirmando também as cinco hipóteses propostas. O estudo demonstra que o modelo tem influência de variáveis sociodemográficas e comportamentais, como idade, renda, escolaridade, estado civil, prática de futebol e local de origem do time, que são inovações na literatura de marketing esportivo. Teoricamente, o estudo preenche lacunas ao unir diferentes construtos para analisar o torcedor como consumidor, oferecendo insights valiosos para gestores esportivos sobre como aumentar o potencial de consumo dos torcedores, especialmente através do comprometimento psicológico.
ETAPA 2
Seguem perguntas sobre o segundo artigo, de natureza tutorial sobre uso do PLS-SEM no JASP.
A figura seguinte (Rogers & Barbosa, 2024, p. 7), resume os procedimentos analíticos gerais, 
Para acessar essa figura, as telas e outras, consulte o PDF ou https://osf.io/esbj6/wiki/home/. 
O modelo testado (“baseline model”) é aquele abordado no artigo anterior (primeira referência), com todos os itens das escalas propostas e e efeitos presumidos entre variáveis latentes. 
Como é usual na modelagem de equações estruturais, inicialmente, devemos analisar os modelos de mensuração (Stage 1.1 REFLECTIVE e Stage 1.2 COMPOSITE) ou “outer models”. 
Depois, analisa-se o modelo estrutural (“inner model”). 
Na avaliação dos modelos de mensuração, se o modelo tiver apenas variáveis latentes reflexivas, os procedimentos gerais de avaliação são conhecidos (confiabilidade, validade convergente e validade discriminante). 
Se o modelo tiver construtos formativos, deve-se analisar validade convergente, colinearidade e significância e relevância dos pesos. 
De modo geral, em modelos PLS_SEM, para interpretar as cargas externas ("outer loadings") de construtos reflexivos e formativos, siga estas diretrizes:
 
Construtos Reflexivos
- Cargas externas altas (acima de 0,708) indicam que os indicadores têm muito em comum com o fenômeno captado pelo construto latente. Isso demonstra confiabilidade do indicador.
- Indicadores com cargas entre 0,40 e 0,70 devem ser eliminados apenas se isso aumentar a confiabilidade composta ou a variância média extraída (AVE) acima do limite aceitável (0,50).
- Todos os indicadores devem ter cargas externas estatisticamente significativas (p0.508
	
	1.744
	
	0.041
	
	-0.462
	
	1.527
	
	 
	
	OR2
	
	0.004
	
	0.628
	
	0.007
	
	0.497
	
	-1.240
	
	1.280
	
	Education
	
	MEDIO
	
	1.145
	
	0.023
	
	49.631
	
	por caráter exploratório cargas superiores a 0,6 como significativas.
Todos os indicadores devem ter cargas externas estatisticamente significativas (p1.680
	
	1.923
	
	2.044
	
	0.010
	
	LC4
	
	1.512
	
	1.633
	
	1.840
	
	1.997
	
	0.007
	
	LC5
	
	1.439
	
	1.535
	
	1.804
	
	1.944
	
	0.025
	
	LC6
	
	1.488
	
	1.614
	
	1.827
	
	2.005
	
	0.054
	
	LC7
	
	1.867
	
	1.911
	
	2.122
	
	2.218
	
	-0.047
	
	LC8
	
	1.821
	
	1.851
	
	2.104
	
	2.211
	
	-0.036
	
	LC9
	
	1.842
	
	1.875
	
	2.157
	
	2.244
	
	-0.030
	
	LC10
	
	1.868
	
	1.888
	
	2.163
	
	2.258
	
	-0.025
	
	LC11
	
	1.739
	
	1.786
	
	2.024
	
	2.131
	
	0.009
	
	LC12
	
	1.780
	
	1.873
	
	2.079
	
	2.222
	
	0.005
	
	CP1
	
	1.349
	
	1.472
	
	1.724
	
	1.914
	
	0.047
	
	CP2
	
	1.756
	
	1.778
	
	2.043
	
	2.103
	
	0.016
	
	CP3
	
	1.738
	
	1.872
	
	2.066
	
	2.248
	
	-0.031
	
	CP4
	
	0.759
	
	1.133
	
	1.310
	
	1.578
	
	-0.017
	
	CP5
	
	1.921
	
	1.919
	
	2.207
	
	2.267
	
	-0.003
	
	CP6
	
	0.900
	
	1.256
	
	1.475
	
	1.786
	
	-0.031
	
	CP7
	
	1.265
	
	1.375
	
	1.568
	
	1.765
	
	0.005
	
	CP8
	
	1.345
	
	1.501
	
	1.719
	
	1.871
	
	-0.008
	
	TC1
	
	0.720
	
	0.739
	
	0.859
	
	0.901
	
	-0.032
	
	TC2
	
	1.350
	
	1.328
	
	1.574
	
	1.558
	
	0.011
	
	TC3
	
	0.386
	
	0.378
	
	0.440
	
	0.443
	
	0.010
	
	TC4
	
	0.375
	
	0.346
	
	0.435
	
	0.425
	
	-0.004
	
	TC5
	
	1.222
	
	1.227
	
	1.554
	
	1.597
	
	-0.013
	
	TC6
	
	0.854
	
	0.896
	
	1.148
	
	1.184
	
	0.010
	
	
	As variáveis endógenas são Sucesso do time, Origem e Torcedor-Consumidor.
O construto de principal interesse nesse trabalho foi Torcedor-Consumidor, portanto, a análise será realizada nas variáveis TC1 a TC6.
O erro quadrático médio (RMSE) é a estatística padrão, que pondera mais fortemente grandes erros de previsão do que erros menores.
Quando a distribuição do erro de previsão é significativamente assimétrica, os pesquisadores podem empregar o erro absoluto médio (MAE), que calcula o tamanho médio dos erros em uma série de previsões sem levar em conta a direção. Tanto o RMSE quanto o MAE são difíceis de interpretar, pois seus valores dependem da escala de medição das variáveis em discussão. Pesquisadores precisam comparar os valores de RMSE (ou MAE) com um benchmark de modelo de regressão linear (LM).
O modelo tem alto potencial preditivo se todos os indicadores na análise PLS-SEM (Alvo) tiverem valores de RMSE (ou MAE) menores que o benchmark LM ingênuo.
Se a maioria (ou o mesmo número) de indicadores na análise PLS-SEM (Alvo) fornecerem erros de previsão menores que o LM, isso implica que o modelo tem habilidade preditiva média.
Se um subconjunto dos indicadores do construto dependente fornecer menos erros de previsão PLS-SEM que o benchmark LM ingênuo, o modelo tem baixo poder preditivo.
Se a análise PLS-SEM (quando comparada ao LM) produzir menos erros de previsão em termos de RMSE (ou MAE) para nenhum dos indicadores, o modelo não tem capacidade preditiva.
Um Q² (Alvo) maior que zero mostra que o modelo de caminho PLS excede este benchmark mais ingênuo. Nesta tabela, a relevância preditiva (Q²), avalia a capacidade preditiva do modelo, valores positivos indicam que o modelo excede o LM, portanto as seguintes não indicam valor preditivo IMG4, IMG6, IMG7, LC7, LC8, LC9, LC10, CP3, CP4, CP5, CP6, CP8, TC1, TC4 e TC5.
Portanto, a despeito do bom ajuste do modelo estrutural em termos de poder explanatório da variável endógena “Torcedor-consumidor”, que foi o principal objetivo do emprego da técnica PLS-SEM, não foi observado um bom poder preditivo do modelo, como podemos visualizar na tabela, o Q² foi positivo para três dos seis indicadores da variável formativa “Torcedor-consumidor”, indicando, porventura, um pobre poder preditivo.
2.1.7 Para que a saída inclui a tabela de correlações dos construtos? Qual a conclusão da análise feita?
Esta tabela é utilizada para avaliar questões de validade discriminantes entre construtos reflexivos. Nesta análise, há evidências de problemas nesse sentido entre Lealdade e Comprometimento psicológico (ρ = 0,954).
2.2. Questões sobre colinearidade (Collinearity Diagnostics, Stage 1.1, Round 1).
2.2.1 Como foi feita a análise? Que módulo do JASP foi usado?
É importante frisar que está análise é realizada apenas para os construtos reflexivos. 
Os dados para realizar as análises são obtidos ao selecionar Collinearity diagnostics em Statistics.
Como na análise inicial decidiu-se por retirar as variáveis IMG1, IMG6, IMG7, IMG9, LC1, LC2, CP4 e CP6 devido a suas baixas cargas, foram adicionadas todas as outras variáveis observadas em Covariates. Em Dependent variable pode-se escolher qualquer variável. Neste caso a escolha foi a variável ID.
Foi utilizado Linear Regression no módulo Regression, para se obter a tabela de VIF é necessário selecionar em statistics/Coefficients e selecionar Estimates.
2.2.2. Qual a conclusão e consequência da análise de colinearidade?
	Coefficients 
	
	Collinearity Statistics
	Model
	 
	Unstandardized
	Standard Error
	Standardized
	t
	p
	Tolerance
	VIF
	H₀
	
	(Intercept)
	
	164.773
	
	5.694
	
	
	
	28.940
	
	e consequências da análise de validades convergente e discriminante? 
	Average variance extracted 
	Factor
	AVE
	Image
	
	0.563
	
	Loyalty
	
	0.645
	
	Commitment
	
	0.561
	
	
	Heterotrait-monotrait ratio 
	Image
	Loyalty
	Commitment
	1.000
	
	
	
	
	
	0.570
	
	1.000
	
	
	
	0.597
	
	0.946
	
	1.000
	
	
	Para avaliar a validade convergente, o valor de 
 (Variância Média Extraída) deve ser igual ou superior a , conforme a tabela pode-se afirmar que há validade convergente para todos os três construtos.
Valores altos de HTMT implicam preocupações com a validade discriminante. Um valor de limiar de 0,90 se o modelo de caminho inclui construtos conceitualmente idênticos (por exemplo, Commitment e Loyalty); caso contrário, um valor de HTMT superior a 0,90 indica falta de validade discriminante. Quando os construtos no modelo de caminho são conceitualmente mais diferentes, os pesquisadores devem escolher 0,85 como o critério HTMT.
Neste caso, o valor de HTMT entre Commitment e Loyalty (0.946) foi superior ao limite, portanto utilizou-se da tabela de Cross-Loadings para procurar quais itens que possuam alta relação cruzada para retirar. Os dois maiores índices de modificação foram LC5(88169) e LC11(35031), portanto uma nova análise deve ser feita retirando estas duas variáveis para avaliar o valor de VIF, HTMT e AVE.
2.4. Questões sobre AVE e HTMT (Stage 1.1, Round 3).
2.4.1 Por que essa análise foi necessária? Qual sua conclusão?
	Como optou-se por retirar LC5 e LC11 é necessário verificar os valores de HTMT e AVE novamente para ter indícios que o modelo possui validade convergente e discriminante. Então a nova analise vai ser realizada retirando as seguintes variáveis, IMG1, IMG6, IMG7, IMG9, CP4, CP6, LC1, LC2, LC3, LC4, LC5, LC6, LC11 e LC12.
	A nova tabela de AVE é explicitada abaixo.
	Average variance extracted 
	Factor
	AVE
	Image
	
	0.563
	
	Loyalty
	
	0.728
	
	Commitment
	
	0.562
	
	
	Pode-se afirmar que há indícios de validade convergente para todos os três construtos.
	A nova tabela de HTMT obtida foi evidenciada abaixo.
	Heterotrait-monotrait ratio 
	Image
	Loyalty
	Commitment
	1.000
	
	
	
	
	
	0.501
	
	1.000
	
	
	
	0.597
	
	0.844
	
	1.000
	
	
	Apesar do valor de HTMT ser inferior a 0.85 entre todos os construtos, os autores foram mais cautelosos quanto à validade discriminante no artigo original no banco de dados. Portanto, eles também avaliaram se HTMTavaliar problemas relacionados a multicolinearidade do construto formativo Origens.
	Para isso é necessário realizar uma regressão linear e colocar todas as variáveis observadas desse construto (OR1 e OR2), em Covariates. Em Dependent Variable, pode-se utilizar qualquer variável e foi escolhido ID. Ao executar no Jasp obtemos a tabela abaixo.
	Coefficients 
	
	Collinearity Statistics
	Model
	 
	Unstandardized
	Standard Error
	Standardized
	t
	p
	Tolerance
	VIF
	H₀
	
	(Intercept)
	
	164.773
	
	5.694
	
	
	
	28.940
	
	0.773
	
	 
	
	CP8
	
	0.747
	
	0.035
	
	21.104