From Structural Equation Modelling to Double Machine Learning: Robustness Analysis for Survey-Based Research

Resumo Técnico: Da Modelagem de Equações Estruturais ao Aprendizado de Máquina Duplo

Definição do Problema
A Modelagem de Equações Estruturais (SEM) é o framework padrão para pesquisas baseadas em questionários envolvendo construtos latentes (ex: confiança, satisfação, intenção). Embora a SEM avalie efetivamente modelos de mensuração e estime relações estruturais orientadas pela teoria, a significância de seus caminhos é contingente a uma especificação de modelo específica. Um coeficiente de caminho significativo em SEM não demonstra inerentemente estabilidade sob frameworks de estimação alternativos, representações de escores ou ajustes de controle flexíveis. Consequentemente, os pesquisadores carecem de um fluxo de trabalho sistemático e transparente para determinar se as principais relações permanecem robustas ao transitar da modelagem de variáveis latentes para regressões convencionais ou ajustes baseados em aprendizado de máquina. A literatura recente introduziu o Aprendizado de Máquina Duplo (DML) em sistemas de informação e o aplicou em contextos de FinTech, mas o DML é raramente utilizado como uma ferramenta de diagnóstico de robustez caminho a caminho pós-SEM para modelos de construtos latentes.

Metodologia: O Framework Estagiado SEM–OLS–DML
O artigo propõe um framework de robustez de duas camadas e oito estágios que integra SEM, Regressão de Mínimos Quadrados Ordinários (OLS) e Aprendizado de Máquina Duplo (DML). O fluxo de trabalho é projetado para separar a geração de evidência de robustez de sua interpretação, garantindo que o aprendizado de máquina complemente, em vez de substituir, a SEM.

1. Camada 1: Geração de Evidências

   • Refinamento de Mensuração e SEM de Linha de Base: O processo começa com o refinamento do modelo de mensuração (validando indicadores, confiabilidade e ajuste). Crucialmente, o modelo estrutural completo especificado pela teoria é reestimado como um "modelo SEM de linha de base de robustez" antes que qualquer caminho seja removido com base na significância.
   • Construção de Escores: Dois tipos de escores de construto por respondente são gerados: (a) escores fatoriais de SEM (preservando a estrutura latente e as cargas fatoriais) e (b) escores compostos de média (um benchmark transparente e simples).
   • Tradução SEM-para-Regressão: Cada caminho estrutural na SEM de linha de base é traduzido em uma especificação de nível de caminho para OLS e DML. Para uma equação estrutural $Y \sim D + X$, o preditor focal $D$ é a variável de interesse, enquanto outros preditores $X$ na mesma equação são tratados como controles copreditores.
   • Benchmark OLS: Uma regressão OLS é executada nos escores dos construtos para fornecer um benchmark linear transparente. Isso verifica se o padrão de caminho implícito pela SEM permanece visível sob suposições de regressão convencional.
   • Residualização Estilo DML: O DML é aplicado para examinar a estabilidade sob ajuste de controle flexível. O desfecho ($Y$) e o preditor focal ($D$) são regredidos no vetor de controle ($X$) usando aprendizes de aprendizado de máquina (Random Forest, Gradient Boosting e Support Vector Machine) para estimar funções de incômodo (nuisance functions). Os resíduos são então usados para estimar a relação focal. O cross-fitting é empregado para evitar o sobreajuste (overfitting).
   • Verificações de Sensibilidade: O framework inclui verificações de sensibilidade do aprendiz (comparando RF, GBM, SVM) e sensibilidade do escore (comparando escores fatoriais vs. compostos). Diagnósticos de direção reversa selecionados também são realizados para testar a robustez direcional.

2. Camada 2: Interpretação Integrada

   • Os resultados de SEM, OLS e DML são comparados entre métodos, tipos de escore e aprendizes.
   • Os caminhos são classificados com base na convergência ou divergência:
     • Fortemente Robustos: Estáveis em direção e significância em todos os métodos.
     • Parcialmente Robustos/Sensíveis ao DML: A direção é estável, mas a significância enfraquece sob ajuste de controle flexível.
     • Sensíveis ao Escore: Os resultados dependem fortemente se escores fatoriais ou compostos são utilizados.
     • Direcionalmente Instáveis: Os sinais invertem ou diagnósticos de direção reversa mostram suporte mais forte para a direção oposta.

Demonstração Empírica
O framework é aplicado a um modelo de pesquisa de Intimidade Digital do Cliente (DCI) de FinTech contendo 17 caminhos estruturais e construtos como Qualidade Percebida, Experiência do Usuário, Confiança e Conexão Emocional.

• Resultados: A maioria dos caminhos (ex: $PQ \to AT$, $AT \to BI$, $EC \to DCI$) permaneceu fortemente robusta através de SEM, OLS e aprendizes DML para ambos os tipos de escore.
• Achados Matizados:
  • $UB \to SA$ (Comportamento de Uso para Satisfação): Significativo e negativo em SEM e DML de escore fatorial, mas fraco/não significativo em verificações de escore composto, indicando sensibilidade de representação de escore.
  • $TR \to EC$ (Confiança para Conexão Emocional): Não significativo em SEM, mas significativo em verificações baseadas em escore com sensibilidade de sinal, exigindo revisão teórica.
  • $CA \to AT$ (Consciência do Cliente para Atitude): Fraco em todos os métodos, sugerindo que pode ser um candidato à remoção se a teoria for fraca.
  • Diagnósticos Reversos: A relação entre Conexão Emocional e DCI mostrou estabilidade em ambas as direções, sugerindo uma associação recíproca.

Principais Contribuições

1. Fluxo de Trabalho Prático: O artigo fornece um fluxo de trabalho estagiado e reproduzível para traduzir caminhos implícitos em SEM para verificações de robustez estilo OLS e DML sem tratar o aprendizado de máquina como um substituto para a modelagem de variáveis latentes.
2. Clareza Diagnóstica: Esclarece como interpretar a sensibilidade de representação de escore (fatorial vs. composto) e a sensibilidade do aprendiz (RF vs. GBM vs. SVM) dentro de pesquisas baseadas em questionários.
3. Disponibilidade de Recursos: Os autores fornecem um workbook do Google Colab e arquivos de resultados gerados via Zenodo, oferecendo um template reutilizável para pesquisadores adaptarem este fluxo de trabalho de robustez para outros estudos de construtos latentes baseados em questionários.

Significância e Alegações
O artigo posiciona este framework como um "processo de suporte à decisão de modelo" em vez de um simples apêndice de robustez. Sua principal significância reside na mudança da prática de pesquisa de "podar-então-verificar" (remover caminhos não significativos imediatamente após a SEM) para uma abordagem de "verificar-então-decidir". Ao reter o sistema completo de caminhos teóricos para análise de robustez subsequente, os pesquisadores podem tomar decisões estruturais finais baseadas em uma convergência de evidências de modelagem latente, regressão transparente e ajustes flexíveis de aprendizado de máquina.

Os autores declaram explicitamente que esta abordagem fortalece a avaliação de robustez, mas não estabelece alegações causais definitivas (intervencionais ou contrafatuais) em dados de questionários transversais. O framework é projetado para identificar quais relações são estáveis e quais requerem interpretação cautelosa, discussão teórica adicional ou validação longitudinal. Ele aborda uma lacuna metodológica ao posicionar o DML especificamente como uma ferramenta de diagnóstico pós-SEM para modelos de construtos latentes, distinta de seu uso como estimador primário em inferência causal ou como ferramenta preditiva em estudos de integração SEM-ML.