Seu Primeiro Estudo: Crie uma Pesquisa TAM e Rode CFA e SEM

Andrzej Szymkowiak · Última revisão: setembro de 2026

TL;DR: Um questionário básico do Technology Acceptance Model (TAM) mede quatro construtos: utilidade percebida, facilidade de uso percebida, atitude em relação ao uso e intenção comportamental de uso, com três ou quatro itens Likert de 7 pontos cada (14 itens aqui). Este passo a passo cria essa pesquisa, coleta os dados no Prolific e roda CFA e CB-SEM nas mesmas 521 respostas completas de dados simulados. A CFA teve bom ajuste (CFI = .985, RMSEA = .034), cada construto ultrapassou os pontos de corte usuais de confiabilidade e validade, e quatro dos cinco caminhos do TAM foram significativos.

Este é um passo a passo completo de um primeiro estudo quantitativo, de uma página em branco a um modelo estrutural ajustado. Vamos criar uma pesquisa baseada no Technology Acceptance Model (TAM), adicionar itens validados da biblioteca, personalizá-los, pré-visualizar a experiência do respondente, configurar a coleta de dados no Prolific e terminar com análise fatorial confirmatória (CFA) e modelagem de equações estruturais baseada em covariância (CB-SEM), tudo em uma única ferramenta, sem exportar para um pacote estatístico separado. Se você ainda está definindo sua pergunta de pesquisa ou a estrutura do questionário, veja primeiro da pergunta de pesquisa ao questionário.

Os números e as figuras abaixo vêm de um conjunto de dados simulado (556 respostas geradas a partir de uma estrutura TAM conhecida). Usamos dados simulados para que você possa seguir cada etapa sem gastar dinheiro com coleta de dados. Em um estudo real, as etapas são idênticas; só as respostas mudam.

O que é o Technology Acceptance Model?

O TAM explica por que as pessoas adotam uma nova tecnologia. Em sua forma comum, tem quatro construtos:

• Perceived Ease of Use (PEOU), o quanto a tecnologia parece fácil de usar.
• Perceived Usefulness (PU), o quanto ela ajuda você a fazer seu trabalho.
• Attitude Toward Using (ATT), sua avaliação geral do uso.
• Behavioral Intention (BI), a probabilidade de você usá-la.

Os caminhos clássicos são simples: a facilidade de uso alimenta a utilidade e a atitude; a utilidade e a atitude alimentam a intenção. Cada construto é medido com vários itens Likert, o que torna o TAM um exemplo claro para CFA e SEM.

Etapa 1: Criar o estudo

Abra a página Studies e clique em New study. Dê um nome a ele, aqui Technology Acceptance (TAM), e escolha o idioma. Você começa de um estudo em branco.

Essa é toda a configuração. Não há um assistente de projeto para enfrentar, você já cai direto no construtor.

Etapa 2: Adicionar itens validados da biblioteca

Você não precisa digitar seus itens TAM à mão. Abra uma seção, clique no botão da biblioteca e pesquise na biblioteca de escalas por TAM, Technology Acceptance Model (Davis, 1989). Para construtos que não estão na biblioteca, veja como encontrar uma escala validada para orientações sobre como buscar baterias validadas na literatura.

A escala carrega quatro construtos como matrizes Likert de 7 pontos, Perceived Usefulness (PU), Perceived Ease of Use (PEOU), Attitude Toward Using (ATT) e Behavioral Intention to Use (BI), cada um com vários itens e um nome de variável limpo (PU1, PU2, …). Os itens de utilidade e de facilidade de uso vêm de Davis (1989). Esse artigo desenvolveu as escalas de utilidade e de facilidade de uso. Ele não tinha escala de atitude, e seu desfecho era o uso autorrelatado e autoprevisto. Os construtos de atitude e intenção vêm de Davis, Bagozzi e Warshaw (1989), então verifique de onde vêm os itens de atitude e intenção da sua versão e cite essa fonte na sua seção de Métodos. Você pode anexar a escala à seção ou substituir o que já está lá.

Os itens vêm com um placeholder genérico, [the system], para que a bateria sirva para qualquer tecnologia antes de você adaptá-la:

Os nomes das variáveis importam mais tarde: eles se tornam os cabeçalhos de coluna nos seus dados e os rótulos que a análise usa para agrupar os itens em fatores. Os nomes da biblioteca já seguem uma convenção de prefixo (PU1, PU2, …), que a etapa de análise lê automaticamente.

Etapa 3: Personalizar os itens

A biblioteca dá a você um ponto de partida, não uma jaula. A primeira coisa a fazer é substituir o placeholder [the system] pela sua própria tecnologia, aqui Explonia, então, por exemplo, PEOU1 agora diz "Aprender a usar a Explonia seria fácil para mim." Cada item é editável, então você também pode:

• reescrever o texto para se adequar à sua tecnologia,
• cortar ou adicionar itens (mantenha pelo menos três por construto, veja a nota abaixo),
• mudar o número de pontos da escala e os rótulos das âncoras,
• renomear variáveis, marcar itens como obrigatórios ou adicionar lógica de exibição.

Um hábito pequeno mas útil: mantenha os prefixos dos construtos consistentes (todos os itens de facilidade de uso começam com PEOU). Isso mantém os dados organizados e permite que a análise construa o modelo de mensuração para você.

Antes de lançar, verifique três coisas

• Adicione uma tela curta de consentimento e instruções no início. A participação deve ser voluntária e anônima.
• Mantenha pelo menos 3 itens por construto. Um fator latente reflexivo precisa de três indicadores para ser identificado em CFA e SEM (com dois, um fator sozinho fica subidentificado), e você precisa de vários itens para estimar a confiabilidade (α, CR) e para descartar um item fraco mantendo o suficiente. Três a seis itens por construto é o intervalo usual, e a bateria TAM aqui usa três ou quatro. Quando você desenvolve uma escala nova, Hinkin (1998) sugere de quatro a seis itens por construto na escala final, e escrever no início cerca do dobro de itens, para que os itens fracos possam ser descartados.
• Corte tudo o mais: elimine perguntas redundantes e dados demográficos que você não vai analisar. Dentro desse limite, uma pesquisa mais curta gera dados melhores.

Etapa 4: Pré-visualizar a experiência do respondente

Clique em Draft preview para ver exatamente o que um participante vê. A pré-visualização roda a visão real do respondente, incluindo verificações de campos obrigatórios e lógica de exibição. Alterne entre Desktop e Mobile, porque muitos participantes respondem pelo celular, então vale a pena olhar o layout mobile.

A pré-visualização não salva respostas, então você pode clicar quantas vezes quiser.

Etapa 5: Configurar a coleta no Prolific

Quando a pesquisa estiver pronta, você recruta participantes. A Explonia se conecta ao Prolific de dentro do painel, então você não fica copiando links de um lado para o outro. Abra a aba Recruitment: cada estudo ativo tem dois botões, Commission pilot (uma pequena execução de teste) e Commission main run (a amostra completa).

Qualquer um dos botões abre um assistente curto que pede uma descrição, o número de participantes, a recompensa e os filtros de qualidade, e mostra o custo total antes de qualquer cobrança. Para orientações sobre quantos participantes buscar, veja tamanho da amostra antes da coleta de dados. Para um guia passo a passo das configurações e filtros do Prolific, veja recrutando participantes no Prolific. O assistente termina em um resumo. Você pode clicar em Create draft, o que prepara o estudo no Prolific sem cobrar de você. Somente a ação separada Publish inicia o recrutamento pago. Para este tutorial, paramos no rascunho.

Em um estudo real, depois que você publica, as respostas fluem de volta para a Explonia automaticamente, marcadas com seus IDs do Prolific e o status de aprovação. Para este passo a passo, usamos um conjunto simulado de 556 respostas para podermos ir direto para a análise.

Etapa 6: Decidir quais respostas entram na análise

Antes de rodar qualquer modelo, resolva uma questão: quais linhas contam? A Explonia guarda cada resposta com um status. Neste conjunto de dados, as 556 respostas se dividem assim.

A aba Sample em cada análise carrega esse filtro, e por padrão ela mantém apenas as respostas completas. Isso dá N = 521 para este estudo. Defina uma vez e deixe assim, porque o filtro se aplica a todo modelo que você rodar nesse conjunto de dados.

Isso importa mais do que parece. Se você roda o modelo de mensuração em um conjunto de linhas e o modelo estrutural em outro, os dois conjuntos de índices de ajuste deixam de ser comparáveis, e um revisor que somar seus números vai notar. Confira o N impresso em cada cartão de análise e veja se eles combinam. Note também que nenhum dos 14 itens TAM tem resposta ausente aqui, então a listwise deletion não remove nada; as 35 linhas excluídas foram excluídas por causa do seu status, não por dados ausentes. Em um estudo real com dados ausentes no nível do item você veria uma segunda queda, menor, e deveria relatar os dois números.

Etapa 7: Análise fatorial confirmatória (CFA)

Com a amostra resolvida, abra Analyses e crie uma nova análise. Na aba CFA, clique em Suggest from names: o construtor lê os prefixos das suas variáveis e propõe o modelo de mensuração de quatro fatores (PEOU1-4 → PEOU, PU1-4 → PU, ATT1-3 → ATT, BI1-3 → BI). Ajuste se necessário e depois clique em Run CFA.

A análise roda no seu navegador. Nas 521 respostas completas, o modelo de mensuração teve bom ajuste: χ²(71) = 114.94, p < .001.

As cargas fatoriais padronizadas variaram de .66 a .79, então cada item carregou claramente em seu construto pretendido.

O número mais importante é a carga padronizada (β), que diz o quanto cada item reflete seu construto. Aqui está para todos os 14 itens; toda carga estimada é significativa (todos p < .001). Um item por construto (PEOU1, PU1, ATT1, BI1) é o indicador de referência que fixa a escala do construto, então não tem erro padrão nem valor p:

Indicador de referência: a carga não padronizada é fixada em 1.000, portanto nenhum erro padrão nem valor p é estimado; as cargas padronizadas são reportadas para todos os itens.

A tabela de confiabilidade e validade é calculada ao mesmo tempo:

O ômega de McDonald (ω) e a CR são idênticos aqui porque ambos são calculados a partir das mesmas cargas da CFA. Relate ω ou CR ao lado de α, porque α supõe que todos os itens carregam igualmente bem.

Todos os construtos ultrapassaram os pontos de corte usuais: alfa de Cronbach, ômega de McDonald (ω) e confiabilidade composta (CR) acima de .70, variância média extraída (AVE) acima de .50. A validade discriminante também se manteve, porque todo índice HTMT ficou abaixo de .85. Relate o mais alto em vez de um simples "todos abaixo de .85": aqui ele é .82, para atitude com intenção. Isso está dentro do ponto de corte, mas perto o bastante para um revisor perguntar se os dois construtos são mesmo distintos, então diga o que você pensa e por quê.

Se você quiser o contexto de qualquer um desses conceitos, veja nossas notas sobre análise fatorial confirmatória, confiabilidade (α, CR, AVE) e validade discriminante HTMT.

Etapa 8: CB-SEM, o modelo estrutural

A CFA mostra que os itens medem o que deveriam. O CB-SEM testa como os construtos se relacionam. Na aba CB-SEM, mantenha o mesmo modelo de mensuração e desenhe os caminhos estruturais: PEOU → PU, PEOU → ATT, PU → ATT, PU → BI e ATT → BI. O diagrama de caminhos é interativo, e você pode exportá-lo como PNG, JPG, SVG ou PDF para um manuscrito.

A amostra são as mesmas 521 respostas, e os itens são os mesmos 14. Isso é proposital, e é o que torna os dois conjuntos de números comparáveis:

Leia essa tabela como uma verificação, não apenas como um resultado. O modelo estrutural usa os mesmos itens e os mesmos quatro fatores da CFA, e apenas substitui as correlações livres entre os fatores por um conjunto menor de caminhos direcionados. Em outras palavras, ele está aninhado na CFA: pode gastar menos parâmetros, nunca mais. Então o χ² dele só pode subir e o df dele só pode subir, e um modelo estrutural que se ajusta claramente melhor do que o seu próprio modelo de mensuração é sinal de que algo difere entre as duas rodadas, em geral a amostra ou a lista de itens. Aqui a diferença é um grau de liberdade e Δχ²(1) = 0.63, p = .43, então retirar o caminho direto PEOU → BI não custa nada, e as duas linhas concordam até a terceira casa decimal. É assim que um par saudável se parece.

Quatro dos cinco caminhos são significativos. O modelo explicou uma variância relevante em cada construto a jusante: R² = .37 para utilidade, .56 para atitude e .67 para intenção.

O único caminho que não alcançou significância merece uma frase própria, porque é a parte interessante. O efeito direto da utilidade sobre a intenção é pequeno e não significativo (β = .081, p = .298), enquanto o efeito indireto através da atitude é grande e significativo (β = .441, p < .001), dando um efeito total de .521. A utilidade ainda impulsiona a intenção, mas faz isso através da atitude, e não por fora dela. Um caminho direto não significativo ao lado de um indireto forte é evidência de mediação, não evidência de que o preditor não importa, e escrever assim é mais preciso do que apagar o caminho e fingir que você nunca o desenhou.

Etapa 9: O Article description

Toda tela de análise também traz uma caixa de Article description. A Explonia redige um parágrafo de resultados em estilo APA, usando seus números reais: índices de ajuste, caminhos significativos, tamanhos do efeito. Você copia, edita para combinar com sua voz e mantém como seu:

A covariance-based SEM was estimated by maximum likelihood (N = 521). The model showed the following fit: χ²(72) = 115.564, p < .001; CFI = .985; TLI = .981; RMSEA = .034 [90% CI .022, .045]; SRMR = .028. Significant structural paths: Ease of Use → Usefulness (β = .608, p < .001); Ease of Use → Attitude (β = .231, p < .001); Usefulness → Attitude (β = .582, p < .001); Attitude → Intention (β = .757, p < .001).

É um rascunho, não um parágrafo final. Ele lista os caminhos que alcançaram significância, então acrescente você mesmo o não significativo, junto com a leitura de mediação acima, antes que isso chegue perto de um manuscrito.

O que colocar na sua seção de Método

Para um estudo como este, uma seção de Método relataria:

• Amostra e coleta: 556 respostas coletadas pelo Prolific; 521 respostas completas analisadas depois de excluídas 18 respostas parciais e 17 excluídas na triagem; participação voluntária e anônima.
• Medidas: quatro construtos TAM (PEOU, PU, ATT, BI) em escalas Likert de 7 pontos; itens de uma bateria validada.
• Análise: CFA e CB-SEM com estimação maximum likelihood nos mesmos 521 casos; confiabilidade via α e CR; validade convergente via AVE; validade discriminante via HTMT; ajuste do modelo via CFI, TLI, RMSEA e SRMR.

Para pontos de corte e convenções de relato, veja como relatar resultados de CFA em APA e relatando índices de ajuste de SEM. Como os quatro construtos vêm do mesmo questionário, os revisores também podem perguntar sobre viés do método comum, então planeje essa questão já na etapa de design: viés do método comum: prevenir é melhor que detectar →.

Conclusão

Uma única ferramenta nos levou de um estudo em branco a um modelo estrutural ajustado: construir com itens validados, pré-visualizar, recrutar no Prolific e rodar CFA e CB-SEM na mesma tela e na mesma amostra. O modelo de mensuração foi confiável e válido, e os caminhos estruturais em boa parte corresponderam à teoria do TAM, com a utilidade chegando à intenção através da atitude. Como a análise roda no seu navegador, seus dados de resposta não são enviados a um servidor para serem analisados. As próprias respostas ficam armazenadas com segurança na UE.

Lembre-se: o conjunto de dados aqui é simulado para fins didáticos. Seus resultados reais vão diferir, mas o fluxo de trabalho, e a saída pronta para publicação, serão os mesmos.

Erros comuns a evitar

• Rodar CFA e SEM em amostras diferentes. Filtros de resposta diferentes dão N diferentes, e então os índices de ajuste não podem ser comparados. Defina o filtro uma vez e imprima o N nos dois.
• Relatar um modelo estrutural que se ajusta melhor do que a sua própria CFA. O modelo estrutural está aninhado no modelo de mensuração, então isso não pode acontecer em uma mesma amostra. Se você vir isso, as duas rodadas diferem em algum ponto.
• Confundir uma resposta excluída com uma resposta ausente. Descartar linhas parciais ou excluídas na triagem é uma decisão de amostragem. A listwise deletion é uma decisão sobre dados ausentes. São números diferentes e os dois pertencem ao Método.
• Chamar de fracasso um caminho direto não significativo. Confira primeiro o efeito indireto. A mediação completa se parece exatamente com isso.
• Escrever "todos os HTMT abaixo de .85" e parar por aí. Dê o valor mais alto. Um índice de .82 está dentro do ponto de corte e ainda merece um comentário.
• Tratar caminhos TAM transversais como causais. O delineamento sustenta associação, então escreva "consistente com" em vez de "causa".

Perguntas frequentes

References

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008

Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982-1003. https://doi.org/10.1287/mnsc.35.8.982

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104-121. https://doi.org/10.1177/109442819800100106

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1-55. https://doi.org/10.1080/10705519909540118

Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23-44. https://doi.org/10.1037/1082-989X.12.1.23

Como a Explonia faz isso por você

A Explonia mantém a decisão sobre a amostra em um só lugar: a aba Sample define o filtro de respostas, e todo modelo naquele conjunto de dados o herda, então sua CFA e seu CB-SEM não podem cair em N diferentes por acidente. A caixa Article description então redige o parágrafo APA a partir dos números realmente estimados, e você continua sendo o autor de cada frase que mantiver. Quando quiser verificar as estimativas em outro lugar, os dados são exportados para SPSS (.sav), R e AMOS, e o modelo é exportado como script R para o lavaan. Nossa página de validação mostra como a saída do motor se compara com o R.

Quer rodar seu próprio estudo do início ao fim? Construa, colete e rode CFA e SEM reais nos seus próprios dados, com um parágrafo APA em rascunho que você pode editar. Começar grátis →