Designação da assertiva nos modelos estruturais CONSTRUTO
88
Observa-se que para todas as assertivas, exceto a de número 26: Sou recompensado por fazer
sugestões de melhorias para o sistema de gestão ambiental, que apresentou um valor de 0,14,
as demais tiveram o CVR superior ao mínimo estipulado de 0,42. Para efeito deste estudo, a assertiva 26 foi mantida no instrumento de pesquisa, pois foi utilizada nos estudos de Kaur (2011 a, b) que se utilizou como base no presente trabalho e optand-se por um procedimento mais ortodoxo do que simplesmente eliminar esta assertova. Entretanto, com a ressalva de que a mesma será convenientemente avaliada e destacada durante a análise dos dados.
Mesmo o instrumento de pesquisa tendo sido validado tecnica e semânticamente pelos especialistas e potenciais respondentes, as assertivas GESCF_1 e GESCF_7 podem ser consideradas como reversas em função da interpretação das mesmas. Para verificar esta possivel interferência nos resultados, as mesmas tiveram a suas escalas invertidas e aplicado ocompleto delineamento metodologico, não se encontrando resultados distintos daqueles que empregaram os resultados diretos.
A versão final do instrumento de pesquisa utilizado, com as alterações propostas pelos especialistas está apresentado no Apêndice 4.
3.6 AMOSTRAGEM
O universo amostral dos respondentes foi composto por profissionais, dos mais variados níveis hierárquicos, que trabalham em empresas com e sem o SGA implantado, podendo as organizações que o possuem implantado estarem ou não certificadas na norma ISO 14001.
O envio do survey (instrumento de pesquisa) para os potenciais respondentes foi realizado através dos respectivos endereços de e-mails, via internet, utilizando-se dos serviços do site https://pt.surveymonkey.com,para a inserção do instrumento de pesquisa e o envio do mesmo.
O survey foi enviado para 6.236 endereços de e-mail no período de 28 de outubro de 2014 a 19 de dezembro de 2014. Obteve-se 157 respostas, destas, foram descartadas 37, pois no instrumento de pesquisa respondido foram encontradas inúmeras respostas incompletas:somente se respondeu a parte inicial das variáveis categóricas e não se respondeu as assertivas: as respostas as assetivas foram parciais deixando-se em branco considerável
89
número delas; quando todas as respostas apresentaram forte viés, ou seja, todas as respostas foram avaliadas como 0 ou como 10.
A metodologia PLS-SEM, segundo Hair et al. (2014, p. 20, 21, 140), sugere utilizar a regra padrão de 10 vezes. Ou seja, o número mínimo de respondentes deve ser 10 vezes maior que o número de setas que chegam à variável latente no modelo estrutural ou se tratar-se de um modelo formativo, o número de indicadores. Nos modelos estruturais mostrados nas figuras 12 e 13, tanto o construto de gestão de conflitos, como o construto de eficácia do sistema de gestão ambiental, apresentam um total de oito setas, o número mínimo de respostas válidas seria de oitenta, segundo esta regra básica preconizada por Hair et al (2014).
A amostra obtida apresentou 120 respostas válidas, ou seja, valor superior ao mínimo preconizado por Hair et al. (2014).Ressalta-se que a amostra não é probabilística, visto que a probabilidade de um indivíduo pertencer à amostra não é conhecida, conforme Malhotra (2001).
Quanto ao tamanho da amostra, segundo Hair et al (2009), a quantidade de participantesda pesquisa é um fator crucial nos métodos estatísticos, pois desempenham importante papel na estimação e interpretação dos resultadosda MEE.
Prosseguem Hair et al(2009, p 565):
À medida que o SEM amadurece e pesquisa adicional sobre questões relevantes a respeito de delineamento de pesquisa é realizada, diretrizes prévias como “sempre maximize seu tamanho amostral” e “amostras de 300 são exigidas” não são mais apropriadas. Ainda é verdade que amostras maiores geralmente produzem soluções mais estáveis, que são mais prováveis de serem replicadas, mas foi demonstrado que decisões referentes o tamanho amostral devem ser tomadas com base em um conjunto de fatores.
O presente estudo utiliza a metodologia PLS-SEM e, segundo Hair et al(2014), o método de mínimos quadrados parciais contempla estudos cujas principais características são: a) a ausência de distribuições simétricas das variáveis mensuradas; b) ateoria ainda em fase inicial ou com pouca cristalização; c) com modelos formativos e d) modelos com quantidade menor de dados.
90
Prosseguem ainda Hairet al (2014, p. 20, 21, 140), que alternativamente, existe uma outra forma de se estimar o tamanho amostral, que é empregar as recomendações de Cohen (1998) para uma múltipla regressão OLS (Ordinary Least Squares)ou utilizando a analise através do
software G*Power3. Aplicando tais ferramentas, seriam necessários 84 respondentes
(observações válidas) para detectar valores de R2 (coeficiente de determinação) de 0,25, assumindo um nível de significância de 5% e um poder estatístico de 80%, conforme Hair et
al (2014, p. 21).
Para o entendimento destes parâmetros estatísticos, o presente estudo utilizou as definições:
R2 ou coeficiente de determinação -É o coeficiente de correlação ao quadrado, este valor indica o nível da variância explicada da variável latente endógena no modelo estrutural. Quanto maior for este parâmetro melhor o construto é explicado pelas variáveis latentes no modelo estrutural que apontam para ele, via relações de caminho do modelo estrutural. Valores altos também indicam que os valores dos construtos podem ser preditos pelos caminhos via PLS, Hair et al ( 2014, p. 93).
O poder estatístico - É a probabilidade de rejeitar corretamente a hipótese nula quando a mesma é falsa, ou seja, de encontrar corretamente um suposto relacionamento quando ele existe. Hair et al ( 2009, p. 22, 152 ).
O nível de significância - Representa a probabilidade que o pesquisador deseja aceitar, de que o coeficiente estimado seja classificado como diferente de zero quando realmente não é. Também chamado erro tipo 1.
Adicionalmente à regra padrão de 10 vezes, proposta por Hair et al (2014), o presente estudo utilizou o software G*Power3, para se quantificar o tamanho da amostra, também preconizado por Hair et al (2014).
O software G*Power3 é obtido de forma gratuita do site:http://www.psycho.uni- duesseldorf.de/abteilungen/aap/gpower3/download.
91
Devido à natureza parcial do processo de estimação do PLS, apenas uma porção do modelo é envolvido em todos os momentos de estimação, unicamente a parte que requer o maior conjunto de regressões múltiplas é a decisória do tamanho amostral. A técnica PLS é “partial” (parcial), significa que em dado momento é avaliado o modelo de mensuração(outer model) e em outro momento é avaliado o modelo estrutural(inner model)assim, para definir-se o tamanho mínimo do espaço amostral é necessário se identificar qual é a parte do modelo recebe mais setas, pois, apenas nestaoportunidade o algoritmo terá que rodar uma regressão múltipla.
A parametrização escolhida para as condições iniciais do cálculo foram:
a) Tamanho do Efeito (effect size): f2=0.15
O tamanho do efeito (effect size) permite analisar a relevância dos construtos em explicar um determinado construto endógeno selecionado. Mais especificamente, se analisa quanto um construto preditor contribue para o valor do R² do construto objetivo (variável dependente) no modelo estrutural (Hair et al 2014 p. 198). Ou de outra forma, o f2 ou tamanho do efeito é uma expectativa que temos com respeito ao comportamento do resultado de um teste.
Calculada como:
Variância explicada R² f² = --- ou --- Variância não explicada (1 – R²)
Usam-se valores maiores, se o interesse é em detectar como significantes, apenas efeitos que sejam grandes, por exemplo, em física, química, etc. (hard science), que não é o caso de “ciências do comportamento”. Um f2 elevado indica que, em duas amostras há um fenômeno que as distingue e isso implica em ter-se um cenário favorável para se verificar as diferenças (efeito). Um f2 pequeno indica que as diferenças de um fenômeno em duas amostras são sutis e assim, necessita-se de amostras maiores para se observar o efeito.Motivo esse que o tamanho da amostra aumenta com a diminuição do f2. Para se observar as diferenças sutis há a necessidade de se ter mais informações (mais respondentes) e, portanto maior o espaço amostral.
92
Em ciências do comportamento as evidências não são radicais como na física e na química. Assim, se pode "a priori" assumir um f2 mediano (0,15) e power (0,80), significando não se ter uma elevada expectativa em relação às magnitudes das relações. O conceito de power significa a probabilidade de rejeitar H0 quando deveria rejeitar mesmo.
b) α = 0.05.
c) Power (1-β ) = 0.95
Power (1-err prob), é o erro do tipo II (não aceitar a Ho, quando ela é falsa). Se o Power adotado é de 0,95%, supõe-se um de 5%. Cohen (1988) sugere que power (1-err prob) = 0,80 (ou 80%) ou = 0,20 (ou 20%) como adequado para as ciências sociais.Assim, ao se adotar que o erro do tipo II é de = 0,20 ou 20%, o power do estudo seria de 0,80 ou 80%. (power = 1 - ).
A interpretação do poder de 80% seria que há 80% de chances de detectar uma diferença entre dois tratamentos se houver uma diferença real nessa população.
Ou em outras palavras, um power (poder) de 80% significa que, se de fato houver alguma diferença, haverá uma probabilidade de 80% de detectá-la. Portanto, quando maior a amostra, maior será o seu power.
E, conforme Hair et al(2014)em ciências sociais aplicadas ou do comportamento é comum usar-se um tamanho do efeito (f2) “mediano” (0,15) e Power = 1 - = 0,80.A figura 16 apresenta a representação gráfica de
α
e .93
Figura 16:
α
e β em representação gráficaFonte: Elaborado pelo autor
Como um exemplo da figura 16, explicita-se a figura 17:
Figura 17: Exemplo de
α
e β em representação gráficaFonte: Elaborado pelo autor.
Didaticamente, pode-se explicitar mais um exemplo, conforme mostra a figura 18. Conflitos Organizacionais SGA não eficaz
Ho = A eficácia do sistema independe dos conflitos [Conflitos não causam alteração na eficácia do SGA]
94
Figura 18:Exemplo do erro tipo I (
α
) e tipo II (β)Fonte: Elaborado pelo autor.
d) Número de preditores
No modelo estrutural 1 ou inicial apresentado na figura 13, a variável endógena recebe cinco setas, portanto temos 5 preditores. Para o modelo estrutural 2 ou alternativo o numero de preditores é de 4 para o construto de gestão de conflitos e de 1 para o construto eficácia do sistema de gestão ambiental.
O software G*Power3 fornece três cálculos de interesse, a saber: a - A Priori: Estima que é a amostra mínima para calcular o f2.
b - A Posteriori: Estima que é o valor do power da amostra “já obtida”.
c - Sensibilidade: Estima que é o valor do tamanho do efeito (f2) segundo amostra “já obtida”.
No calculo, utuilizando-se a parametrização “A priori”, o cálculo do tamanho mínimo da amostra, para as condições recomendadas, temos o tamanho amostral de 92 respondentes para o modelo estrutural, com a variável endógena com 5 preditores. O tamanho amostral de 85 para o modelo estrutural com a variável endógena com 4 preditores. O tamanho amostral de 55 para o modelo estrutural com a variável endógena com 1 preditor, conforme explicitado no apêndice 9 que traz as análises realizadas com o software G*Power 3 sobre as características do espaço amostral.
Assim, se conclui que o total de 120 respondentes utilizados no presente trabalho atende a todos os requisitos preconizados na metodologia MEE.
ALTERNATIVAS DECISÃO Conflito causa alteração
(diminuição) na eficácia do SGA
Conflito nãocausa alteração (diminuição) na eficácia do SGA Diminuiros conflitos (Rejeita-se H0 Conflitos não causam alteração do SGA Decisão correta (1- α) Erro tipo I (α)
rejeitar H0quando ela é verdadeira Negligenciaros conflitos (Aceita-se H0 Conflitos não causam alteração do SGA) Erro tipo II (β )
não rejeitar (aceitar) H0 quando ela é falsa
Decisão correta (1 – β ) (Power)
95 3.7 DADOS FALTANTES (MISSING DATA)
Aspecto relevante para as 120 respostas que foram utilizadas para análise pelo
softwareSmartPLS 2.0, é que algumas delas apresentaram dados faltantes, ou missing data,
isto é, os questionários não se apresentaram completos. Entretanto, todos os indicadores, ou variáveis observáveis, se mostraram dentro da validade explicitada por Hair et al (2014, p 51), estes autores consideraram adequados um valor não maior que 5% para os dados faltantes, conforme a figura 19.
Figura 19: Dados faltantes (missing data) do espaço amostral