Os dados referentes aos resultados das avaliações foram armazenados em uma planilha no software Excel® 2010 e transferidos para análise no programa Statistical Package for the Social Sciences (SPSS) para Windows®, versão 21.0. Para as equações estruturais, empregou- se o programa AMOS Grafics, versão 21.0.
Para avaliar a normalidade dos dados, utilizou-se o teste de Kolmogorov-Smirnov,
uma vez que a amostra é ≥ 50.
Na análise de dados do primeiro artigo dos resultados, realizou-se associação linear entre variáveis, com o coeficiente de correlação de Pearson (r), em que, quando o resultado dos escores for mais perto de um (1), positivo ou negativo, a relação entre as variáveis será maior(102-103). Para verificar a validade da estrutura fatorial do construto representado pelo
instrumento de autoavaliação, foram utilizadas a Modelagem de Equação Estrutural (ME) e a Análise Fatorial Confirmatória (AFC).
A modelagem por equações estruturais, uma abordagem estatística que tem o objetivo de testar hipóteses a respeito de relações entre variáveis latentes e observadas, que consiste em quantificar de que forma as variáveis observadas são indicativos indiretos de variáveis latentes – não observadas - também conhecidas como construtos ou fatores. Esse método é particularmente útil quando uma variável dependente se torna independente em relações subsequentes de dependência(104-105).
Uma variável latente é um construto teórico e não observado que, por conseguinte, não pode ser medida diretamente, mas pode ser representada ou medida por duas ou mais variáveis observadas. Nesta pesquisa, aplicou-se a MEE para verificar se havia associação entre o saber e o fazer (variáveis latentes) e comprovar a hipótese de que o conhecimento mais geral sobre o tratamento de feridas se associava ao domínio do conhecimento de úlcera venosa, e, consecutivamente, ao domínio da assistência de enfermagem à pessoa com úlcera venosa (variável latente) em sua dimensão prática e teórica.
Na MEE, as variáveis observadas são representadas por retângulos ou quadrados, e as variáveis latentes, por círculos ou elipses. O caminho ou a relação de causa entre duas variáveis é representado por uma seta com uma ponta, uma relação bidirecional entre duas variáveis, por duas setas em sentidos opostos, e a correlação ou covariância entre duas variáveis, por uma seta com duas pontas.
Assim, o objetivo desta etapa tratou de avaliar, de forma mais robusta, a partir de uma AFC e a análise da MEE efetuados, a partir do AMOS Grafics, versão 21.0, a organização fatorial da escala de domínios da assistência do enfermeiro à pessoa com úlcera venosa.
O processo de MEE é organizado em dois passos: validação do modelo de medida, realizada por meio AFC, e ajuste do modelo estrutural, realizado por análise de caminhos com variáveis latentes(104). A AFC - técnica estatística multivariada utilizada na área das ciências do comportamento, especialmente na validação de construtos - tem por objetivo descrever os níveis de correlação de um conjunto de variáveis e permite que o pesquisador defina a estrutura fatorial idealizada a priori. Essas variáveis são observadas em pequeno número de novas variáveis, conhecidas como fatores(88).
As estimativas dos valores fatoriais foram geradas pelo programa AMOS Grafics, versão 21.0. A AFC foi aplicada para apresentar, de forma mais robusta, indicadores psicométricos que visam melhor avaliação da adaptação e a validade da escala desenvolvida, bem como, permitiu desenhar um modelo teórico pretendido no estudo. Para isso, foram consideradas as seguintes medidas de adequabilidade:
• O χ² (qui-quadrado) testa a probabilidade de o modelo teórico se ajustar aos dados;
quanto maior for esse valor, pior será o ajustamento. Este tem sido pouco empregado na
literatura, sendo mais comum considerar sua razão em relação aos graus de liberdade (χ²/g.l.).
Neste caso, valores até 5 indicam um ajustamento adequado;
• O Root Mean Square Residual– RMR - que indica o ajustamento do modelo teórico
aos dados, na medida em que a diferença entre os dois se aproxima de zero. Para o modelo ser considerado bem ajustado, o valor deve ser menor que 0,05;
• O Goodness-of-Fit Index (GFI) e o Adjusted Goodness-of-Fit Index (AGFI) são análogos ao R² em regressão múltipla. Portanto, indicam a proporção de variância/covariância nos dados explicada pelo modelo. Estes variam de 0 a 1, com valores na casa dos 0,80 e 0,90, ou superior, indicando um ajustamento satisfatório(105-106);
• A Root-Mean-Square Error of Approximation (RMSEA), com seu intervalo de
confiança de 90% (IC90%), é considerado um indicador de “maldade” de ajuste, isto é,
valores altos indicam um modelo não ajustado. Assume-se como ideal que o RMSEA se situe entre 0,05 e 0,08, aceitando-se valores de até 0,10(107-108);
• O Comparative Fit Index (CFI) – compara, de forma geral, o modelo estimado e o modelo nulo, considerando valores mais próximos de um (1) como indicadores de ajustamento satisfatório(105,109);
• Tucker-Lewis Index (TLI), apresenta uma medida de parcimônia entre os índices do modelo proposto e do modelo nulo. Varia de zero a um, com índice aceitável acima de 0,90.
Na análise dos dados do segundo artigo dos resultados, foram utilizadas técnicas de estatística descritiva para distribuições absolutas, percentis e medidas estatísticas de média e desvio-padrão; para a estatística inferencial, o teste de Wilcoxon, para dados não paramétricos para amostras pareadas, considerando um nível de significância de 5%.
Na análise dos dados do terceiro artigo dos resultados, também foram utilizadas técnicas de estatística descritiva para distribuições absolutas, percentis e medidas estatísticas de média e desvio padrão. Na estatística inferencial utilizou-se teste de Qui-Quadrado (χ²) não paramétrico, considerando um nível de significância de 5%.
O efeito da intervenção educativa foi considerado positivo quando houve diferença estatística entre o conhecimento antes e depois da intervenção educativa, tanto por meio da autoavaliação quanto de instrumento específico para medir esse conhecimento.
Para explorar os discursos dos participantes, na análise de dados do quarto artigo dos resultados, elegeu-se a análise de conteúdo proposta por Laurence Bardin(110), que se
constitui em um conjunto de técnicas, com procedimentos sistemáticos para descrever e analisar o conteúdo de mensagens. Esse método se divide em três fases: 1. pré-análise; 2. exploração do material; 3. tratamento dos resultados, inferências e interpretação.
Na pré-análise, que é a fase de organização dos dados propriamente dita, depois da transcrição dos discursos, fez-se uma leitura flutuante, para conhecer todo o texto e observar impressões e orientações. Em seguida, escolheram-se os discursos que constituiriam o corpus
do material, conforme indicadores de eficácia e pertinência.
Na fase de exploração do material, que consiste, essencialmente, de operações de codificação, os recortes dos discursos foram agregados conforme as semelhanças e as diferenças temáticas em unidades que possibilitaram identificar a descrição do conteúdo.
No tratamento dos resultados, foi possível realizar inferências e interpretar as mensagens dos discursos, confrontando-as com os pressupostos da Teoria da Aprendizagem Significativa.