De posse dos dados coletados seguiu-se para os procedimentos de tratamento e análise dos mesmos. Os bancos de dados gerados pelo Google Docs® foram primeiramente exportados, unificados e tratados no software Excel® versão 2016, onde realizou-se a análise das informações sócio demográficas utilizadas para caracterizar a amostra e gerar as dummies equivalentes às variáveis de controle anteriormente mencionadas. Neste estágio foi utilizada estatística descritiva para as análises univariadas de média e desvio padrão.
Para examinar as inter relações propostas no modelo conceitual a técnica de análise selecionada foi a Modelagem de Equações Estruturais (MEE) (Structural Equation Modeling)
que permite aos pesquisadores examinar simultaneamente uma série de relações de dependência inter-relacionadas entre um conjunto de construtos, representados por diversas variáveis, enquanto contabiliza o erro de medição (Esposito-Vinzi et al., 2010; Hair Jr et al., 2016; Sarstedt, Ringle, Smith, Reams, & Hair, 2014).
A MEE consiste em um método de análise multivariada de segunda geração, por considerar os erros de mensuração; incorporar variáveis teóricas e variáveis empíricas na análise, primeira e segunda ordem; confrontar a teoria com os dados (teste de hipóteses); e combinar teoria e dados (construção da teoria) (Chin, 1998).
Dentro da MEE optou-se pela estimação por Mínimos Quadrados Parciais (Partial Least Squares – PLS) e os dados foram tratados e analisados por meio do software SmartPLS® 3.). A estimação por (PLS-SEM) é considerada uma alternativa à estimação baseada em covariância (CB-SEM) para estimar modelos de relação de causa-efeito estabelecidos teoricamente, cujo uso recentemente tem alcançado impulso e notoriedade (Hair Jr et al., 2016; Sarstedt et al., 2014).
A opção pela utilização do método PLS-SEM deu-se em função dos seguintes
argumentos, compilados a partir de (Esposito-Vinzi et al., 2010; Hair Jr et al., 2016; Ringle et al., 2014; Sarstedt et al., 2014):
• o PLS-SEM é eficiente na estimação de modelos de caminhos que incluem muitos construtos, várias relações de caminho e/ou muitos indicadores por construto (tipicamente mais de seis);
• o PLS-SEM permite que os pesquisadores especifiquem de forma mais flexível as relações entre itens e construções, se a medição é reflexiva ou formativa;
• o PLS-SEM praticamente não faz suposições sobre os dados subjacentes (por exemplo, em termos de distribuição de dados), tornando-o particularmente útil para lidar com dados coletados para estudos em ciências sociais, que freqüentemente falham em seguir uma distribuição normal;
• o PLS-SEM permite um manuseio flexível de elementos de modelo mais avançados, como variáveis moderadoras, relações não-lineares ou modelos de componentes hierárquicos;
• o PLS-SEM permite a utilização de amostras menores, se comparado ao CB-SEM, o que o torna particularmente útil para escopos de pesquisa onde as populações pesquisadas são muitas vezes limitadas em tamanho, colocando restrições naturais ao contingente amostral (como é o caso desta tese);
• nessas situações, o PLS-SEM geralmente alcança níveis mais altos de poder estatístico e alcança a convergência com muito mais frequência do que o CB-SEM. Ainda que não sejam dispensados critérios analíticos como qualquer técnica estatística para determinar um tamanho de amostra adequado.
A avaliação dos resultados do do PLS-SEM envolve basicamente dois estágios, a avaliação do modelo de mensuração e a avalição do modelo estrutural, conforme indicado na Figura 24.
Figura 24. Estágios de avaliação PLS-SEM
Fonte: Elaborado pela autora com base em (Hair Jr et al., 2016)
Em suma, o Estágio I examina a teoria da medição/mensuração, enquanto o Estágio II cobre a teoria estrutural, que inclui determinar se as relações estruturais são significativas e relevantes e testar hipóteses propostas. Os resultados da MEE são apresentados a partir do tópico 5.3, no próximo capítulo.
Cumpre ressaltar que o processo de coleta de dados, incluindo o instrumento utilizado e a forma de abordagem poderia induzir ao common method bias ou viés do método comum (Podsakoff, MacKenzie, Lee, & Podsakoff, 2003). Este problema ocorre quando os dados das variáveis exógenas e endógenas são obtidos a partir da mesma fonte (mesmo respondente, mesmo formato de respostas, mesma forma de coleta, mesmo momento), ocasionando um viés (subestimação ou superestimação) dos coeficientes estruturais (relações entre as variáveis latentes) (Bido, Mantovani, & Cohen, 2018).
Para contornar essa questão, um dos métodos mais antigos a ser utilizado é o Teste de Harman (one fator test), no qual desconsidera-se o modelo estrutural (relações entre as variáveis latentes) e o modelo de mensuração (relações entre os indicadores e suas variáveis latentes), estimando-se a AFE com todos os itens na mesma análise, geralmente empregando-se o método de componentes principais não rotacionado (Bido et al., 2018). Considera-se que existe viés quando a solução resulta em um único fator extraído ou quando um único fator extrai a maior parte da variância do conjunto de variáveis (Bocquet et al., 2016; Podsakoff et al., 2003).
Aplicando-se os critérios do teste, com uma AFE incluindo todos os indicadores, verificou-se que o primeiro fator não apresentou sozinho um alto valor de variância extraída (aproximadamente 47%) conforme Apêndice F.
Estágio I
Avaliação do Modelo de Mensuração
i) Confiabilidade / Consistência interna
ii) Validade convergente iii( Validade Discriminante
Estágio II
Avaliação do Modelo Estrutural
i) Multicolinearidade ii) Coeficiente R2
iii) Relevancia preditiva e tamanho do efeito
Além deste procedimento, a realização do pré-teste do questionário, mencionada no subtópico 4.2, também é considerada uma estratégia para reduzir tal preocupação Bocquet. Nesse sentido, os resultados de ambos os testes indicam inexistência (ou existência mínima) de viés do método comum, dado que não foi detectado nas análises consideradas.
5 RESULTADOS DA PESQUISA
A partir dos dados coletados foram realizadas três análises estatísticas. Primeiro, para a análise das questões sócio demográficas que caracterizam a amostra estudada, utilizou-se a estatística de frequência relativa. Para as análises univariadas dos indicadores foram utilizadas as estatísticas descritivas de medidas de posição e variabilidade. E por fim, para análise das relações propostas e hipotetizadas no modelo conceitual, utilizou-se a análise de equações estruturais, mais especificamente, a Modelagem de Equações Estruturais com Mínimos Quadrados Parciais (MEE-MQP).