ANÁLISE DOS DADOS

Para a análise das variáveis independentes, foi realizada a análise descritiva. Segundo Martins (2001), a análise descritiva refere-se à organização, sumarização e descrição de um conjunto de dados; dessa forma, a construção de gráficos e tabelas auxilia na compreensão do comportamento das variáveis expressas no conjunto de dados em análise. Como ferramenta auxiliar para a realização das análises estatísticas descritivas foi utilizado o software SPSS versão 15.0.

Segundo Malhotra (2004), as técnicas de análise de dados variam conforme a natureza da pesquisa (quantitativa ou qualitativa). A análise de dados nos modelos quantitativos pode ser classificada em dois grupos: técnicas univariadas e técnicas multivariadas. As técnicas univariadas são recomendadas quando existe uma medida única de cada elemento da amostra. Nesta técnica, no caso de existir várias medidas para cada elemento, cada uma das variáveis é analisada isoladamente. As técnicas multivariadas são indicadas para a análise simultânea das variáveis quando existem duas ou mais medidas para cada elemento da amostra (MALHOTRA, 2004). Cooper e Schindler (2003) destacam que as técnicas multivariadas são classificadas como técnicas de dependência e interdependência e que, se variáveis dependentes e interdependentes estiverem presentes nas hipóteses da pesquisa, deverão ser usadas técnicas de dependência como regressão múltipla, análise discriminante ou modelagem de equações estruturais. Porém, caso não exista determinação prévia de quais são as variáveis dependentes e independentes, deverão ser aplicadas técnicas de interdependência, como análise fatorial, análise de conglomerados ou escalonamento multidimensional (COOPER; SCHINDLER, 2003).

O presente estudo objetiva investigar a adoção de redes sociais virtuais pelas empresas, a partir das relações das variáveis características da inovação, composta pelas variáveis vantagem relativa, compatibilidade, possibilidade de observação e incerteza; com a variável características do adotante formada pelas variáveis tamanho, estrutura organizacional e propensão à inovação; e com a variável influências do ambiente externo identificada pelas variáveis pressão

competitiva e externalidade da rede. Diante desse quadro de variáveis dependentes e independentes, optou-se pela técnica de análise de modelagem de equações estruturais, com a verificação da normalidade e, em virtude da não normalidade dos dados coletados, a análise dos mínimos quadrados parciais (PLS).

4.5.1 Modelagem de equações estruturais

As relações entre construtos latentes propostas neste trabalho foram testadas com o uso de procedimentos estatísticos conhecidos como Modelagem de Equações Estruturais (MEE). Kline (2011) considera que a expressão ―modelagem de equações estruturais‖ não se refere a uma técnica, mas sim a um conjunto de procedimentos estatísticos, que algumas vezes é mencionado na literatura como análise da estrutura de covariância ou modelagem da estrutura de covariância.

A modelagem de equações estruturais é uma metodologia estatística usada por pesquisadores de diversas áreas do conhecimento pela capacidade de testar múltiplos relacionamentos hipotéticos simultaneamente (HENLEY; SHOOK; PETERSON, 2006). As hipóteses teóricas são testadas por meio da construção de construtos chamados de variáveis latentes, que são mensurados por indicadores observáveis. Dessa forma, mesmo sem poder observá-los diretamente, os construtos teóricos podem ser mensurados indiretamente, permitindo-se o teste de relacionamentos entre os construtos.

Segundo Kline (2011), as características básicas da MEE são: 1) necessidade de que o pesquisador pense previamente sobre a modelagem a ser testada; 2) possibilidade de concepção de modelos em termos de construtos não diretamente mensuráveis com a distinção entre variáveis latentes e observáveis; 3) consideração do erro de mensuração nas variáveis observáveis e particularmente nas variáveis preditoras; e 4) uso de modelos ajustados a matrizes de covariância ou correlação, sendo a covariância a estatística básica usada nos modelos.

Neste trabalho se buscou uma abordagem explanatória, com o teste das hipóteses levantadas, por meio da construção e teste de um modelo estrutural. Kline (2011) considera que a MEE pode ser usada para validação de construtos quando

se deseja avaliar a extensão na qual um instrumento mede um conjunto de variáveis latentes; para testar hipóteses ou teorias substantivas prévias, em modelagens chamadas de confirmatórias; ou no desenvolvimento de teorias, quando são rodados vários modelos sobre uma mesma base de dados, de maneira exploratória, em busca de possíveis relacionamentos não identificados a priori. Nesse sentido, o autor considera que muitos dos trabalhos que utilizam da MEE são uma mistura de análises exploratórias e confirmatórias.

Ao combinar as características da análise fatorial confirmatória, da regressão múltipla e da análise de caminho, a MEE adquire vantagens como a possibilidade de testar diversos relacionamentos entre construtos, tratando variáveis como dependentes e independentes ao mesmo tempo (HENLEY; SHOOK; PETERSON, 2006), em abordagens nas quais o pesquisador utiliza a MEE em substituição a diversas ferramentas estatísticas (SHOOK et al., 2004).

Neste trabalho, a MEE foi utilizada para testar o conjunto de hipóteses de relacionamento entre os diversos construtos do estudo. Trata-se de aplicação confirmatória da MEE na qual se buscou por associação entre as variáveis latentes por meio da análise da estrutura de covariância dessas variáveis, sobre modelo de relacionamentos previamente construído. Essa abordagem foi especialmente útil para a concretização dos objetivos de identificação de relacionamentos e associações entre os construtos. Segundo Kline (2011), a máxima verossimilhança é o método padrão em MEE, devendo o uso de outros métodos ser justificados; o que explica o uso do método neste estudo.

4.5.1.1 Análise da normalidade

Uma das suposições fundamentais em análises multivariadas é a normalidade, a qual se refere à forma de distribuição de dados para uma variável métrica individual e a sua correspondência com a distribuição normal, o padrão de referência para métodos estatísticos (HAIR et al., 2009). De forma simples, os autores explicam que a normalidade multivariada (combinação de duas ou mais variáveis) significa que as variáveis individuais são normais em um sentido

univariado e que suas combinações também são normais, e que, se uma variável é normal multivariada, também será normal quando univariada. Porém, a normalidade multivariada é mais difícil de ser testada e a situação de normalidade univariada de cada uma das variáveis ajuda a obter mas não é garantia concreta da obtenção da normalidade multivariada (HAIR et al., 2009).

Segundo Drezner, Turel e Zerom (2009), o Kolmogorov-Smirnov (K-S) é um dos testes de relação de normalidade usado para verificar se a distribuição como um todo se desvia de uma distribuição normal do modelo, comparando os escores de uma amostra a uma distribuição normal-modelo de mesma média e variância dos valores encontrados na amostra. Se o teste não for significativo (p> 0,05), então os dados da amostra não diferem significativamente de uma distribuição normal, podendo a distribuição ser considerada normal; porém, caso o teste seja significativo (p <0,05), a distribuição em questão será diferente da distribuição normal, podendo então ser considerada uma distribuição não normal.

4.5.1.2 Análise dos mínimos quadrados parciais

Uma vez realizado o teste de normalidade de Kolmogorov-Smirnov, pode-se optar pela realização da análise utilizando-se o método das correlações estruturais lineares, ou Linear Structural Relations (Lisrel), quando esta normalidade for comprovada ou pela análise dos mínimos de quadrados parciais, ou Partial Least Squares (PLS), quando esta não ocorrer.

Segundo Cooper e Schindler (2003), quando verificada a existência da normalidade, o Lisrel é extremamente útil para explicar a causalidade entre construtos que não podem ser medidos diretamente. O método possui duas partes, o modelo de mensuração que é usado para relatar as variáveis observadas (registros ou medidas para as variáveis latentes) e o modelo de equação estrutural, que analisa as relações causais entre os construtos.

O PLS divide os parâmetros do modelo em dois subgrupos, estimando-os pelo uso de múltiplas regressões simples que envolvem parâmetros de outros subgrupos (CHIN; MARCOLIN; NEWSTED, 1996), razão pela qual é bastante

aderente à utilização em modelos de equações estruturais complexos, com formações formativas e reflexivas entre as variáveis latentes. Os autores acrescentam ainda que um método interativo prove sucessivas aproximações para as estimativas, de subgrupo por subgrupo, das cargas dos parâmetros estruturais.

Para Chin, Marcolin e Newsted (1996), ainda que a estimativa realizada pela técnica PLS, refletindo as variáveis latentes pelos indicadores, resulta em uma análise mais acurada dos construtos e seus relacionamentos. Os autores inferem que o método é bastante utilizado devida à habilidade de modelar variáveis latentes sob condições de não normalidade com pequenas e médias amostras.