O tratamento dos dados foi feito mediante auxílio dos programas Microsoft Excel®, versão 2013, e softwares Statistical Package for the Social Sciences (SPSS) 20.0® e Statistical Analysis System (SAS), versão 9.4, licenciados para uso.
A estatística exploratória descritiva foi utilizada para verificar a distribuição e variabilidade dos dados, em termos de assimetria, curtose, frequência e medidas de tendência central.
A caracterização da amostra foi inicialmente feita por meio de gráficos de pizza e barras. As questões contendo maior quantidade de variáveis foram submetidas à análise multivariada de dados, como análise de correspondência, análise fatorial, análise de agrupamentos (clusters) e análise de componentes principais focada (ACPF).
36 4.2.2.1.Análise de Correspondência (AC)
Com o intuito de avaliar a importância dos atributos de influência na compra de barras alimentícias, bem como a relação entre variáveis qualitativas, sobretudo obtidas em questões abertas, realizou-se a análise de correspondência. O estudo com alimentos envolvendo esta análise recebeu maior visibilidade por meio de McEwan & Schlich (1991) que descreveram, de maneira detalhada, as associações entre avaliadores sensoriais e atributos de alimentos. Desde então, a análise de correspondência tem sido utilizada de maneira satisfatória na avaliação de expectativas do consumidor por meio de questionários de mercado e avaliações sensoriais (MARSHALL & BELL, 2003; VAN HERK & VAN DE VELDEN, 2007; TORRES & VAN DE VELDEN, 2007; BÉCUE-BERTAUT et al., 2008; GUERRERO et al., 2010; ARES et al., 2011; BEH, LOMBARDO & SIMONETTI, 2011; GOWER et al., 2014).
A correspondência entre barras alimentícias (cereal, frutas, sementes, nuts, proteica, energética e biscoito) e respostas descritivas (motivos para o consumo de cada tipo de barra alimentícia) foi realizada, a fim de obter as melhores expressões e/ou associações estabelecidas pelo consumidor. Para isso, foi questionado aos consumidores quais os tipos de barras alimentícias eles mais consumiam e quais os motivos que os levavam a ter preferência pelo consumo destes tipos. O consumidor teve a liberdade de marcar quantas opções desejasse. As expressões ou palavras associadas a cada tipo de barra alimentícia foram transcritas para formação de grupos de respostas semelhantes. Foram realizadas análises minuciosas das respostas, de modo a contemplar o maior número de expressões ou palavras, evitando-se, ao máximo, a eliminação de alguma
resposta que não se adequasse às categorias formadas. Motivos como “consumo por praticidade” ou “porque gosto” não foram contabilizados na análise por acreditar que
não representam motivos específicos para o consumo do tipo de barra alimentícia citada, mas sim um motivo geral, comum para qualquer tipo de barra alimentícia. No entanto, estes motivos foram contemplados em outras questões do questionário, em contextos diferentes da presente análise.
Após a contagem de respostas mais frequentes, montou-se a tabela de contingência, onde a linha foi representada pelos tipos de respostas e a coluna referente aos tipos de barras alimentícias. Dessa forma, obteve-se as expressões ou palavras comumente associadas aos tipos de barras alimentícias.
Em se tratando da questão que envolveu os três atributos mais importantes na compra de barras alimentícias, fez-se a contagem de respostas atribuídas a cada atributo,
37 independente da posição de importância recebida. Em seguida, obteve-se a tabela de contingência com as frequências obtidas, considerando os atributos como linha e a coluna segmentada por idade e sexo.
Uma vez obtidas as tabelas de contingência, procedeu-se à análise de correspondência. Examinou-se o percentual cumulativo de variância explicada, a fim de se determinar a dimensionalidade adequada. Além disso, observou-se o valor da estatística do qui-quadrado para determinar a significância da análise. A avaliação de ajuste para as categorias foi feita de modo a reter as variáveis com explicação acima de 50% (HAIR et al., 2009).
4.2.2.2.Análise Fatorial
As variáveis relativas às motivações dos consumidores foram submetidas à análise fatorial, utilizando o método de componentes principais. Inicialmente, foi aplicado o teste de esfericidade de Bartlett, a fim de verificar a correlação entre as variáveis. Em seguida, verificou-se a adequação da amostra de Kaiser-Meyer-Olkin (KMO), que compara as magnitudes dos coeficientes de correlação parcial.
O método de componentes principais permitiu definir o melhor número de fatores necessários à explicação do conjunto de variáveis. A definição dos fatores envolveu a retenção dos fatores com autovalores superiores a 1,0, avaliação do gráfico de declive (scree plot), onde a maior inclinação no gráfico correspondeu ao melhor número de fatores requeridos na análise e avaliação da porcentagem acumulada de variância extraída pelos fatores (acima de 60%). O método de rotação VARIMAX foi utilizado para melhorar a afinidade das variáveis com os fatores obtidos (HAIR et al., 2009).
A observação das cargas fatoriais rotacionadas das variáveis maiores que 0,35, obtidas da matriz fatorial, permitiu a formação dos fatores. Uma vez obtidos os fatores, foi realizado o procedimento de nomeação dos mesmos, baseando-se no conjunto de variáveis que compunham cada fator.
4.2.2.3.Análise de Agrupamento
O agrupamento dos consumidores foi necessário para formar grupos homogêneos de consumidores em relação aos fatores obtidos. Os passos seguidos para formação dos clusters consistiram em selecionar uma medida de distância, escolha do
38 procedimento de aglomeração (similaridade ou dissimilaridade), escolha do número de grupos, interpretação e descrição dos grupos formados.
O método hierárquico aglomerativo de Ward foi escolhido como medida de distância, uma vez que objetivou-se formar grupos, aproximadamente, iguais em número de indivíduos e o tamanho da amostra é moderado, não excedendo a 1000 observações (HAIR et al., 2009). O instrumento de medida escolhido foi de dissimilaridade, baseado na distância euclidiana entre cada par de observações, de modo que distâncias maiores indicam maior dissimilaridade (MALHOTRA, 2012).
Após a avaliação dos dados e análise do dendograma, obteve-se o melhor
número de grupos, confirmando a escolha com base no procedimento “NbClust” no
programa estatístico R (R Development Core Team, versão 3.0.1), que fornece uma série de autores advindos da literatura, que indicam o melhor número de clusters para os dados em questão.
A análise descritiva dos grupos formados foi a complementariedade da sintetização dos grupos obtidos. O cruzamento de respostas entre variáveis do questionário foi realizado, possibilitando o detalhamento de informações.