Análise Descritiva

Segundo Cooper e Schindler (2003, p. 359), o objetivo da análise descritiva é desenvolver conhecimento suficiente para descrever um conjunto de dados. Isto é feito por meio do

entendimento dos dados coletados, do resumo das informações neles contidas e da disponibilização de tais informações em um formato mais interessante e inteligível. Com a estatística descritiva pode-se descobrir valores mal codificados, dados faltantes e outros problemas no conjunto de dados.

Inicialmente é feita uma análise com as distribuições de freqüências de todas as questões referentes à qualificação dos respondentes e dos projetos de desenvolvimento de software (ver Q1 a Q12 do questionário no Anexo A). Em seguida, procede-se ao estudo de associação por Tabelas de Contingência, etapa descritiva da comparação entre as questões em estudo, com o intuito de identificar as associações marginais de cada questão com as questões de interesse. A quantificação de diferenças na distribuição de freqüências das questões é feita através do nível descritivo (valor “P”), calculado no teste Qui-Quadrado (CONOVER, 1999). Adotando um nível de significância de 5%, considera-se como diferença significativa o resultado P < 0,05. Vale salientar que as conclusões extraídas com base nos níveis descritivos são consideradas, neste trabalho, sob um contexto da análise descritiva e não inferencial dos dados, por uma postura mais conservadora.

Objetivando responder a pergunta-problema, são considerados todos os pareamentos de questões contra Q7 e Q8 do instrumento de pesquisa (ver Anexo A), relativas respectivamente ao desempenho do projeto e ao enfoque de gerenciamento de projetos utilizado.

3.5.2 Análise Discriminante

A análise discriminante faz parte de um conjunto de técnicas estatísticas englobadas pela análise multivariada de dados. Métodos pertencentes a esta classe buscam descrever e resumir a estrutura de diversas variáveis conjuntamente. A análise discriminante, em particular, busca uma regra ótima para separar objetos ou indivíduos em um número pré-estabelecido de grupos, a partir de medições de diversas variáveis (JOHNSON; WICHERN, 1982; MARDIA et al, 1979).

No caso desta pesquisa, a análise é repetida duas vezes, uma considerando o desempenho do projeto e outra, considerando o enfoque de gerenciamento de projetos adotado. No primeiro

caso, a alocação entre os grupos é dada pelas respostas à Q7 do instrumento de pesquisa. No segundo caso, a alocação entre os grupos é dada pelas respostas à Q8. Nas duas modelagens, as variáveis explicativas, correspondentes à Q13 até Q34 (relativas às técnicas e características comuns aos Métodos Ágeis), são usadas para discriminar os indivíduos que qualificam a característica estudada de forma diferente.

A formulação usual desta técnica requer que as variáveis explicativas (preditoras) sejam contínuas (MARDIA et al, 1979). Entretanto, nesta pesquisa, as respostas à Q13 até Q34, são a rigor, variáveis qualitativas ordinais, o que poderia gerar um questionamento sobre sua adequação. Mas, de acordo com Conover (1999), o tipo de escala ordinal empregado na presente pesquisa (que prevê as respostas 1, 2, 3, 4 e 5) pode ser considerado robusto o suficiente para ser tratado como uma variável contínua.

Dadas as potenciais 22 variáveis preditoras (Q13 a Q34) que podem fazer parte do modelo de discriminação, é necessário estabelecer um procedimento para selecionar as que têm o maior poder de discriminação entre os dois grupos de interesse. Os procedimentos de seleção são amplamente discutidos na literatura estatística, sendo que cada um tem suas vantagens e desvantagens (MILLER, 1984). Draper e Smith (1981) apontam que, em particular, é comum o uso de procedimentos de seleção stepwise por sua simplicidade computacional. Entretanto, apesar de ter propriedades estatísticas bem estudadas, este procedimento é sujeito a críticas no contexto da análise discriminante, como as mencionadas por Miller (1984) e Copas e Long (1991).

Uma vez que o número potencial de variáveis preditoras na presente pesquisa não é muito grande, restringindo a seleção a no máximo quatro questões com o melhor poder de discriminação entre os dois grupos, decidiu-se adotar uma estratégia de seleção de busca exaustiva, computacionalmente intensiva, análoga à descrita em Kudo e Tarumi (1975). Este procedimento prevê o ajuste dos possíveis modelos de análise discriminante com uma até quatro variáveis explicativas, considerando como potenciais variáveis explicativas todas as questões relativas às técnicas e características dos Métodos Ágeis (Q13 a Q34). Uma vez encontrada a equação discriminante, ela pode ser usada para predizer a classificação de uma nova observação (COOPER; SCHINDLER, 2003, p. 458). Além disso, é possível determinar, pela análise dos pesos relativos a cada variável discriminatória, quais têm maior ou menor importância.

3.5.3 Regressão Logística

Apesar do procedimento de busca exaustiva ser bem robusto, ele tem a desvantagem de que suas propriedades estatísticas dependem dos dados amostrais efetivamente observados, não sendo possível utilizar um critério de significância estatística para a escolha dos modelos. O que se faz é selecionar as variáveis que mais aparecem nos melhores modelos classificados de acordo com a proporção de acerto.

Como forma de validação desta estratégia de seleção de modelos, propõe-se uma abordagem alternativa, através do uso de um modelo de regressão logística (AGRESTI, 2002). Nesta abordagem, modela-se a taxa de riscos de um evento binário através de uma função de probabilidade definida, ligada a um conjunto de variáveis preditoras por um termo linear (AGRESTI, Ibid.). Para tanto, deve-se ajustar um modelo saturado, formado por um subconjunto das 22 questões preditoras (Q13 a Q34), dada a limitação do grau de liberdade para ajustar o modelo com todas as variáveis preditoras simultaneamente. Para esta pré- seleção são utilizados, como critério de entrada, os níveis de significância obtidos nos perfis marginais na análise descritiva.

Em seguida, é conduzido um procedimento de seleção stepwise pelo Critério de Informação de Akaike (AKAIKE, 1974). Após este procedimento, chega-se a um modelo final com determinadas variáveis, cujo resultado deve ser comparado ao obtido na análise por busca exaustiva, por meio de modelos de análise discriminante. Desta forma, esta modelagem alternativa complementa a estratégia anterior, validando ou não os resultados obtidos.

3.6 Limitações do Método

Apesar da adequação das especificações metodológicas ao tipo de pesquisa em questão e da estruturação do estudo em dois estágios (exploratório e quantitativo-descritivo), há que se expor as limitações existentes. A primeira delas diz respeito ao tipo de amostragem selecionado. Como as generalizações sobre os resultados de um estudo só podem ser feitas

levando-se em consideração a representatividade da amostra, ao se optar por uma amostragem intencional não-probabilística (pelos motivos já justificados), através da qual a probabilidade de selecionar elementos dentro de uma população é desconhecida, havendo maior chance de viés nos resultados do estudo, deve-se deixar claro que as conclusões aqui apresentadas ficam restritas ao âmbito da população amostrada neste trabalho, não podendo ser automaticamente inferidas para situações distintas das aqui abordadas.

Outras limitações estão relacionadas à utilização do questionário auto-administrado. Cooper e Schindler (2003, p. 260) afirmam que a principal limitação neste caso é o erro de não- resposta. Muitos estudos mostram que respondentes com nível educacional mais alto e aqueles interessados no assunto respondem mais a este tipo de pesquisa. Um alto percentual daqueles que respondem normalmente já participou de pesquisas anteriores, enquanto uma grande parcela daqueles que não respondem é composta por “não-respondentes habituais” (COOPER, SCHINDLER, Ibid.). Outra limitação diz respeito ao tipo e à quantidade de informações que podem ser obtidas. Geralmente os respondentes se recusam a cooperar quando os questionários são longos e/ou complexos, a não ser que constatem benefícios pessoais. Desta forma não se consegue obter grandes volumes de informação e não se pode aprofundar nas questões (COOPER; SCHINDLER, Ibid.). Para minimizar esses efeitos indesejados, aumentando o índice de retorno, houve uma grande preocupação com a elaboração do instrumento de pesquisa e com a forma de envio, sendo realizado um acompanhamento durante o período de resposta. Estas orientações estão em conformidade com a proposição dos referidos autores.

Com relação aos métodos estatísticos empregados, faz-se a ressalva da utilização de variáveis explicativas (preditoras) com respostas em escala ordinal, quando da análise discriminante, conforme defendido por Conover (1999). Entretanto, apesar desta prática ser comum a várias áreas de pesquisa, pode haver uma perda de poder no ajuste dos modelos de predição.

Para atenuar os problemas da confiabilidade e da validação dos resultados deste estudo, esta pesquisa incorpora os quatro critérios propostos por Bradley (1993, p. 436):

1. Conferir credibilidade ao material investigado;

2. Zelar pela fidelidade no processo de transcrição que antecede a análise; 3. Considerar os elementos que compõem o contexto;

4. Assegurar a possibilidade de confirmar posteriormente os dados pesquisados.

3.7 Considerações Finais

Neste capítulo foram apresentados a tipologia da pesquisa, a definição das variáveis envolvidas, o tipo de amostragem empregado e as técnicas utilizadas para a coleta e o tratamento dos dados. Foram também expostas as limitações do método intrínsecas a este trabalho. As principais informações que caracterizam metodologia da presente pesquisa são resumidas na Tabela 25 abaixo.

Tabela 25 - Resumo da metodologia de pesquisa empregada

Característica Classificação

Tipologia da pesquisa 1a etapa: estudo exploratório

2a etapa: estudo quantitativo-descritivo Amostra de pesquisa Amostragem intencional por julgamento

(não-probabilística) Técnicas de coleta de

dados

Pesquisa bibliográfica, entrevistas não- estruturadas e aplicação de questionários Métodos para tratamento

dos dados

Métodos estatísticos: análise descritiva, análise discriminante e regressão logística.

Por fim, entende-se que, apesar das limitações apontadas, a metodologia de pesquisa definida atende às necessidades desta pesquisa, propiciando o alcance dos objetivos primários e secundários do estudo. Nos próximos capítulos são apresentadas a análise dos resultados e as conclusões da pesquisa e, em seguida, são tecidas as considerações finais deste trabalho.

4 RESULTADOS E ANÁLISE

Neste capítulo é apresentada a análise dos dados desta pesquisa. Conforme mencionado anteriormente, o tratamento dos dados é feito através de métodos estatísticos, sendo conduzida primeiramente a análise descritiva e em seguida, a análise discriminante e de regressão logística.

É importante ressaltar que todo tratamento estatístico de dados desta pesquisa, incluindo os procedimentos e os ajustes de modelos necessários à estatística descritiva, à análise discriminante e à regressão logística, foi realizado com o uso da linguagem estatística de código aberto “R” (R PROJECT FOR STATISTICAL COMPUTING, 2005).