Análise Estatística

O tratamento dos dados é efetuado através do programa informático SPPS (Statistical Package

for the Social Sciences) e AMOS versão 19.0 para Windows. No que diz respeito aos dados

constantes no questionário sociodemográfico procedeu-se a uma análise descritiva, com o objetivo de os descrever através de indicadores estatísticos. Deste modo, as variáveis quantitativas foram expressas em média e desvio padrão. As variáveis categóricas ou dicotómicas foram apresentadas em frequências absolutas e relativas em percentagem. O tratamento estatístico realizou-se através da análise inferencial, recorrendo ao teste estatístico t de Student49 _{e no teste F de One Way ANOVA}50_{. A medida estatística de} correlação r de Pearson foi também utilizada. Por convenção sugere-se que r menor que .2 sugere uma associação muito baixa, entre .2 e .39 baixa, entre .4 e .69 moderada, entre .7 e .89 alta e, por fim, entre .9 e 1 uma associação muito alta (Pestana & Gageiro, 2008).

Recorreu-se ainda ao modelo de equações estruturais, especificamente à análise fatorial confirmatória para validar o modelo tetra-fatorial da WAIS-III na amostra de participantes (Kline, 2004; Wechsler, 2008). A Análise de Modelos de Equações Estruturais ou Análise de Equações Estruturais (AEE) consiste numa técnica estatística robusta usada para testar a validade das relações entre vários constructos ou variáveis dependentes e independentes. Ao contrário da estatística clássica que procura construir modelos a partir dos dados obtidos, a AEE baseia-se num quadro teórico estabelecido a priori. Constitui uma técnica muito mais confirmatória dado que o investigador formula previamente um quadro teórico e, posteriormente, recolhe dados que possam confirmar ou não o mesmo, daí também designar- se de análise confirmatória (Hox & Bechger, 1998). Uma vez que esta técnica procura replicar um conjunto de dados observados na teoria, forçosamente o investigador é obrigado a impor parâmetros na matriz de relações entre as variáveis. A AEE revela-se muito útil quando se pretende testar modelos complexos, com múltiplas variáveis simultâneas, sendo apresentada por vários autores como uma mistura de análise fatorial com a regressão múltipla (Bollen & Long,1993). Neste tipo de estatística faz-se referência a variáveis latentes, fatores ou constructos e a variáveis manifestas ou observadas. As primeiras não são diretamente observáveis, apenas os seus efeitos ou manifestações; em termos concretos, estas variáveis podem ser “sentidas” por intermédio de outros indicadores ou variáveis. Já as variáveis manifestas dizem respeito a variáveis suscetíveis de serem manipuladas, medidas ou observadas diretamente.

49 _{Utiliza-se com o objetivo de comparar as médias de uma variável quantitativa em dois grupos distintos}

e quando se desconhecem as respetivas variâncias populacionais (Blackwell, 1975; Silvia, 1994).

50 _{Refere-se à comparação de mais do que dois grupos no que diz respeito à média (Levin, 1987; Toledo,}

134

A AEE é um processo complexo (Marôco, 2010) que inicia com a elaboração ou seleção do modelo teórico base seguido da especificação e identificação do modelo, estimação dos coeficientes, avaliação da qualidade do ajustamento e, por fim, validação do modelo. A partir de um modelo teórico, seja sob a forma de pressupostos teóricos consistentes ou em evidências empíricas anteriores, estabelecem-se as relações causais entre um conjunto de variáveis, que se expressa sob a forma de um diagrama. Após esta importante etapa o investigador inicia a construção de dois submodelos, o modelo de medida, que é um modelo que estabelece as relações entre as variáveis latentes e seus indicadores observados (variáveis observadas ou manifestas), e o modelo estrutural que põe em evidência a relação entre as variáveis latentes. A análise conjunta destes dois modelos permite medir os erros das variáveis observadas como partes integradas do modelo e, numa única operação, combinar a análise fatorial com a hipótese testada (Geffen, Straub, & Boudreau, 2000).

Uma característica comum na AEE como forma de especificação do modelo, é a representação gráfica dos modelos estruturais que goza de uma simbologia convencionada de nomenclatura, permitindo assim visualizar graficamente as relações entre as variáveis num diagrama. As variáveis latentes são representadas por círculos ou elipses enquanto as variáveis observadas ou medidas são representadas por retângulos ou quadrados. A relação de causa entre duas variáveis é representada por uma seta com uma ponta, uma relação bidirecional entre duas variáveis é representada por duas setas em sentidos opostos e a correlação ou covariância entre duas variáveis é representada por uma seta com duas pontas. Os erros residuais nunca sendo observados, são expressos através de círculos ou ovais.

Uma das últimas fases da AEE consiste na estimação e tem como objetivo obter valores numéricos para os parâmetros desconhecidos, devendo o investigador escolher entre as técnicas existentes a que mais se adequa aos seus dados. As técnicas mais comuns são os Mínimos quadrado ordinários (OLS), a Máxima Verossimilhança (MLE), os Mínimos Quadrados Generalizados (MQG) e a Estimação Assintoticamente Livre de Distribuição (ADF). Posteriormente avalia-se o ajuste geral do modelo procurando para isso uma ou mais medidas de qualidade do ajuste. São estas medidas que permitirão avaliar se o seu modelo teórico pode ser confirmado perante os dados observados. Para Marôco (2010), a qualidade do modelo é avaliada por meio de a) testes de ajustamento, b) índices empíricos que se baseiam nas funções de verosimilhança ou na matriz dos resíduos obtidos durante o ajustamento do modelo e c) análise dos resíduos e da significância dos parâmetros.A Tabela 25 reúne as estatísticas e índices mais utilizados em aplicações de AEE.

135 Tabela 25

Estatísticas, Índices de Qualidade de Ajustamento e Valores de Referência Utilizados em Aplicações de Análises de Equações Estruturais

Estatística Valores de Referência χ2 e p-value Quanto menor, melhor; p>0.05 χ2 / gl > 5 – ajustamento mau

]2;5] – ajustamento sofrível ]1;2] – ajustamento bom ~ 1 – ajustamento muito bom CFI GFI TLI <.8 – ajustamento mau [.8;.9[ - ajustamento sofrível [.9;.95[ - ajustamento bom ≥.95 – ajustamento muito bom PGFI

PCFI

<.6 – ajustamento mau [.6;.8[ - ajustamento bom ≥.8 – ajustamento muito bom RMSEA (I.C. 90%) e p-value >.10 – ajustamento inaceitável ].05; .10] – ajustamento bom ≤.05 – ajustamento muito bom p-value ≥.05

AIC BCC ECVI MECVI

Só para comparar modelos, particularmente modelos não- aninhados. Em termos de valores de referência, quanto menor melhor ajustamento.

Nota. Adaptado de “Análise de Equações Estruturais: Fundamentos Teóricos, Software & Aplicações”, J. Marôco, 2010, Report Number, Análise e Gestão de Informação, Lda., p.51.

137