Análise Estatística dos Dados

O tratamento dos dados foi realizado de forma estatística, por meio de análise multivariada para verificar a existência de causalidade entre as variáveis estudadas.

A análise multivariada pode ser desenvolvida por diferentes tipos de técnicas. Para esta pesquisa utilizou-se a técnica de análise fatorial exploratória e modelagem de equações estruturais a fim de identificar as relações causais entre as variáveis do construto confiança interorganizacional nas relações de compra. Segundo Hair et al. (2005a) essa técnica permite examinar diversas relações simultâneamente e não apenas uma relação por vez.

A análise fatorial exploratória observa os padrões de correlações entre os dados com a finalidade de formar um fator. Esse fator pode ser descrito como uma variável latente (hipotética) ao longo do qual os respondentes diferem, da mesma forma como diferem numa escala de teste (DANCEY; REIDY, 2006). Segundo Hair et al. (2005a), a análise fatorial exploratória fornece uma base empírica para julgar a estrutura das variáveis e o impacto dessa estrutura quando se interpretam os resultados com base em outras técnicas multivariadas.

Conforme Byrne (2001), o modelo de equação estrutural (SEM) é um método estatístico que leva a uma abordagem confirmatória para a análise de uma estrutura teórica produzida sobre algum fenômeno. Um importante aspecto dessa técnica estatística é que os processos causais são representados por uma série de equações estruturais, como regressões.

Cooper e Schindler (2003) afirmam que o SEM é um modelo que apresenta as relações causais entre variáveis, além de descrever os efeitos causais e a variância que não são explicadas, permitindo a análise de estruturas complexas, explicando causalidade entre construtos que não podem ser mensurados diretamente e especialmente pelo uso de variáveis latentes, interdependentes e reciprocamente causais.

No entanto, Marôco (2010, p. 7) ressalta que “nas ciências sociais e humanas, as variáveis apresentam-se correlacionadas não porque estejam numa relação de causa e efeito, mas sim porque partilham de uma fonte de variação comum com uma terceira variável, não mensurada, ou mesmo desconhecida”. A causalidade entre variáveis apresentadas pelo

modelo de equações estruturais é uma assunção do modelo e não uma propriedade do output ou uma conseqüência inferencial da técnica. A modelagem de equações estruturais permite apenas demonstrar que um modelo suporta a teoria da causalidade. (MARÔCO, 2010)

A escolha do modelo de equação estrutural apresenta diversas vantagens, entre elas destacam-se: a possibilidade de incorporação das variáveis latentes e das observáveis; a admissão do uso de múltiplas variáveis; e o desenvolvimento de uma análise sofisticada em modelos teóricos de fenômenos complexos, porque utiliza múltiplos indicadores em múltiplas causas (SCHUMACKER; LOMAX, 2004).

Byrne (2001) explica que as variáveis latentes não são observadas de forma direta, portanto não podem ser medidas diretamente. Assim, o pesquisador deve operacionalmente definir a variável latente que possui interesse em investigar e a definir em termos de um ou mais indicadores para que essa variável possa ser representada. Dessa forma, a variável não observável é ligada a outra que é observável, tornando sua medida possível.

Essas variáveis latentes ou manifestas podem ser classificadas em variáveis independentes ou dependentes. São consideradas variáveis independentes, também chamadas de exógenas, quando não são influenciadas por nenhuma outra variável no modelo; e são consideradas variáveis dependentes ou endógenas quando são influenciadas ou explicadas por variáveis presentes no modelo (MARÔCO, 2010).

A análise dos dados dessa pesquisa está fundamentada na causalidade dos fatores indicados nos dados, fazendo uma ligação direta com o quadro teórico realizado, a fim de responder aos objetivos propostos na investigação. Conforme Stablein (2001), para que a validade dos dados seja reconhecida é preciso que outros estudiosos compreendam a realidade que os dados do pesquisador esta tentando representar.

Para o desenvolvimento das análises preliminares e para todo o processo de modelagem utilizou-se o software Microsoft Excel – 2003, os Softwares Statistical Package

for Social Sciences – SPSS, versão 13.0 e o IBM SPSS Amos, versão 18.0.

O modelo de equações estruturais é um modelo linear que deve obedecer a uma estratégia de análise bem definida e estabelecida, como pode ser observado na figura16 (MAROCO, 2010).

Figura 16 – Etapas da análise de equações estruturais

Fonte: Marôco (2010, p. 25).

O diagrama da figura 16 começa na teoria até chegar à aceitação ou rejeição do modelo com base na técnica de equações estruturais. Seguindo essa sequência, este estudo começou estruturando um referencial teórico para depois desenvolver uma proposta de

modelo, conforme exposto no capítulo cinco. Para Vieira (2006), na estratégia de

desenvolvimento de um modelo é importante desenvolver o modelo inicial que será melhorado por meio de modificações no modelo de mensuração ou estrutural.

Em seguida na fase de recolha dos dados se definiu o tipo de instrumento de pesquisa e sua forma, bem como a dimensão da amostra, descritos no item 6.3 do presente capítulo.

Na fase de especificação do modelo são analisadas as questões referentes aos processos necessários para a realização da análise. Conforme Hair et al. (2005a) é necessário que as observações sejam independentes, os dados sejam oriundos de amostragem aleatória, haja linearidade nas relações, presença de normalidade multivariada, identificação das observações atípicas, análise dos dados perdidos, definição da matriz de entrada. A

identificação do modelo é o momento de definir os graus de liberdade. Para Hair et al. (2005a,

p. 487) graus de liberdade é a “diferença entre o número de correlações ou covariâncias e o número real de coeficientes no modelo proposto”.

Para a estimação do modelo o método da máxima verossimilhança – MV, Maximum

Likelihood – ML, é a de maior utilização pela sua fiabilidade e robustez sobre as violações de

normalidade (VIEIRA, 2009). Por isso, o método de máxima verossimilhança foi adotado para a estimação dos parâmetros desta pesquisa.

O tradicional método ML requer distribuição normal multivariada, mas mantém a robustez diante de pequenas violações da normalidade quando a assimetria ou a curtose não são muito grandes (MARÔCO, 2010). Para Vieira (2006), o uso desse método exige que as variáveis observadas sejam intervalares.

A avaliação da qualidade do ajustamento é o próximo passo. “A qualidade de ajuste mede a correspondência da matriz de dados de entrada reais ou observados (covariância ou

correlação) com aquela prevista pelo modelo proposto” (HAIR et al., 2005a, p. 488). Para

Vieira (2006) e Hair et al. (2005a), as avaliações de ajuste podem ser classificadas em três categorias como medidas absolutas de ajuste, medidas comparativas e medidas de parcimônia.

Alguns índices de verificação de ajustamento do modelo e seus valores de referência podem ser visualizados na tabela 1.

Tabela 1 – Descrições e valores de referência para índices de qualidade de ajustamento

Índice Descrição Valores de referência

X² Indica a discrepância entre o modelo proposto p > 0.05 X²/df Dado que o qui-quadrado é sensível ao tamanho da

amostra e só faz sentido se considerados os graus de liberdade, o seu valor é dividido pelos graus de liberdade.

Entre 2 para 1 e 3 para 1

RMSEA Mostra a qualidade de ajustamento do modelo à matriz covariâncias subjacente à amostra, tendo em conta os graus de liberdade;

< 0.05: bom ajustamento < 0.08: ajustamento razoável

GFI Comparação dos quadrados dos resíduos do modelo proposto versus modelo sugerido pela amostra, não ajustada pelos graus de liberdade.

> 0.90

AGFI GFI ajustado pelos graus de liberdade do modelo. > 0.90

NNFI Mostra se e em que medida a qualidade de ajustamento do modelo proposto é melhor que a do modelo de base (pode tomar valores superiores à unidade).

> 0.90

CFI Mostra se e em que medida a qualidade de ajustamento

do modelo proposto é melhor que a do modelo de base. > 0.90 Fonte: Vieira (2009, p. 22).

Essa forma de expor os índices e seus valores de referência de forma sintetizada como fez Vieira (2009), também é apresentada na literatura de Marôco (2010, p. 51), de forma semelhante com o intuito de auxiliar a aplicação prática da SEM.

A validação do modelo é a última etapa antes da decisão de aceitar ou rejeitar o modelo, nas quais são analisadas a confiabilidade (indicadores de confiabilidade do construto e variância extraída) e a validade dos construtos (validade discriminante e convergente).

Realizada essa sequência de testes pode-se definir com base nas medidas analisadas pela aceitação ou rejeição do modelo proposto nesta pesquisa.