Análise Fatorial Confirmatória

A análise fatorial exploratória realizada na subseção anterior apontou que existe correlações significativas entre as variáveis, o que permitiu a realização desta análise. Segundo Hair Jr. et al. (2009), a análise fatorial confirmatória ou CFA11 _{é semelhante à análise fatorial} exploratória em alguns aspectos, no entanto filosoficamente é muito diferente. A análise fatorial confirmatória explora os dados e fornece ao pesquisador informação sobre quantos fatores são necessários para melhor representar os dados. Dessa forma, é usada para fornecer um teste confirmatório da teoria de mensuração. Em outras palavras, a análise fatorial confirmatória permite aceitar ou rejeitar se uma estrutura fatorial hipotética ou de um modelo previamente estabelecido é ajustada para os dados, ou seja, verifica o grau de correspondência entre os dados recolhidos e o modelo de medida proposto.

Para Streiner (2006), a Análise Fatorial Confirmatória é utilizada quando existem hipóteses a serem testadas sobre o relacionamento entre um constructo e seus indicadores. Para ele, a causa primária da baixa adequação de um modelo é a ausência de variáveis cruciais que expliquem a variância nos dados. Esse mesmo autor destaca ainda que, mesmo que haja uma boa adequação (fit) entre o modelo e os dados, isso não necessariamente significa que um modelo diferente não poderia levar a uma adequação ainda melhor. Disso decorre a necessidade de que a teoria – e não critérios estatísticos – guie sempre o desenvolvimento do modelo a ser testado. Ainda segundo, esse autor a análise fatorial confirmatória é utilizada para realizar um teste do modelo teórico de mensuração proposto pelo pesquisador.

Para realizar a análise fatorial confirmatória foi utilizado o sistema SPSS EMOS versão 23. Inicialmente o modelo proposto pelo autor com embasamento no referencial teórico foi testado.

Figura 25 – Modelo para mensurar a geração de riqueza ao acionista proposto pelo autor.

Fonte: Dados extraídos do SPSS EMOS versão 23.

Tabela 16 – Significância do modelo proposto pelo autor

Fonte: Dados extraídos do SPSS EMOS versão 23.

O modelo para medir a geração de riqueza para o acionista proposto nesta tese, não foi confirmado pela análise fatorial confirmatória, o teste apresentou um índice de significância de 0,68. De acordo com a Tabela 16, as variáveis WACC e DY não apresentaram significância estatística para a análise fatorial. Este resultado corrobora com os resultados apresentados na análise fatorial exploratória.

Streiner (2006) argumenta que, antes de ser realizada a análise para todo o modelo a ser testado, cada constructo e seus respectivos indicadores devem ser submetidos a uma Análise Fatorial Confirmatória, com o objetivo de averiguar se os caminhos entre a variável latente (o constructo) e seus indicadores são significativos e se possuem o sinal correto. Se não forem, esse mesmo autor defende que um dos caminhos possíveis de serem seguidos é a eliminação de indicadores que não sejam significativos.

Diante dos comentários de Streiner (2006) e dos resultados apresentados na Tabela 16, o próximo passo foi excluir as variáveis WACC e DY com a finalidade de adequar

o modelo para mensurar o valor para o acionista. Dessa forma, o modelo presente na Figura 26 foi testado.

Figura 26 – Modelo para mensurar a geração de riqueza para o acionista após análise fatorial.

Fonte: Dados extraídos do SPSS EMOS versão 23.

Tabela 17 – Significância do Modelo para mensurar a geração de riqueza para o acionista após análise fatorial.

Minimum was achieved

Chi-square 12,143

Degrees of freedom 2

Probability 0,02

Fonte: Dados extraídos do SPSS EMOS versão 23.

Inicialmente o modelo da Figura 26 apresentou significância estatística, no entanto é necessário analisar outros índices de adequação que estão presentes na Tabela 18 e 19.

Tabela 18 – Estimativa e significância da AFC

Fonte: Dados extraídos do SPSS EMOS versão 23.

O modelo da Figura 26 apresentou significância estatística para todas as variáveis na regressão, nos valores estimados e covariâncias de acordo com a Tabela 18.

Segundo Hair Jr. et al. (2009) e Streiner (2006), um modelo é avaliado com base em diversos índice de adequação. O CMIN/DF pode ser usado como índice de adequação absoluta, pois reflete a hipótese de que as cargas fatoriais, as variâncias e covariâncias dos fatores e as variâncias dos erros do modelo proposto são válidos e que os valores até 5,0 são considerados aceitáveis. De acordo com a Tabela 19, o valor de CMIN/DF é de 4,071 e pode ser considerado como um modelo adequado.

Outra categoria são os índices de adequação comparativa que indicam se o modelo é bom ou não, comparado com alguma alternativa. Streiner (2006) sugere um valor de pelo menos 0,95 para os índices comparativos. Ainda segundo esse autor o NFI (Normal Fit

Index) e o CFI (Comparative Fit Index) são os índices mais utilizados. Os resultados da Tabela

Tabela 19 – Adequação do modelo.

CMIN

Model NPAR CMIN DF P CMIN/DF

Default model 8 8,142 2 ,002 4,071

Saturated model 10 ,000 0

Independence model 4 278,935 6 ,000 46,489

RMR, GFI

Model RMR GFI AGFI PGFI

Default model ,032 ,978 ,957 ,196

Saturated model ,000 1,000

Independence model ,335 ,635 ,391 ,381

Baseline Comparisons

Model NFI _Delta1 RFI _rho1 IFI _Delta2 TLI _rho2 CFI

Default model ,956 ,869 ,963 ,889 ,963

Saturated model 1,000 1,000 1,000

Independence model ,000 ,000 ,000 ,000 ,000

Parsimony-Adjusted Measures

Model PRATIO PNFI PGFI

Default model ,333 ,319 ,321 Saturated model ,000 ,000 ,000 Independence model 1,000 ,000 ,000 NCP Model NCP LO 90 HI 90 Default model 10,143 2,653 25,092 Saturated model ,000 ,000 ,000 Independence model 272,935 221,944 331,341 FMIN Model FMIN F0 LO 90 HI 90 Default model ,045 ,038 ,010 ,093 Saturated model ,000 ,000 ,000 ,000 Independence model 1,037 1,015 ,825 1,232 RMSEA

Model RMSEA LO 90 HI 90 PCLOSE

Default model ,078 ,070 ,216 ,019

Independence model ,411 ,371 ,453 ,000

Fonte: Dados extraídos do SPSS EMOS versão 23.

Uma outra categoria de índices de adequação são aqueles indicadores que mostram quanto da variância nos dados pode ser explicada pelo modelo. Os valores variam entre 0 e 1. Para Streiner (2006) e Hair Jr. et al. (2009) sugerem um valor mínimo de 0,95 para os indicadores, o GFI (Goodness-of-fit Index) e o AGFI (Adjusted Goodness-of-Fit Index). Os resultados apresentados na Tabela 19 também são adequados.

Por fim, apresenta-se os índices que refletem os, resíduos e podem ser classificados como índices de inadequação do modelo, como o RMSEA (Root Mean Square

principais índices a serem analisados, pois estima a falta de adequação do modelo quando comparado a um modelo perfeito e ao mesmo tempo considera questões de parcimônia. Esses autores consideram que valores abaixo de 0,05 ou 0,06 sejam aceitos como boa adequação, valores até 0,08 como uma adequação razoável e valores acima de 0,10 como adequação. O resultado do RMSEA apresentado na Tabela 19 pode ser considerado como uma adequação razoável.

Diante dos resultados apresentados nas Tabelas 17, 18 e 19 e dos conceitos tecidos por Streiner (2006) e Hair Jr. et al. (2009) o modelo da Figura 26 apresenta-se adequado.

Para esta tese, antes de testar as hipóteses de pesquisa foi necessário realizar a análise fatorial exploratória e confirmatória, pois segundo Hair Jr. et al. (2009) elas podem desempenhar um papel único na aplicação de outras técnicas multivariadas. De forma geral a análise fatorial fornece as ferramentas para analisar a estrutura das correlações entre as variáveis. Esses grupos de variáveis (fatores), são considerados como representantes de dimensões dentro dos dados. Se o objetivo for apenas a redução do número de variáveis, então as dimensões podem orientar a criação de novas medidas compostas. Por outro lado, se temos uma base conceitual para compreender as relações entre as variáveis, então as dimensões podem realmente ter significado para aquilo que elas coletivamente representam. Ainda segundo esse mesmo autor no último caso, essas dimensões podem corresponder a conceitos que não podem ser adequadamente descritos por uma única medida.

O teste de normalidade dos dados, assim como a analise fatorial exploratória e confirmatória proporcionou um ambiente mais confiável para a aplicação do método de análise de dados para testar as hipóteses de pesquisa. Dessa forma na próxima subseção se apresenta o método e o teste das hipóteses formuladas. Para verificar a diferença entre os grupos foi utilizado para medir a criação de valor para o acionista os indicadores constantes no modelo da Figura 26.