Análise Fatorial Confirmatória

A Análise Fatorial Confirmatória (CFA), como etapa para a SEM foi utilizada neste trabalho para verificar a validade dos itens em identificar as variáveis latentes (constructos) do estudo. Para tanto, foram utilizados os dados validados na seção 4.3.3, em consonância com o referencial teórico apresentado anteriormente. Ao todo, foram utilizadas todas as 242 observações coletadas ao longo da pesquisa, pois não houve a necessidade de exclusão pelos critérios estatísticos estabelecidos. Este número de respondentes, conforme Kline (1998), é adequado para a CFA, ultrapassando o valor de 200 observações mínimas necessárias para aplicação da técnica para a estruturação de SEM.

Uma série de indicadores são utilizados para a validação do modelo de mensuração no que se refere à SEM. Hair et al. (2009) aponta que a adequação do modelo de mensuração, no uso específico desta técnica estatística de segunda geração, se dá por meio da estimação máxima de verossimilhança (MLE). Os índices de ajuste para a adequação do modelo de mensuração são definidos em uma série de categorias a partir de uma gama de técnicas estatísticas já consagradas. Hair et al. (p. 568, 2009) diz que é importante assegurar a qualidade do modelo para verificar a validade ou não utilizando SEM: “Validade do modelo de mensuração depende da qualidade de ajuste e evidência específica de validade de constructo”.

Os índices de qualidade são definidos em três grupos, a saber: índices de Ajuste Absoluto, Incrementais e de Parcimônia. Hair et al. (2009) sugere o uso de mais de um critério para o estabelecimento da qualidade do modelo para os estudos e que os parâmetros dados pela literatura podem variar conforme a adequação do modelo que está em teste. O autor indica o uso de mais de um critério para a validação do modelo no sentido de garantir a integridade do modelo proposto.

Como índices de medidas de ajuste absoluto do modelo Hair et al. (2009) sugere os seguintes: (a) estatística de qui-quadrado (χ2_{) representa a qualidade de ajuste do modelo (GOF)}

e valores baixos são esperados para adequação do modelo; (b) índice de qualidade de ajuste (GFI) representa um valor estatístico de ajuste do modelo desconsiderando o tamanho da amostra N; (c) raiz do resíduo quadrático médio (SRMR) representa a raiz quadrada da média dos resíduos quadrados e busca fornecer um valor de referência para o modelo, contudo, esta medida não é muito adequada pois não oferece possibilidade de comparação entre um modelo ou outro, somente se os dados estiverem padronizados; (d) Raiz do erro quadrático médio de aproximação (RMSEA) representam quão bem um modelo se ajusta a uma população específica. Quanto aos índices de ajuste incremental, Hair et al. (2009) aponta quatro índices, a saber: (a) índice de ajuste normado (NFI) representa a proporção da diferença de χ2 _{par ao}

modelo ajustado e um valor nulo dividido pelo χ2 _{; (b) Índice de Ajuste Comparativo (CFI) é}

considerado uma versão melhorada do NFI, apresentando valores entre 0 e 1, valores mais próximos de 1 representam melhor adequação do modelo; (c) índice de Tucker Lewis (TLI) é um índice semelhante ao NFI, porém não normado, podendo apresentar valores maiores que 1 e menores que 0; e (d) Índice de não centralidade relativa (RNI) compara o ajuste observado resultante do teste de um modelo especificado com aquele de um modelo nulo, valores menores que 0,9 são considerados bons. Já os índices de parcimônia propostos por Hair et al. (2009) são o índice de qualidade de ajuste de parcimônia (PGFI), o índice de ajuste normado de parcimônia (PNFI). Estes indicadores servem quando se está especificando um modelo em um grupo de modelos concorrentes a fim de se escolher a melhor versão que será trabalhada. Para este trabalho os índices de ajuste utilizados aparecem na Tabela 15.

TABELA 15: Índices de qualidade e ajuste de para SEM

Categoria Índices Valores Recomendados

Absolutos χ2_{/df ≤ 3} RMSEA ≤ 0,08 SRMR ≤ 0,08 Incrementais CFI ≥ 0,90 NFI * TLI * Parcimônia PGFI * PNFI *

Para este trabalho, irá se utilizar os índices absolutos: χ2/df, RMSEA, SMR, GFI e CFI, que são bons critérios para julgar o ajuste do modelo de adequação, conforme aponta Hair et. (2009). Estes índices dão conta de apontar se o modelo oferece uma boa explicação preditiva e são adequados ao número de observações deste estudo (242 amostras, conforme já detalhado). Os usos dos índices de parcimônia não foram utilizados, pois a pesquisa busca estabelecer entre um grupo específico de componentes e sua relação linear, ou seja, qual o afeto que é exercido pelos processos de GC, positivamente, nas perspectivas de desempenho do BSC. Desta maneira, não irá se buscar um ajuste a partir da criação e uma nova teoria, mas, sim, observar o comportamento destas relações em um campo específico: o das organizações de educação básicas e privadas do Brasil.

Após o estabelecimento dos critérios para o desenvolvimento dos modelos, foi conduzido os estudos dos constructos utilizando-se o software AMOS ®, da IBM. O primeiro modelo estabelecido apresentando as relações dos itens da pesquisa com o constructo foi o dos processos de Gestão do Conhecimento. Este modelo apresenta a covariância dos itens de GC do conhecimento e foi estruturado para verificar a adequação das observações à teoria de que o levantamento estava tratando, especificamente, de um fenômeno que encontra apoio na estatística para seu agrupamento e análise.

Para o modelo de covariância entre os constructos de GC os índices encontrados foram: χ2/df= 2,535; CFI = 0,94; IFI = 0,94; TLI = 0,93; SRMR=0,080; e RMSEA = 0,080. Todos os índices, portanto, utilizados são estatisticamente seguros para prosseguir na construção de um modelo preditivo de hipóteses a partir do já argumentado na definição teórica das hipóteses. A Figura 8 apresenta o modelo com as covariâncias construídas para o modelo de processos de GC.

FIGURA 8: Modelagem de relações de covariância entre os processos de GC

Fonte: o Autor (2017)

Nesta mesma linha, foi desenvolvida a modelagem das covariâncias para os componentes que correspondem às perspectivas do BSC. Os índices de ajustes encontrados estão apresentados a seguir: χ2/df= 2,726; CFI = 0,95; IFI = 0,95; TLI = 0,93; SRMR=0,080; e RMSEA = 0,080. A Figura 9 apresenta as relações de covariância dos constructos de BSC bem como a relação com os fatores que estruturam os componentes.

FIGURA 9: Modelo de covariância entre as dimensões de desempenho do BSC

Fonte: o Autor (2017)

Por fim, se estruturou, na CFA, as covariâncias entre os componentes de maneira agrupada, verificando a relação entre os processos de Gestão do Conhecimento e as perspectivas estratégicas do Balanced Scorecard. Este modelo também gerou índices de ajustes do modelo, conforme seguem: χ2/df= 2,94; CFI = 0,91; IFI = 0,91; TLI = 0,92; SRMR=0,072; e RMSEA = 0,072. A Figura 10 apresenta estas relações.

Figura 10: Relações de covariância dos componentes

Como os testes conduzidos para a CFA do processo de análise quantitativa da tese surtiu resultados de acordo com os parâmetros estabelecidos, foi conduzida a modelagem desta tese a partir das hipóteses traçadas com base na revisão de literatura. O resultado desta etapa está na seção 4.4.1.