Com o objetivo de verificar os fatores que condicionam a degradação ambiental nos municípios gaúchos, utilizou-se a técnica multivariada de análise fatorial em componentes principais. A utilização dessa técnica vai ao encontro dos estudos empíricos sobre o tema (LEMOS, 2001; SILVA; RIBEIRO, 2004; FERNANDES; CUNHA; SILVA, 2005; CUNHA
et al., 2008, PAIS et al., 2012). Da mesma forma, para a questão do desenvolvimento rural,
devido à multidimensionalidade desse tema, foi utilizada a mesma técnica de acordo com as evidências empíricas (MELO; PARRÉ, 2007; STEGE; PARRÉ, 2011; ALVES 2012)
Um modelo de análise fatorial, de acordo com Mingoti (2005), é dado, genericamente, em forma matricial por:
(1)
em que:
61 = é uma matriz (p x m) de coeficientes fixos denominados cargas fatoriais, os quais descrevem o relacionamento linear de e ;
= é um vetor transposto (m < p) de variáveis latentes que descrevem os elementos não observáveis da amostra; e
= é um vetor transposto dos erros aleatórios, correspondentes aos erros de medição e à variação de que não é explicada pelos fatores comuns .
Como as variáveis nos dois índices apresentam-se em valores diferentes, surge a necessidade de sua padronização. A realização desse procedimento consta nos problemas que os dados em diferentes formas ou transformados incorretamente podem proporcionar nas pesquisas (GREENE, 2008). Assim, é desejável tornar os objetos de estudo comparáveis, diminuindo os efeitos de escalas diferentes (BASSAB; MIAZAKI; ANDRADE, 1990). O procedimento de padronização das variáveis é dado por:
(2)
onde:
Z = variável padronizada = variável a ser padronizada = média de todas as observações S = desvio padrão amostral
A partir da padronização das variáveis aleatórias observáveis , estas podem ser substituídas pelo vetor de variáveis padronizada , com a finalidade de resolver o problema de diferenças de unidade de escala, como demonstrado na Equação 2 (MINGOTI, 2005). Assim, a Equação 1 pode ser reescrita por:
62
A análise fatorial busca a explicação da relação entre variáveis observáveis por meio da simplificação dos dados pela redução do número de variáveis necessárias para descrevê- los. Portanto, a análise fatorial busca a existência de um número menor de variáveis não observáveis subjacentes aos dados (fatores) que expliquem o que existe em comum em relação às variáveis originais (PESTANA; GAGEIRO, 2005).
Esse método aborda a problemática de analisar as correlações entre um grupo expressivo de variáveis, definindo um conjunto de dimensões latentes comuns, denominadas fatores. Além disso, essa análise pode ser classificada como técnica de interdependência, pois não se tem explicitado nenhum tipo de variável dependente, nem a busca da relação dessa com variáveis independentes. Assim, a análise fatorial tem como principais objetivos o resumo e a redução dos dados, além de possibilitar a identificação de variáveis representativas de um grupo de variáveis para sua utilização em análises multivariadas posteriores (HAIR et
al., 2009).
Nesse sentido, com a identificação dos fatores gerais presentes entre as variáveis, há a possibilidade de determinar as relações quantitativas a partir da associação daquelas que apresentam padrão semelhante e definem os fatores que agem no processo de degradação (CUNHA et al., 2008). Para a construção do IDAA, é preciso estimar os escores associados a cada fator após a rotação ortogonal. No presente estudo, foi aplicado o recurso da transformação ortogonal dos fatores originais pelo método Varimax, o qual demonstra uma estrutura mais simples de ser interpretada por maximizar, em um único fator, as correlações de cada variável (HAIR et al., 2009). Os escores fatoriais, segundo Mingoti (2005), são os valores referentes a cada observação da amostra e as situam no espaço dos fatores comuns, como pode ser observado pela Equação 4:
, com i = 1, 2, ..., p (4)
onde:
são os escores fatoriais;
são os coeficientes da regressão que representam os pesos de ponderação de cada variável no fator ; e
são os valores das variáveis para o k-ésimo elemento da amostra.
63 São obtidas comunalidades por meio das cargas fatoriais e estas podem ser interpretadas como a proporção da variabilidade das variáveis originais que são explicadas pelos fatores comuns encontrados. Além disso, deve ficar claro que essa técnica deve explicar de forma significativa a variância do conjunto original de variáveis (HAIR et al., 2009).
O interesse da pesquisa em estudar a dinâmica da degradação ambiental em dois períodos de tempo distintos, bem como do desenvolvimento rural, não permite que a análise fatorial seja realizada individualmente para cada ano, pois os fatores obtidos em cada período iriam apresentar valores diferentes e inviabilizariam a verificação do comportamento da degradação ambiental e do desenvolvimento rural durante o período (SOUZA; LIMA, 2003). Para isso, na análise fatorial, foram agregadas as observações das variáveis componentes do IDAA e do IDR nos dois anos observados pelo estudo, ou seja, nos anos de 1996 e 2006 para o IDAA, e de 2000 e 2010 para o IDR.
M = (5)
sendo que:
M representa a matriz dos municípios estudados nos dois períodos com as variáveis do IDAA e do IDR;
M1 representa a matriz dos municípios estudados no primeiro período com as variáveis do IDAA e do IDR;
M2 representa a matriz dos municípios estudados no segundo período com as variáveis do IDAA e do IDR.
Por fim, com o objetivo de verificar se a análise fatorial utilizada ajusta-se aos dados do modelo, utilizaram-se os testes de Esfericidade de Bartlett e o Critério de Kaiser-Meyer- Olkin (KMO). O primeiro fornece a probabilidade estatística de que a matriz de correlação tenha correlações significantes entre pelo menos algumas das variáveis e compara a matriz de correlação populacional com a matriz identidade. Para que os dados sejam adequados a essa análise, o resultado desse teste deve ser a rejeição da hipótese nula de igualdade das matrizes. O outro teste, o de KMO, verifica a adequação dos dados a partir da criação de um índice que varia de 0 a 1, que compara as correlações simples e parciais entre as variáveis, sendo que valores superiores a 0,5 demonstram que os dados são adequados à análise fatorial (PESTANA; GAGEIRO, 2005; MINGOTI, 2005; HAIR et al., 2009). Além disso, com o
64
objetivo de testar a confiabilidade das variáveis que compuseram os fatores, foi estimado o Alfa de Cronbach.