Análise Fatorial

Para a escolha do tamanho mínimo da amostra empregamos o critério empírico dos levantamentos amostrais, com escalas de Likert, de considerar pelo menos que o número de sujeitos deva ser no mínimo de quatro a cinco vezes o número de questões (Hair et al, 1998). Como o instrumento adotado tem 27 variáveis, devemos ter, então, de 108 a 135 sujeitos no mínimo.

Como colocamos anteriormente, nosso instrumento (Anexo 1) é composto por um conjunto de assertivas em que os respondentes são solicitados a escolher o grau de importância numa escala de 5 itens, desde nada importante até extremamente importante. Para cada escolha é atribuída uma pontuação que varia de 1 a 5, para que se possa trata-las de forma quantitativa segundo o método estatístico conhecido como análise fatorial. Desta forma, atribuímos um valor para cada atitude, sendo: 1 (um) = nada importante; 2 (dois) = pouco importante; 3 (três) = importante; 4 (quatro) = muito importante; 5 (cinco) = extremamente importante.

Com isso, os dados serão analisados em uma perspectiva quantitativa, segundo o método de análise fatorial de componentes principais (Godoy et al,

2001). Mais especificamente, usando o método VARIMAX de matriz rodada com normalização de Kaiser através do software SPSS® (Statistical Packet for Social Sciences) (SPSS 1999: 410).

A análise fatorial é uma maneira de determinar a natureza de padrões que estão envolvidos em uma grande quantidade de variáveis. Ela é particularmente apropriada em pesquisas onde os investigadores têm por objetivo fazer uma “simplificação ordenada” do número de variáveis inter-relacionadas (Cohen e Marion, 1994: 330). Assim, pode-se separar e agregar elementos muitas vezes indistintos, obtendo uma visão integral das concepções prévias dos respondentes.

Também serão realizados quatro tipos de testes: Kolmogorov-Smirnov, para verificar se os dados se comportaram como uma distribuição normal, teste KMO e o de esfericidade de Bartlett, para se determinar se o método de análise fatorial pode ser utilizado. E, finalmente, o teste de confiabilidade interna dos dados (alfa de Cronbach), para verificar se os dados não têm vieses significativos. Maiores detalhes são apresentados a seguir.

3.2.1 Tratamento dos dados

Para a análise de dados, adotamos duas etapas distintas, a primeira referente à tomada de decisões sobre o método a ser utilizado e a segunda a análise propriamente dita.

a) Referente ao Método

Para que possamos saber que tipos de resultados foram obtidos, com respeitos às suas análises potenciais, empregamos o teste de Kolmogorov- Smirnov para a avaliar se há aderência dos dados à distribuição normal ou de Gauss (Bisquerra et al, 2004). Embora a normalidade não seja um pressuposto necessário da análise fatorial, as possibilidades de interpretação crescem caso a distribuição seja normal (Harman, 1976).

Por outro lado, a simples sugestão de um método não pode ser adotada. Quando se trata de análise de dados quantitativos, dois testes devem ser

considerados para que possamos decidir sobre a utilização do método citado (Hair et al, 1998; Pereira, 2001; SPSS, 1999).

O primeiro deles é o teste de adequação de amostragem de Kaiser- Meyer-Olkin (KMO test), que mostra se os dados podem ser tratados pelo método de análise fatorial. O KMO, compara as correlações simples com as parciais observadas entre as variáveis, e varia de 0 a 1. Um valor próximo de 1, significa que os coeficientes de correlações parciais são pequenos, já um número próximo de zero, significa que a análise fatorial pode não ser um bom método para a análise dos dados (Pestana e Gageiro, 2000).

O outro teste, o de Esfericidade de Bartlett, mostra se a matriz de correlação tem aderência à matriz identidade, que indicaria que as variáveis não são relacionadas (Hair et al, 1998; Pereira, 2001; SPSS, 1999). Para que possamos tratar nossos dados segundo o método da análise fatorial, o valor encontrado para a significância deve ser menor do que 0,05.

Com estes três testes iniciais: o teste de Kolmogorov-Smirnov, o teste de adequação de amostragem de Kaiser-Meyer-Olkin (KMO test) e o teste de Esfericidade de Bartlett, podemos verificar se nossos dados poderão ser tratados dentro do método de análise fatorial de componentes principais.

b) Análise dos dados

Uma vez confirmada as possibilidades do uso do método de análise fatorial, deve-se buscar dentre os sete métodos básicos aquele que melhor possa reduzir as variáveis e permitir a análise dos fatores. Optamos pelo uso do método de análise de componentes principais com rotação Varimax que permite a redução de variáveis ou a redução de fatores. Assim, buscaremos uma seleção de cargas fatoriais mais significativas, escolhendo cargas fatoriais com valores acima de 0,400 (corte das cargas fatoriais) que se mostra muito adequado para amostras maiores de 350 sujeitos (Hair et al, 1998).

Para tal, empregaremos o software SPSS base 10.0, escolhendo eigenvalues (valores próprios) acima de 1,0 (Hair et al, 1998), ou seja, reteremos

apenas os fatores que tenham valores próprios maiores do que 1, obedecendo ao critério de normalização de Kaiser (Pestana e Gageiro, 2000).

A seguir, devemos recair nossas atenções para os valores das variâncias obtidas na análise fatorial, de forma a verificar se os fatores encontrados explicam a maior parte de nossas variáveis, ou seja, mais de 50% da variância total.

Devemos também determinar a confiabilidade interna dos dados obtidos e a precisão da escala. Para isso, utilizaremos um método de verificação da consistência interna denominado coeficiente alfa de Cronbach, reconhecido como o mais popular e mais usado por pesquisadores da área (Paquali, 2003; Yu, 2001). O cálculo do coeficiente em questão mostra se a proporção da variabilidade nas respostas resulta de diferenças dos inquiridos ou de algum tipo de inconsistência do questionário, o que pode levar a diferentes interpretações por parte dos sujeitos da pesquisa, provocando vieses significativos nos dados obtidos. Segundo Cronbach (1996) e Churchill (1995) valores entre 0,600 a 0,800 são considerados bons para uma pesquisa exploratória, mostrando que os dados são confiáveis e o instrumento tem boa qualidade para interpretação.

Nesta etapa, nosso objetivo será o de descobrir quais variáveis que, se removidas, aumentam a consistência interna do instrumento. Para isso, calcularemos o alfa de Cronbach ao eliminarmos uma a uma as variáveis. Mais especificamente, eliminaremos a variável um e recalcularemos o alfa, em seguida eliminaremos a variável 2 (colocada a variável 1, novamente na tabela) e calcularemos o alfa e assim por diante. Desta forma, estaremos verificando a necessidade de eliminar assertivas ou reestrutura-las, para a validação do instrumento. Segundo Pasquali (2003):

“São utilizadas duas técnicas como demonstração da adequação da representação do constructo pelo teste: a análise fatorial e a análise da consistência interna” (Pasquali, 2003). Para validar nosso instrumento, devemos avaliar ainda o grau de generalização dos resultados na população e a influência de casos outliers nos resultados obtidos. Para isso, iremos detectar quais sujeitos são outliers do

modelo através dos escores de regressão da análise fatorial. A partir daí, realizaremos uma nova análise fatorial sem os sujeitos considerados outliers, para avaliar seu impacto nos resultados. Em seguida, faremos também uma análise discriminante entre os sujeitos outliers e os não outliers para detectar onde se situam as diferenças, ou seja, em que pontos as opiniões fornecidas pelos sujeitos outliers diferem dos outros sujeitos.

Para avaliar o grau de generalização dos resultados, iremos avaliar também a correlação entre os fatores obtidos para a amostra toda, para 50% da amostra e para 75% da amostra. Caso as correlações entre os fatores obtidos nos 3 casos sejam elevadas, podemos concluir que os resultados não dependem do tamanho da amostra, implicando em grande poder de generalização dos resultados para a população.

Finalmente, passaremos à interpretação dos fatores, ou seja, buscaremos caracterizar cada fator por uma propriedade que represente a síntese do agrupamento estatístico.