Análise quantitativa (PLS)

Para a análise quantitativa optou-se pela técnica de modelagem de equações estruturais. De acordo com Joseph F. Hair et al. (2009), a modelagem de equações estruturais (MEE) é uma família de modelos estatísticos que têm como objetivo explicar as relações entre múltiplas variáveis por meio da descrição das relações entre os constructos, também conhecidos como fatores latentes (um exemplo de constructo pode ser a escala de confiança de uma organização composta de variáveis observáveis como: grau de sustentabilidade, grau de idoneidade, grau de preocupação com o consumidor e etc.). Com essa técnica é examinada a estrutura de inter-relações expressas em uma série de equações que se assemelham a uma série de equações de regressão múltipla.

Existem dois tipos bastante difundidos de modelagem de equações estruturais. O primeiro baseia-se em covariância (CB-SEM) ou modelos de ajuste de máxima verossimilhança. No segundo tipo, a modelagem de equações estruturais é baseada em modelos de estimação de ajustes de mínimos quadrados parciais (partial least square – PLS) ou variância (VB-SEM). Ringle et al. (2014, p. 55) assim definem as diferenças entre a modelagem de equações estruturais baseada em covariância (CB-SEM) e a MEE baseada em estimação de ajustes de mínimos quadrados parciais (VB-SEM):

[...] A diferença básica entre CB-SEM e VB-SEM está na forma de tratamento dos dados, por assim dizer de forma didática, no primeiro caso têm-se regressões lineares múltiplas realizadas ―ao mesmo tempo‖ e no segundo, calculam-se as correlações entre os constructos e suas variáveis mensuradas ou observadas ou itens (modelos de mensuração) e em seguida são realizadas regressões lineares entre os constructos (modelos estruturais). Desta forma, consegue-se estimar modelos mais complexos com menor número de dados.

A modelagem de equações estruturais é realizada por meio da montagem e verificação de um modelo estruturale um modelo de mensuração ou medição.No modelo estrutural são relacionadas às variáveis latentes dependentes e independentes, já no modelo de mensuração é especificada a relação entre as variáveis latentes e suas variáveis observáveis ou indicadores.

Por meio do modelo de mensuração é possívelavaliar a confiabilidade de cada constructo e estimar suas relações causais(Ringle et al., 2014).

De acordo com a direção da causalidade, os modelos podem ainda ser definidos como modelos reflexivos ou formativos. Os modelos reflexivos, os mais utilizados em ciências sociais, possuem a direção da causalidade da variável latente para os indicadores. Esse tipo de modelo tem como principal característica a inter-relação entre os itens, ou seja, a consistência interna. Já os modelos formativos, em que a direção da causalidade vai dos indicadores para a variável latente, são caracterizados pela construção da variável latente a partir da pontuação ponderada dos indicadores que a compõem, sendo que cada um desses indicadores é uma dimensão independente sem necessidade de correlação.

Três premissas devem ser obedecidas com relação aos dados de pesquisa em que se utiliza a MEE. São elas: (1) as observações devem ser independentes, ou seja, deve-se garantir que haja uma contribuição única de cada membro da amostra na pesquisa; (2) a amostragem deve ser aleatória, por meio da oferta de oportunidades iguais de participação da amostra; (3) deve haver linearidade de todas as relações, resultado este obtido por meio de testes de correlação.

Após a verificação do referencialteórico, a realização da MEE envolve as seguintes etapas: (1) verificação dos indicadores que formam o constructo ou refletem seu comportamento;(2) identificação da relação entre os constructos (hipóteses plausíveis);(3) elaboração do modelo de mensuração e modelo estrutural; (4) levantamento de dados;(5) exploração dos dados; (6) estimação dos parâmetros do modelo; (7) validação do modelo de mensuração; (8) validação do modelo estrutural; (9) ajustes; e (10) elaboração do modelo final com recomendações e limitações.As etapas sete e oito requerem a realização de testes de validação dos modelos de acordo com parâmetros estatísticos definidos em literatura. O Quadro7 apresenta os testes e valores/critérios de referência para validação do modelo estrutural (grupo 1)edo modelo de mensuração (grupo 2) necessários na MEE.

Indicador/ Procedimento

Propósito Valores Referenciais /

Critério

Autores

1.1. AVE Validades convergentes AVE > 0,50 HENSELER; RINGLE e

SINKOVICS (2009)

1.2Cargas cruzadas Validade discriminante Valores das cargas

maiores nas VLs originais do que em outras

Indicador/ Procedimento

Propósito Valores Referenciais /

Critério

Autores

1.3. Critério de Fornell e Larcker

Validade discriminante Comparam-se as raízes quadradas dos valores das AVE de cada constructo com as correlações (de Pearson) entre os constructos (ou variáveis latentes). As raízes quadradas das AVEs devem ser maiores que as correlações dos constructos FORNELL e LARCKER (1981) 1.4.Alfa de Cronbach e Confiabilidade Composta Confiabilidade do

modelo AC > 0,70 CC > 0,70 HAIR et al. (2014)

1.5. Teste t de Student Avaliação das

significâncias das correlações e regressões t >= 1,96 HAIR et al. (2014) 2.1. Avaliação dos Coeficientes de Determinação de Pearson (R2): Avaliação da porção da variância das variáveis endógenas, que é explicada pelo modelo estrutural.

Para a área de ciências sociais e

comportamentais, R2=2% é classificado como efeito pequeno, R2=13% como efeito médio e R2=26% como efeito grande. COHEN (1988) 2.2. Tamanho do efeito (f2) ou Indicador de Cohen Avaliação de quanto cada constructo é ―útil‖ para o ajuste do modelo

Valores de 0,02, 0,15 e 0,35 são considerados pequenos, médios e grandes, respectivamente HAIR et al. (2014) 2.3. Validade Preditiva (Q2) ou indicador de Stone-Geisser Avalia a acurácia do

modelo ajustado Q2 > 0 HAIR et al. (2014)

2.4. GoF É um escore da

qualidade global do modelo ajustado

GoF > 0,36 (adequado) TENENHAUS et al. (2005); WETZELS, M.; ODEKERKEN- SCHRÖDER, G.; OPPEN 2.5. Coeficiente de Caminho

Avaliação das relações

causais Interpretação dos valores à luz da teoria. HAIR et al. (2014)

Quadro 7: Testes e parâmetros da MEE utilizando o PLS

Fonte: Ringle et al., 2014

Para este estudo foi utilizado oPartial Least Square - PLS como técnica estatística para a modelagem das equações estruturais (MEE) e a ferramenta SMARTPLS versão 3.0 como ferramenta de apoio. A utilização do PLS para a elaboração da MEE é indicado quando: (1)os conjuntos de dados são muito pequenos; (2)as medidas não estão suficientemente desenvolvidas; (3) as teorias não são solidamente desenvolvidas; (4) os dados têm distribuições anormais; (5) há abundância de dados ordinais e categóricos; (6) aparecem

ambos os indicadores formativos e reflexivos; e (7) o objetivo principal éprever a variável dependente.

A representação gráfica da modelagem de equações estrutural - MEE no PLS é feita por meio do diagrama de caminhos (path diagram) que é composto porcírculos para representar as variáveis latentes (constructos), retângulos para representar os indicadores ouvariáveis observáveis e setas para identificação das relações entre variáveis latentes evariáveis observáveis (modelo de mensuração) e as relações causais entre variáveis latentes dependentes e independentes (modelo estrutural). A figura 26 apresenta o modelo estrutural formulado para esta dissertação.

Figura 26:Modelo estrutural original do estudo.

Fonte: elaborado pelo autor

Figure 27 – Resumo das escolhas metodológicas