Análises Estatísticas

De acordo com Mazanec (1999), as investigações cujo sujeito é a imagem de destino turístico têm sido bastante beneficiadas com os progressos que têm acontecido nas áreas da metodologia quando se trata desta área. Para Gallarza et al. (2002), há uma necessidade de escolher os métodos estatísticos que se adaptem à natureza complexa da imagem de destino e que possibilitem que esta seja medida com a máxima exatidão possível. Este trabalho deve ser realizado pelo investigador a partir do objetivo da investigação.

Como em qualquer investigação, o tipo de análise estatística escolhido deve ser baseada na sua adequação para a questão de pesquisa a ser investigada e a natureza dos dados a serem analisados. Em muitos estudos de imagem, uma combinação de métodos estatísticos tem sido utilizada. Usar várias técnicas diferentes contribui para a validade se houver convergência entre os resultados obtidos utilizando-se diferentes análises. (Jenkins,1999, p. 12)

Desta forma, para a análise dos dados da presente dissertação, com o objetivo de responder aos objetivos do estudo, foram utilizados como métodos estatísticos a análises univariadas (estatísticas descritivas e análise de frequências), análise fatorial exploratória, regressões lineares simples e múltiplas, correlações de Spearman e Manovas, cada uma dessas técnicas serão descritas nas próximas subsecções.

6.2.3.1

A primeira etapa da análise dos dados recolhidos através do questionário deve ser a caracterização da amostra a partir de análises univariadas (Maroco, 2007). Neste tipo de análise cada variável é tratada isoladamente. Durante esta etapa, utilizam-se estatísticas descritivas, uma vez que são os métodos mais comuns associados na descrição das distribuições de frequências, assim, os indicadores a serem medidos são normalmente as medidas de dispersão (desvio padrão, intervalos, etc.), as medidas de posição (média, moda e mediana) e as medidas de forma (Malhotra, 2006).

102 De acordo com alguns autores (Pestana & Gageiro, 2003; Malhotra, 2006; Maroco, 2007), as estatísticas descritivas utilizadas dependem da escala de medida das variáveis. Sendo assim, quando se trata de uma variável nominal é recomendável analisar a moda (valor mais frequente da amostra) e as frequências simples; na presença de uma variável ordinal é relevante analisar a moda, os quartis e amplitude inter-quartil; para as variáveis de intervalo ou rácio, analisam-se a moda, média, média aparada a 5%, mediana, quartis, amplitudes inter-quartil e amplitude total, variância e desvio padrão, enviesamento e curtose. As análises univariadas realizadas nesta investigação focam-se, principalmente nas frequências relativas e absolutas dos grupos e na análise da média e desvio padrão. Posteriormente, utiliza-se os quartis, amplitudes inter-quartil para realizar uma análise dos outliers da amostra total.

6.2.3.2

6.2.3.2.1

A análise fatorial é um conjunto de estatísticas que tem por objetivo explicar a correlação entre as diversas variáveis observadas, procurando simplificar os dados a partir da redução da quantidade de variáveis necessárias. Esta análise também permite avaliar a validade das variáveis que compõem os fatores, explicando se estes medem ou não os mesmos conceitos (Pestana & Gageiro, 2008). “Em princípio, se duas variáveis estão correlacionadas (e a correlação não é espúria), essa associação resulta da partilha de uma característica comum não diretamente observável (i.e. de um fator comum latente)” (Maroco, 2007, p.361). Sendo assim, o principal objetivo da análise fatorial é quantificar fatores ou construtos que não são diretamente observáveis (Maroco, 2007).

Os métodos de estimação utilizados com maior frequência para a extração dos fatores na análise fatorial exploratória são os componentes principais (Maroco, 2007). O método de extração das componentes principais é um procedimento estatístico multivariado que transforma um grupo de variáveis quantitativas correlacionadas entre si, noutro grupo com menos variáveis não correlacionadas, denominadas por componentes principais, que derivam de combinações lineares das variáveis iniciais, o que permite reduzir a complexidade de interpretação dos dados (Pestana & Gageiro, 2008).

Antes de realizar a análise fatorial exploratória é preciso analisar os dados no que concerne aos outliers e à simetria. Para que a análise fatorial seja aplicada, é necessário que haja

103 uma correlação entre as variáveis, pois caso as correlações sejam pequenas não é muito provável que compartilhem de fatores comuns. Portanto, o teste Kaiser-Meyer-Olkin (KMO) e o teste de Barllet são dois métodos estatísticos que permitem medir a qualidade das correlações entre as variáveis (Pestana & Gageiro, 2008). “O teste de esfericidade de Barlett, testa a hipótese da matriz das correlações ser a matriz de identidade, cujo determinante é igual a 1” (Pestana & Gageiro, 2008, p. 493).” No que concerne ao KMO, tem-se como referência os valores da tabela 7.

KMO Recomendação à Análise Fatorial

1 - 0,9 Muito Boa 0,8 - 0,9 Boa 0,7- 0,8 Média 0,6 - 0,7 Medíocre 0,5 - 0,6 Má ≤ 0,5 Inaceitável

Tabela 7: Valores de referência do KMO. Fonte: Maroco (2007, p. 368).

Outro fator a ser observado na análise fatorial é a proporção da variância de cada variável que é explicada pelos fatores, ou seja, as comunalidades. De acordo com Maroco (2007) as comunalidades aceitáveis são superiores a 0,5, assim, deve-se eliminar a variável correspondente, caso tal pressuposto não se verifique. Finalmente deve-se observar a matriz das componentes que “mostra os coeficientes ou pesos (loadings) que correlacionam as variáveis com os factores antes da rotação” (Pestana & Gageiro, 2008, p. 494). Posteriormente utiliza-se a rotação varimax, cuja finalidade é alcançar uma estrutura fatorial em que somente uma das variáveis originais esteja fortemente correlacionada com apenas um fator, e pouco associada com os demais fatores (Maroco, 2007).Por último, é necessário que a consistência interna de cada um dos fatores extraídos seja confirmada, para tanto, utilizou-se o Alpha de Cronbach, cujos valores referência constam na tabela 8.

Alpha de Cronbach Consistência Interna

> 0,9 Muito Boa

0,8 – 0,9 Boa

0,7 – 0,8 Razoável

0,6 – 0,7 Fraca

< 0,6 Inadmissível

Tabela 8: Valores de referência do Alpha de Cronbach. Fonte: Pesta e Gageiro (2008, p. 528).

104

6.2.3.2.2

A regressão linear é um grande conjunto de técnicas estatísticas utilizadas para modelar relações entre variáveis e prever o valor de uma variável dependente a partir de variáveis independentes (Maroco, 2007).

A regressão é um modelo estatístico usado para prever o comportamento de uma variável quantitativa (variável dependente ou Y) a partir de uma ou mais variáveis relevantes de natureza intervalo ou rácio, (variáveis independentes ou X’s) informando sobre a margem de erro dessas previsões(Pestana & Gageiro, 2008, p. 560).

A regressão linear pode ser diferenciada em dois tipos: a regressão linear simples, análise bivariada, quando há apenas uma variável X (variável independente); regressão linear múltipla, análise multivariada, quando existe duas ou mais variáveis independentes. O que se espera obter de uma análise da regressão é a equação da reta que explica Y em função de X, que de acordo com Pestana e Gageiro (2008, p. 562).

A equação da reta diferencia-se da apresentada, quando se trata de uma regressão linear múltipla, uma vez que esta última contém o somatório de tantas βXi quantas sejam as variáveis independentes incluídas no modelo.

Para que o modelo da regressão linear seja realizado é necessário efetuar a verificação de cinco pressupostos básicos (a variável aleatória deve ter média zero; linearidade;variância constante, a covariância entre os resíduos deve ser nula; normalidade dos resíduos, ausência de multicolinearidade) quando se trata de uma regressão linear simples, no caso da regressão linear múltipla é acrescentado o pressuposto da inexistência de multicolinearidade.

6.2.3.2.3

O coeficiente de correlação Rho Spearman é utilizado para quantificar a intensidade da relação entre variáveis ordinais. Por não ser sensível a presença de outliers, nem de assimetrias na distribuição para a realização desse teste não é necessário que os dados provenham de uma população normal (Pestana & Gageiro, 2008).

Quanto mais aproximado de -1 ou 1 estiver o coeficiente de correlação Rho Spearman maior será a associação entre as variáveis (Pestana & Gageiro, 2008). Quando o sinal da relação é negativo quer dizer que “a variação das variáveis é em sentido contrário, ou seja,

105 as categorias mais elevadas de uma variável estão associadas a categorias mais baixas da outra variável” (Pestana & Gageiro, 2008, p.178).

Por convenção, para um coeficiente de correlação menor que 0,2, indica-se uma associação muito baixa; entre 0,2 e 0,39 baixa; entre 0,4 e 0,69 moderada; entre 0,7 e 0,89 alta e entre 0,9 e1 muito alta. A mesma lógica aplica-se para as correlações negativas.

6.2.3.2.4

A análise da variância multivariada estima o efeito das variáveis independentes, no composto de variáveis dependentes quantitativas, os fatores separam os casos em grupos. Quando um grupo de variáveis dependentes compartilha de um significado comum e estão correlacionadas entre si é vantajoso analisá-las em simultâneo. Quando as variáveis endógenas (dependentes) se referem a avaliações do mesmo conceito por indivíduos distintos, o método multivariado permite apurar se o efeito dos fatores é específico ou se é passível de generalização (Pestana & Gageiro, 2008).

De acordo com Pestana e Gageiro (2008), os pressupostos assumidos para análise multivariada são (i) as observações dentro de cada grupo devem ter distribuição normal, embora a normalidade não limite a MANOVA quando a quantidade de elementos em cada grupo é relativamente elevada, este pressuposto tem consequências na interpretação dos resultados apenas se a distribuição seja demasiado enviesada; (ii) as observações são independentes entre si; (iii) há homocedasticidade, ou seja, as variâncias de cada grupo são iguais entre si.

Os aspectos a serem observados na análise da MANOVA podem ser: o traço de Pillai que é o somatório da variância explicada na função discriminante, o traço de Hotteling que é a somatório dos valores próprios (eingvalues) de cada uma das variáveis, o lambda de Wilks que é o rácio da variância do erro sobre a variância total. Ainda pode-se recorrer a maior raíz de Roy, que é “a proporção da variância total para a primeira função discriminante. Representa a máxima diferença entre os grupos, sendo, portanto, em muitos casos mais potente” (Pestana & Gageiro, 2008, p.374). Maroco (2007, p. 203) afirma que “existem várias estatísticas de testes possíveis, sendo fundamental identificar qual ou quais das estatísticas se deve utilizar, especialmente quando, as conclusões são diferentes.”

106

6.3

Conclusão

O objetivo deste capítulo foi o de apresentar e justificar as técnicas metodológicas utilizadas para a realização e concretização da presente investigação, assim como os parâmetros de análise e pressupostos de validação das técnicas (quando aplicáveis). Acredita-se que os métodos utilizados e apresentados no presente capítulo são os mais adequados para que os objetivos desta investigação sejam alcançados, uma vez que todos os métodos utilizados encontram suporte na literatura consultada e em estudos precedentes que são referência na análise de destinos turísticos.

107

IV

APRESENTAÇÃO E DISCUSSÃO DE

RESULTADOS

7 Análise da imagem percebida do Brasil como destino

turístico

7.1 Introdução

O presente capítulo visa a análise e discussão dos resultados referentes ao segundo dos objetivos principais do estudo: Demonstrar que a imagem percebida do Brasil como destino turístico, na visão dos agentes de viagens e operadores turísticos portugueses é influenciada por diversas variáveis; e com dois dos objetivos específicos: (i) Caracterizar a amostra de agentes de viagens e operadores turísticos portugueses no que concerne a imagem percebida do destino turístico Brasil; (ii) Medir os determinantes e os consequentes da imagem percebida do destino turístico Brasil na visão dos intermediários turísticos portugueses.

No sentido de responder ao objetivo específico acima mencionado são apresentadas as análises estatísticas univariadas (análises de frequências, medidas de dispersão e de tendência central) que permitiram caracterizar a amostra, as fontes de informação utilizadas pelos respondentes, a influência da imagem projetada pelo marketing do Brasil, a familiariedade e a experiência com o destino, a imagem percebida do destino turístico Brasil e as intenções em recomendar viagens ao país. É, também, apresentada uma análise dos outliers no sentido de prosseguir com as análises dos dados utilizando-se de estatísticas mais avançadas.

Com a finalidade de responder ao segundo objetivo específico, acima mencionado, são realizados os testes de hipóteses através de análises bivariadas e multivariadas. São ainda apresentadas análises fatoriais exploratórias que permitiram viabilizar alguns testes de hipóteses. Após a sua análise e discussão é apresentada a síntese dos resultados em forma de conclusão do capítulo.