Análises multivariadas

O primeiro passo destinado à análise estatística dos dados coletados foi a preparação da base dados, envolvendo descarte de missing values e outliers e verificação de normalidade.

4.2.1 Análise e descarte dos outliers

A existência de observações divergentes das restantes (outliers) é relativamente simples de aferir, em amostras univariadas. Porém, no caso de amostras multivariadas, a observação dos outliers requer aplicação de técnicas mais elaboradas. Em dados multidimensionais, uma observação é considerada outlier se estiver muito distante da concentração das demais respostas.

Para avaliação da existência de outliers, pode-se recorrer à técnica de distância de Mahalanobis, que avalia a distância ou grau de discrepância entres as respostas, o que é feito pela observação da localização dos dados e pela variabilidade entre as observações. No presente trabalho, com a aplicação da referida técnica, obteve-se média de 27,88 e desvio padrão de 14,69, o que significa que, com um grau de confiabilidade de três desvios padrões (positivos ou negativos), os valores máximo, de 69,59, e mínimo, de 2,92,

permanecem dentro do intervalo (Tabela 17). Assim, o estudo não apresentou outliers multivariados passíveis de eliminação.

Tabela 17 – Distância de Mahalanobis dos outliers

Fonte: dados da pesquisa, programa SPSS V18,0.

4.2.2 Verificação da ausência de multicolinearidade

A multicolinearidade, conforme explicado por Hair et al. (2005), é uma medida do quanto a variação de uma variável (independente) explica a variação de outra variável dependente (independente). Para avaliar o grau de multicolinearidade, optou-se pela análise do cálculo de tolerância de verificação do índice de inflação da variância, com tolerância para VIF < 10. Na análise realizada para todas as variáveis independentes, o VIF apresentou-se menor do que 10, mostrando, com esse resultado, que existe baixo grau de colinearidade entre as variáveis. A Tabela 18 apresenta a relação das variáveis independentes e a multicolinearidade verificada.

Tabela 18 – Multicolinearidade entre as variáveis

Fonte: dados da pesquisa, programa SPSS V18,0.

Mínimo Máximo Média Desvio

Padrão N Mahal. Distance 2,92 69,59 27,88 14,69 237

Variávies Tolerância VIF Variávies Tolerância VIF

LEAL_AT1 ,16 6,11 ATIT_REAL6 ,24 4,09 LEAL_AT3 ,15 6,51 ATIT_REAL7 ,25 3,93 LEAL_AT5 ,32 3,14 ATIT_SANT1 ,16 6,13 LEAL_AT6 ,34 2,93 ATIT_SANT2 ,18 5,43 LEAL_AT8 ,37 2,73 ATIT_SANT3 ,21 4,86 NOSTALG1 ,76 1,32 ATIT_SANT4 ,22 4,65 NOSTALG2 ,72 1,38 ATIT_SANT5 ,17 5,86 NOSTALG3 ,67 1,50 ATIT_SANT6 ,19 5,33 NOSTALG6 ,70 1,42 ATIT_SANT7 ,25 3,94 ATIT_REAL1 ,21 4,70 CM1 ,70 1,43 ATIT_REAL2 ,22 4,48 CM2 ,61 1,64 ATIT_REAL3 ,18 5,51 CM3 ,49 2,04 ATIT_REAL4 ,25 3,99 CM4 ,47 2,14 ATIT_REAL5 ,24 4,10 CM5 ,61 1,65 Colinearidade

4.2.3 Verificação da normalidade

A normalidade das distribuições das variáveis foi analisada com o recurso do teste de Kolmogorov-Smirnov (HAIR et al., 2005), utilizando os parâmetros citados por Field (2009), sendo (p > 0,05) para uma distribuição normal e (p < 0,05), no caso de a distribuição não ser normal (FIELD, 2009). O Tabela 19 apresenta o teste de normalidade Kolmogorov Smirnov.

Tabela 19 – Normalidade Kolmogorov Smirnov

Fonte: dados da pesquisa, programa SPSS V18,0

Nenhuma variável apresentou distribuição normal. Além disso, os itens da escala apresentaram graus de assimetria e curtose significativamente altos, não caracterizando normalidade.

Não havendo confirmação da normalidade da distribuição, é possível recorrer-se a um método de análise denominado PLS-SEM (Partial Least Squares – Structural Equations Modeling), ou mínimos quadrados parciais. O método PLS é um instrumento de análise útil devido a exigências mínimas de escalas de mensuração, tamanho da amostra e distribuições residuais ou aleatórias. O método reflete as relações entre variáveis latentes e um componente correspondente de medição, o qual mostra como essas variáveis e seus indicadores estão relacionados.

4.2.3.1 Técnica PLS

A aplicação da técnica PLS tem sido objeto de crescente aceitação nos meios acadêmicos, principalmente entre pesquisadores das áreas de Marketing, Comportamento Organizacional, Estratégia Empresarial (HENSELER, RINGLE e SINKOVICS, 2009; HAIR et al., 2005). Henseler et al. (2009) afirmam que um dos principais motivos de adoção crescente da técnica reside na sua adequação aos estágios iniciais do desenvolvimento de teorias, quando se precisam testar e validar modelos exploratórios, uma vez que a PLS tem por objetivo uma análise explicativa preditiva em situações de alta

LEAL_AT1 LEAL_AT3 LEAL_AT4 LEAL_AT5 LEAL_AT6 LEAL_AT8 LEAL_CO MP1 LEAL_CO MP2 Média 3,219 3,544 3,245 3,101 3,612 3,494 4,211 3,089 Desvio Padrão 1,614 1,728 1,756 1,763 1,626 1,746 2,117 1,753 Kolmogorov-Smirnov Z 2,307 2,446 2,479 2,556 2,654 2,374 2,919 2,425 Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000

complexidade, mas com poucas informações teóricas disponíveis. Chun e Newsted (1999) tratam com detalhe do tratamento pelo PLS em casos de pequenas amostras.

Considerando o tamanho da amostra a ser coletada na pesquisa de campo, o tamanho mínimo da amostra, segundo reza a literatura, deve ser dez vezes o maior número de caminhos estruturais direcionados a um determinado construto do modelo estrutural (HAIR et al., 2005). Apesar de essa regra prática não levar em conta elementos como tamanho dos efeitos, confiabilidade, número de indicadores e outros fatores que afetam o poder das estimativas, ela fornece uma estimativa aproximada (HAIR et al., 2005).

No modelo PLS, o passo inicial é o cálculo dos valores de cada caso. As variáveis observáveis são estimadas como combinações lineares exatas de seus indicadores empíricos e o PLS trata desses casos estimando substitutos perfeitos para as variáveis latentes. Os pesos utilizados para determinar os valores para cada caso são estimados de modo que os valores resultantes captem a maior parte da variância das variáveis independentes previsoras da variável dependente.

Os procedimentos de aplicação do PLS são: a. estimação das relações de peso, as quais apontam os indicadores para as respectivas variáveis não observáveis; b. cálculo dos valores para cada variável não observável, com base em uma média ponderada de indicadores, utilizando as relações de peso como entrada; c. os valores são usados no caso de um conjunto de equações de regressão para determinar os parâmetros correspondentes das relações estruturais.