Avaliação do modelo estrutural

Após as avaliações do modelo de mensuração, Ringle, Silva e Bido (2014) recomendam que deve-se avaliar o indicador de ajuste geral do modelo, para tal há três indicadores difundidos na literatura: i) Coeficiente de Determinação de Pearson (R²), ii) Indicador de Stone- Geisser ou Relevância Preditiva (Q2); e iii) Índice de Adequação do Modelo (GoF – Goodness of Fit). No Quadro 17 apresenta-se algumas considerações a respeito de cada um desses indicadores. Henseler e Sarstedt (2012) mostraram que o Índice de Adequação do Modelo (GoF - Goodness of Fit) não tem poder de distinguir modelos válidos e modelos não válidos. Assim, sugere-se não usar o GoF como indicador.

Quadro 17 – Descrição dos indicadores de ajuste geral do modelo

Indicador Propósito Valores Referenciais

Critérios Referências Coeficiente de Determinação de Pearson (R²) Avaliam a porção da variância das variáveis endógenas, que é explicada pelo modelo estrutural.

Para a área de ciências sociais e comportamentais, R2=2% seja classificado como efeito pequeno, R2=13% como efeito médio e R2=26% como efeito grande

Cohen (1988) Stone-Geisser ou Relevância Preditiva (Q2) Avalia a acurácia do modelo ajustado Q2 > 0 Hair Jr. et al. (2014) Índice de Adequação do Modelo ou GoF Goodness of Fit É um escore da qualidade global do modelo ajustado GoF > 0,36 (adequado) Tenenhaus et al. (2005) e Wetzels, Odekerken- Schröder e Oppen (2009) Fonte: Ringle, Silva e Bido (2014, p. 72).

Hair Jr et al. (2014) aduzem que o GoF não deve ser utilizado em pesquisas que utilizam a modelagem PLS-SEM. De acordo com tais considerações, para esta dissertação optou-se em avaliar o modelo estrutural a partir dos indicadores de Stone-Geisser ou Relevância Preditiva (Q2) e Coeficiente de Determinação de Pearson (R²), como evidenciados na Tabela 20.

Tabela 20 – Avaliação do modelo estrutural

Variáveis Relevância Preditiva (Q2) R²

Atores Humanos e Não Humanos 0,008 0,107

Atração de Interesses 0,086 0,234

Condições Econômicas Condições Política-Legais Condições Tecnológicas

Mobilização dos Aliados 0,041 0,122

Problematização 0,134 0,235

Recrutamento 0,055 0,205

Sistema de Crenças 0,123 0,187

Sistemas Diagnósticos de Controle 0,130 0,212

Sistemas Interativos de Controle 0,096 0,161

Sistemas de Restrições 0,077 0,121

Fonte: Dados da pesquisa (2017).

Conforme destacado na Tabela 20, observa-se o coeficiente de determinação (R2_{) de cada construto, que representa o quanto cada} variável dependente é explicada pelas variáveis independentes. Neste entendimento, quanto maior o R2_{, maior será o poder explicativo do} modelo. Isto posto, pode-se inferir que as variáveis com valores mais altos de explicação são: Atração de Interesses é explicada em aproximadamente 23,40%, Problematização em 23,50%, Recrutamento em 20,50% e Sistemas Diagnósticos de Controle em 21,20%. Ressalta-se que as variáveis condições econômicas, condições política-legais e condições tecnológicas são exógenas, ou seja, antecedem as outras na SEM e, por isso, não apura poder explicativo no modelo. O poder explicativo verificado em cada variável é aceito em pesquisas nas Ciências Sociais e Comportamentais nas seguintes condições: R²=2% é classificado como efeito pequeno, R²=13% como efeito médio e R²=26% como efeito grande (COHEN, 1988). Ademais, no que tange à Relevância Preditiva (Q2), a qual avalia a acurácia do modelo ajustado, esta monstrou-se adequada, uma vez que os Q2>0 (HAIR JR et al., 2014).

Dessa forma, os procedimentos adotados para a avaliação do modelo de mensuração apresentam-se positivos. Sendo assim, é possível realizar a avaliação do modelo estrutural.

Bernd (2015, p. 105) infere que “o modelo estrutural pode ser compreendido pelo conjunto de uma ou mais relações de dependência que conectam os constructos do modelo, geralmente descrita com um diagrama visual”. Após avaliado o modelo estrutural, na Figura 10 apresenta-se as relações diretas entre as variáveis, e os coeficientes do modelo estrutural.

Figura 10 – Modelo estrutural

Verifica-se na Figura 10 o diagrama dos caminhos estabelecidos para verificar a influência das pressões ambientais na formação de redes mediada pelo SCG em incubadoras de empresas. O teste do modelo estrutural é avaliado a partir das significâncias das correlações e regressões. Estes evidenciam significância com base nos valores correspondentes ao teste t para o caminho (path) utilizado no modelo, sendo aceitáveis aqueles acima de 1,96 (HAIR JR et al., 2014).

Na Figura 10, evidencia-se os coeficientes equivalentes às correlações indiretas, ou seja, por meio da mediação. A característica central de um efeito mediador (efeito indireto ou mediação) é que envolve uma terceira variável que desempenha um papel intermediário na relação entre as variáveis dependentes e independentes. Tecnicamente, o efeito da variável independente (VI) X na dependente (VD) Y é mediada por uma terceira variável, M, denominada variável mediadora ou mediador (VM) (NITZL; ROLDÁN; CARRIÓN, 2016). Segundo Vieira (2009, p. 19), “nota-se que a relação entre VI→VD ou ficará enfraquecida na presença da variável mediadora (VM) ou poderá chegar a ser nula. Se o valor for nulo, significa que a VM absorveu todo o efeito da VI sobre a DV”.

Na literatura de mediação discute-se dois tipos diferentes de mediação, mediação completa e parcial (NITZL; ROLDÁN; CARRIÓN, 2016). A mediação é completa quando há presença da variável mediadora na relação VI →VD ou ficará enfraquecida ou poderá chegar a ser nula. Nestas condições, Vieira (2009, p.20) revela que,

se o valor for nulo, significa que a variável mediadora absorveu todo o efeito da VI sobre a DV. Assim, conclui-se que a variável mediadora bloqueia todo o efeito, anteriormente existente, da VI. Esse processo é conhecido como mediação completa ou pura, uma vez que torna a relação não significativa.

A mediação parcial pode ser novamente dividida em mediação parcial complementar e competitiva (NITZL; ROLDÁN; CARRIÓN, 2016). Em uma mediação parcial complementar, o efeito direto da VI sobre a VD e o efeito indireto da VI e da VM apresentam-se na mesma direção, ou seja, apresentam-se significantes e positivos ou negativos. Tal fato indica que uma porção do efeito da VI na VD é mediada pela VM, enquanto que a VI ainda explica uma porção de VD que é independente de VM. Já na mediação competitiva o efeito direto da VI sobre a VD e o

efeito indireto da VI e da VM apresentam-se em direções distintas, indicando a presença de concorrência (NITZL; ROLDÁN; CARRIÓN, 2016).

Existem diversas maneiras de analisar a mediação dentro de um modelo estrutural (VIEIRA, 2009). Dentre esses destacam-se: i) análise passo a passo dos caminhos; ii) diferença entre coeficientes; e, iii) produto dos coeficientes. Para esta dissertação optou-se por utilizar o exame da mediação pelo procedimento do produto dos coeficientes. Este consiste em dividir a estimativa do efeito da mediadora por seu erro-padrão e comparar esse valor com uma distribuição normal padronizada (MAcKINNON et al., 2002). Entre as fórmulas de comparação, baseadas no erro padronizado, tem-se frequentemente aplicado três procedimentos, a saber: i) teste de Sobel (SOBEL, 1982; NITZL; ROLDÁN; CARRIÓN, 2016); ii) teste de Aroian (AROIAN, 1944; 1947); e, iii) teste de Goodman (GOODMAN, 1960). Em alinhamento ao que é preconizado por Baron e Kenny (1986) e Bernd (2015), foram realizados os três testes. Para a realização destes testes, há necessidade de obtenção dos coeficientes de regressão e erro padrão obtidos da relação entre as variáveis, utilizando-se do coeficiente e erro padrão unstandardized; e o resultado da VM sobre a VD, coeficiente e erro padrão unstandardized. Na Figura 11 evidencia-se o modelo de mediação preconizado para esta dissertação.

Figura 11 – Modelo estrutural de mediação

Observa-se na Figura 11, o modelo de mediação do SCG (VM) com as variáveis da Pressões Ambientais (VI) sobre as variáveis Formação de Redes (VD). O efeito total se dá pela soma dos efeitos diretos e indiretos, sendo que o efeito indireto é obtido pelo produto de a*b (GOODMAN, 1960), e C o efeito direto.

Bernd (2015, p. 110) sinaliza que “os testes de Sobel, Aroian e Goodman são utilizados para verificar se o efeito indireto da VI sobre a VD é decorrente da variável mediadora. Observa-se que se as relações de a*b são significantes, há mediação. Caso o c’ não seja significante, é confirmada a mediação completa”. Por outro lado, Preacher e Hayes (2004) mostram que o teste de Sobel não é apropriado para analisar efeitos indiretos, pois o modelo estrutural pelo método do PLS-SEM não assume que os dados são normalmente distribuídos, o que implica que os testes de significância paramétrica utilizados em análises de regressão não podem ser aplicados para testar, se coeficientes com pesos externos, cargas externas e coeficientes de caminho são significativos.

Alternativamente, os pesquisadores devem adotar um procedimento de referência não paramétrico - Bootstrap, para testar os coeficientes e sua significância (HAIR JR et al., 2014). O processo de estimação do Bootstrapping foi realizado, por meio dos procedimentos determinados pela literatura, tais procedimentos são detalhados na obra de Hair Jr et al. (2014). O processo de estimação do Bootstrapping serviu para extrair os coeficientes de caminhos para as relações diretas e indiretas (n=500, com reposição). Após a geração dos coeficientes de caminho, efetua-se o cálculo do Teste de Sobel, do teste de Aroian e do Teste de Goodman, a fim de se verificar as relações significantes entre as variáveis do modelo estrutural, em especial em relação à variável mediadora.