Confirmação do modelo de mensuração

O modelo de mensuração se traduz na relação entre as variáveis latentes e as variáveis observadas; ou seja, mensuradas na realidade empírica, o que permite a medição dos fenômenos latentes existentes no modelo. O modelo de mensuração é utilizado para verificar a qualidade das medidas utilizadas para aferir essas variáveis latentes. A adequação e o ajuste do modelo de mensuração são cruciais para que o modelo de equações estruturais possa ser testado (PILATI e LAROS, 2007). Nesta pesquisa, o modelo de mensuração é representado pela relação entre as variáveis latentes (recursos, competências e vantagens competitivas) e suas respectivas variáveis observadas.

Dos indicadores reflexivos, referentes ao construto competências, foram verificadas: confiabilidade composta, validade convergente e validade discriminante. O objetivo foi garantir a confiabilidade e a validade das medidas do construto e fornecer suporte para a adequação de sua inclusão no modelo de caminho. Os indicadores de confiabilidade e de consistência interna não devem ser relatados para os indicadores dos construtos formativos, que no modelo desta pesquisa são: recursos e vantagens competitivas. Não se relata, também, a validade discriminante para medidas formativas (HENSELER, RINGLE e SINKOVICS, 2009), pelo fato de as cargas exteriores, a confiabilidade composta e a raiz quadrada da variância média extraída (Average Variance Extracted - AVE) não fazerem sentido para uma variável latente composta de medidas para as quais não há um pressuposto de que sejam correlacionadas.

O indicador confiabilidade é medido por meio da análise dos coeficientes da carga fatorial e do coeficiente de confiabilidade composta, para avaliar a consistência interna. Este indicador é obtido calculando-se o quadrado de cada carga externa. Segundo Hulland (1999) e Henseler, Ringle e Sinkovics (2009), ele deve ser idealmente superior a 0,700 (em módulo). Em caso de pesquisa exploratória, valores na faixa de 0,400 a 0,700 são aceitáveis.

Tradicionalmente, o alfa de Cronbach é usado para medir a consistência interna nas pesquisas na área de Ciências Sociais, mas ele tende a fornecer uma medida conservadora no MEE-PLS. Hair et al. (2014) explicam que o alfa de Cronbach fornece uma estimativa da confiabilidade com base nas intercorrelações dos indicadores observáveis. Ele assume que todos os indicadores são igualmente confiáveis – ou seja, todos os indicadores têm cargas exteriores iguais sobre o construto. No entanto, o MEE-PLS prioriza os indicadores de acordo com sua confiabilidade individual. Além disso, o alfa de Cronbach é sensível ao número de itens na escala e geralmente tende a subestimar a confiabilidade da consistência interna.

Bagozzi e Yi (1988) e Hair et al. (2014) sugerem a utilização de confiabilidade composta como um substituto ao alfa de Cronbach. Este indicador varia de 0 a 1. Quanto mais elevado é o valor, mais alto é o nível de confiabilidade. Valores acima de 0,600 representam níveis elevados de confiabilidade da consistência interna dos indicadores. Henseler, Ringle e Sinkovics (2009) consideram como satisfatórios coeficientes de confiabilidade composta acima de 0,700 em estágios iniciais de pesquisa, de forma similar ao alfa de Cronbach, e valores acima de 0,800 ou 0,900 em estágios mais avançados de pesquisa.

Validade convergente indica o grau em que diferentes indicadores de um mesmo construto estão correlacionados. Para verificá-la, avalia-se a variância média extraída (AVE) de cada variável latente. A AVE é a porção da variância dos dados (nas respectivas variáveis) que é explicada por cada um dos construtos, respectivos aos seus conjuntos de variáveis. Também significa o quanto, em média, as variáveis se correlacionam positivamente com os seus respectivos construtos (FORNELL e LARCKER, 1981; HAIR et al., 2014). Segundo Bagozzi e Yi (1988) e Henseler, Ringle e Sinkovics (2009), a AVE deve apresentar valores acima de 0,500, o que permite afirmar que o modelo de mensuração apresenta validade convergente.

A Tabela 4 mostra que todas as cargas fatoriais obtidas para os indicadores da única variável latente reflexiva competências, do modelo em análise, são superiores a 0,700. Todos os indicadores têm valores de confiabilidade individuais acima do nível preferido de 0,700. Em termos de confiabilidade composta, foi encontrado um nível bastante elevado, 0,958, o que indica que o modelo de mensuração se apresenta confiável para o construto competências. Ou seja, para este construto a amostra está livre de vieses e as respostas, em seu conjunto, são confiáveis. Verifica-se, por fim, que o valor da AVE é maior do que o limite mínimo aceitável de 0,500 (0,818), de modo que a validade convergente é confirmada.

Tabela 4 - Indicador de confiabilidade da consistência interna e composta e da validade convergente Variável

latente Indicadores Cargas

Confiabilidade da

consistência interna Confiabilidade

composta AVE Competências CA 0,901 0,812 0,958 0,818 CE 0,922 0,850 CP 0,929 0,863 CR 0,878 0,770 COI 0,893 0,797

Fonte: Dados coletados e processados

O indicador validade discriminante indica o grau em que diferentes construtos são realmente distintos entre si. É pressuposto que cada indicador pertencente a determinado construto tem maior poder de explicação sobre esse construto do que qualquer outro indicador pertencente aos demais construtos. A verificação deve ser feita a partir de dois critérios.

O primeiro critério é o de Fornell e Larcker (1981), o qual sugere que a raiz quadrada da AVE de cada variável latente pode ser usada para determinar a validade discriminante; ou seja, para verificar se esse valor é maior (em módulo) do que os outros valores da correlação entre variáveis latentes. Para realizar esta verificação, foi criada uma tabela em que a raiz quadrada da AVE foi calculada manualmente e escrita em negrito na diagonal da tabela. As correlações entre as variáveis latentes foram copiadas da seção Latent Variable Correlation do relatório padrão do SmartPLS e colocadas no triângulo inferior esquerdo da tabela. Esses autores sugerem que a raiz quadrada da AVE de cada variável latente deve ser maior do que as correlações entre as variáveis latentes.

Conforme explicam Henseler, Ringle e Sinkovics (2009), não se relata a validade discriminante para medidas formativas. No modelo em análise existe apenas uma variável latente reflexiva: competências.

Tabela 5 - Demonstração da validade discriminante – correlação versus AVE

Variável latente Competências Recursos Vantagens competitivas

Competências 0,904

Recursos 0,197 Construto formativo

Vantagens competitivas 0,479 0,350 Construto formativo

Fonte: Dados coletados e processados

A Tabela 4 mostra que a AVE da variável latente competências é 0,818. Portanto, sua raiz quadrada é 0,904 (Tabela 5). Este número é maior do que os valores das correlações (0,197 e 0,479). O resultado indica que a validade discriminante para esta variável está bem estabelecida, cumprindo o primeiro critério.

O segundo critério, baseado nos Cross Loadings, consiste em analisar as cargas fatoriais dos indicadores nos outros construtos aos quais esses indicadores não pertencem. Essas cargas fatoriais devem sempre ser menores (em módulo) que as cargas sobre o construto ao qual pertencem (HENSELER, RINGLE e SINKOVICS, 2009).

Tabela 6 - Demonstração da validade discriminante – cross loadings

Indicador Competências Recursos Vantagens competitivas

CA 0,901 0,130 0,408

CE 0,922 0,159 0,440

CP 0,929 0,158 0,457

CR 0,878 0,190 0,409

COI 0,893 0,253 0,448

Fonte: Dados coletados e processados

Observa-se na Tabela 6 que as cargas dos indicadores CA, CE, CP, CR e COI no construto competência são maiores que suas cargas nos construtos recursos e vantagens competitivas, o que permite constatar que o segundo critério também é cumprido, reforçando os resultados obtidos no primeiro critério. Portanto, pode-se afirmar que o modelo de mensuração para a variável latente competências tem também validade discriminante.

Dos indicadores formativos referentes aos construtos recursos e vantagens competitivas, foram avaliadas a presença de colinearidade entre os indicadores e a significância e relevância dos indicadores para a formação dos respectivos construtos, conforme é indicado por Hair et al. (2014).

Os problemas de colinearidade e de multicolinearidade entre os conjuntos de indicadores formativos precisam ser abordados. A multicolinearidade existe quando se observa forte correlação entre dois ou mais previsores (variáveis explicativas) em um modelo de regressão. Quando isso acontece, dificulta-se a avaliação da importância individual de cada previsor (HAIR et al., 2014). Neste estudo, analisou-se a colinearidade dos indicadores do construto formativo recursos e do construto formativo vantagens competitivas.

O fator de inflação da variância (Variance Inflation Factor – VIF) é um diagnóstico de colinearidade. Ele indica se um previsor tem um relacionamento linear forte com outro previsor. Para análise do VIF, conforme sugerido por Hair et al. (2014), adotou-se a regressão linear múltipla, por intermédio do software SPSS Statistics 19, utilizando-se dos dados apresentados na saída do SmartPLS (Manifest Variable Scores - Used).

Para avaliar o nível de colinearidade, é necessário calcular a tolerância. A tolerância representa a quantidade de variância de um indicador formativo não explicada pelo outro

indicador do mesmo construto. A tolerância e o VIF são fornecidos na saída da análise de regressão.

Não é recomendável um valor de VIF acima de 10. A estatística de tolerância menor que 0,100 indica um problema sério de colinearidade. Hair et al. (2014) recomendam um VIF de 5, ou menos, e um nível de tolerância de 0,200, ou mais, para evitar o problema de colinearidade. O VIF é calculado dividindo-se 1/tolerância.

A Tabela 7 mostra que todos os valores de VIF estão dentro da referência indicada por Hair et al. (2014) – ou seja, abaixo de 5 – e que os níveis de tolerância estão acima de 0,200. Isso indica que não há problema de colinearidade entre os indicadores desses construtos.

Tabela 7 - Análise da colinearidade dos indicadores dos construtos formativos

Construto Indicador

Diagnóstico de colinearidade

Tolerância Fator de inflação da variância (VIF)

Recursos RF 0,885 1,130 RI 0,852 1,173 RO 0,928 1,077 RR 0,798 1,252 Vantagens competitivas EIGR 0,857 1,167 PIVDPE 0,475 2,104 PIVDUL 0,496 2,018 RONPAT 0,342 2,927 RONTECTRA 0,268 3,732 RPAT 0,401 2,496 RTECTRA 0,822 1,217 VOVDPE 0,206 4,858 VOVDUL 0,203 4,931

Fonte: Dados coletados e processados.

A avaliação da significância e relevância concentra-se em analisar se cada indicador do construto contribui para a formação do índice. Por isso, a significância e a relevância dos pesos do indicador devem ser avaliadas. Os pesos não significativos dos indicadores não devem ser interpretados automaticamente como indicativo de qualidade ruim do modelo mensurado. Os pesquisadores devem considerar, também, a contribuição absoluta do indicador formativo para sua construção (isto é, suas cargas). Apenas se ambos os pesos e as cargas forem baixos, ou mesmo não significativos, é que o os pesquisadores devem avaliar a possibilidade de exclusão do indicador formativo (HAIR et al., 2014).

Para verificar se os indicadores dos construtos formativos recursos (RF, RI, RO e RR) e vantagens competitivas (EIGR, PIVDPE, PIVDUL, RONPAT, RONTECTRA, RPAT,

RTECTRA, VOVDPE e VOVDUL) realmente contribuem para sua formação, avaliou-se a significância e relevância desses indicadores.

As significâncias são avaliadas por meio de um processo de reamostragem. Wong (2013) explica que o SmartPLS pode gerar o valor da Estatística T para a significância testando ambos os modelos, interno e externo, por meio da técnica chamada “Bootstrapping”. Nesse processo, a técnica trata a amostra observada como se ela representasse a população. Um grande número de subamostras (por exemplo, 5.000) é tomado a partir da amostra original, com substituição, para apurar os erros-padrão de inicialização, resultando em valores da Estatística T aproximados para os testes de significância.

Henseler, Ringle e Sinkovics (2009) salientam que cada amostra deve ter o mesmo tamanho da amostra original e que as amostras tomadas pelo procedimento são feitas com reposição. Para processar esse procedimento, optou-se neste estudo por considerar 5.000 amostras, de tamanho igual a 123 cada uma.

Segundo Wong (2013), usando um teste T de duas caudas, com um nível de significância de 5% (0,050), o coeficiente de caminho será significativo se a Estatística T for maior do que 1,960. O valor T crítico é de 1,650 para um nível de significância de 10% (0,100) e de 2,580 para um nível de significância de 1% (0,010), todo bicaudal.

Após rodar a técnica Bootstrapping para os dados coletados, o SmartPLS apresentou, na saída Outer Weights (Mean, STDEV, T-Values), os números constantes na Tabela 8, os quais evidenciam que apenas os indicadores EIGR e PIVDUL do construto vantagens competitivas se apresentam estatisticamente significativos, de acordo com os parâmetros estabelecidos (1%, 5% e 10%).

Tabela 8 - Parâmetros estimados para os modelos de mensuração Construto Indicador

Peso amostra original

Erro-padrão Estatística T Valor p

Recursos RF -0,273 0,432 0,631 0,529 RI -0,422 0,408 1,034 0,303 RO 0,831 0,511 1,627 0,106 RR 0,291 0,362 0,802 0,424 Vantagens competitivas EIGR 0,760 0,183 4,088*** 0,000 PIVDPE -0,160 0,186 0,751 0,454 PIVDUL 0,756 0,213 2,787*** 0,006 RONPAT -0,010 0,271 0,025 0,980 RONTECTRA -0,034 0,408 0,083 0,934 RPAT 0,017 0,407 0,064 0,949 RTECTRA 0,072 0,221 0,324 0,746 VOVDPE 0,091 0,557 0,163 0,871 VOVDUL -0,025 0,564 0,044 0,965

Nota: Número de amostras geradas no processamento por Bootstrapping = 5.000 Número de casos por amostra = 123

Grau de liberdade = 122 Estatística T = peso/erro-padrão

* p < 0,100; ** p < 0,050; *** p < 0,010 Fonte: Dados coletados e processados

Hair et al. (2014) ressaltam que com um número de indicadores formativos elevado torna-se provável que um ou mais indicadores tenham pesos baixos, ou mesmo não significativos. Quando os indicadores não são correlacionados, o máximo possível de peso exterior é dado pela fórmula = 1/Raiz de n, em que n é o número de indicadores. Neste estudo, o construto formativo recursos tem quatro indicadores. Utilizando essa fórmula, o máximo possível de peso para os indicadores deste construto é 0,500. Já para os indicadores do construto vantagens competitivas o máximo possível de peso é 0,333.

Hair et al. (2014) alertam para o fato de que os pesos não significativos não devem ser automaticamente interpretados como indicativo de má qualidade do modelo de mensuração. Ao contrário, os pesquisadores também devem considerar a contribuição absoluta do indicador formativo para o seu construto (ou importância absoluta), isto é, as informações que um indicador fornece sem considerar quaisquer outros indicadores. A contribuição absoluta é dada pelas cargas exteriores do indicador formativo. Quando o peso externo de um indicador não é significativo, mas a sua carga exterior é elevada (isto é, acima de 0,500), o indicador deve ser interpretado como absolutamente importante, mas não tão relativamente importante. Nesta situação, o indicador, em geral, deve ser mantido. Mas quando um indicador tem um peso não significativo e a carga exterior é inferior a 0,500, os pesquisadores devem decidir se desejam manter ou retirar o indicador ao examinarem sua relevância teórica e potencial sobreposição de conteúdo com outros indicadores do mesmo construto.

Seguindo esse critério, a Tabela 9 mostra que os indicadores RO do construto recursos e os indicadores EIGR e PIVDUL do construto vantagens competitivas são os únicos indicadores significativos. Hair et al. (2014) recomendam que antes de se remover um indicador formativo é necessário verificar sua relevância do ponto de vista da validade de conteúdo, pois uma omissão de um indicador formativo significa a omissão de alguns conteúdos do construto. Neste estudo, optou-se pela não exclusão de indicadores.

Tabela 9 - Comparação entre pesos e cargas

Construto Indicador Peso

amostra original Carga amostra original Recursos RF -0,273 -0,199 RI -0,422 -0,557 RO 0,831 0,877 RR 0,291 -0,064 Vantagens competitivas EIGR 0,760 0,749 PIVDPE -0,160 0,351 PIVDUL 0,756 0,626 RONPAT -0,010 0,279 RONTECTRA -0,034 0,310 RPAT 0,017 0,245 RTECTRA 0,072 0,260 VOVDPE 0,091 0,047 VOVDUL -0,025 0,032

Fonte: Dados coletados e processados

Em termos da relevância dos indicadores dos construtos formativos, observa-se na Tabela 9 que apenas o indicador RO (peso 0,831) do construto recursos se destaca em relação aos demais, assim como os indicadores EIGR (peso 0,760) e PIVDUL (peso 0,756), do construto vantagens competitivas.