Desenvolvimento de Teoria
7.3 Construção do Modelo Explicativo-Preditivo
De posse dos dados, a próxima etapa é o desenvolvimento do modelo quantitativo. Esta construção se dá em três estágios distintos definidos, essencialmente, a partir do emprego de técnicas estatísticas consagradas. A seguir, estas fases são descritas detalhadamente.
7.3.1 Análise Fatorial Exploratória
Estabelecidas o conjunto de trinta e seis variáveis que, segundo o referencial teórico, são importantes para o desempenho dos elos da cadeia de suprimentos, a próxima etapa é verificar a possibilidade de sintetizá-las em um número menor de dimensões. Para este propósito, utiliza-se a análise fatorial. Desenvolvida inicialmente na área da psicologia (HARMAN, 1976), esta é uma técnica estatística empregada para redução e sumarização dos dados. Trata- se, em outras palavras, da identificação de dimensões latentes ou fatores que possam substituir o conjunto original de variáveis correlacionadas na análise multivariada subseqüente. Por exemplo, os fatores psicográficos identificados a partir de um conjunto de dados podem ser usados como variáveis independentes para explicar as diferenças entre clientes fiéis e eventuais de um estabelecimento comercial.
São seis as etapas para execução da análise fatorial. A primeira é a formulação do problema de análise fatorial e identificação das variáveis a serem analisadas. A partir destes dados, constrói-se uma matriz de correlação. Esta fase permite uma avaliação preliminar da adequabilidade da técnica. Caso as correlações entre as variáveis escolhidas sejam pequenas, a análise fatorial poderá não conduzir a bons resultados. Por outro lado, se houver variáveis altamente correlacionadas, as chances de se obter resultados satisfatórios cresce.
A terceira etapa é determinada pela escolha do método de análise fatorial. Existem duas técnicas basicamente: a análise de componentes principais e a análise fatorial comum. A primeira é recomendada quando a preocupação maior é determinar o número mínimo de fatores que respondem pela máxima variância nos dados para utilização em análises multivariadas subseqüentes. Os fatores são chamados de componentes principais. Já a análise fatorial comum é adequada quando a preocupação principal é identificar as dimensões subjacentes e a variância comum é um elemento de interesse. Vale dizer que existem ainda outras formas de estimação dos fatores comuns, incluindo o método dos mínimos quadrados não-ponderados, o método dos mínimos quadrados generalizados, a máxima verossimilhança, o método alfa e o fatoramento da imagem.
A etapa seguinte é a determinação do número de fatores a serem extraídos. A princípio, é possível calcular tantas componentes principais quantas são as variáveis. Entretanto, esta escolha não acarretaria em redução das variáveis, fazendo com que o objetivo principal não fosse atingido. Assim, quatro critérios estão descritos abaixo para cumprimento desta etapa. Destaca-se, desde já, que o pesquisador pode optar pela utilização de mais de uma técnica simultaneamente. Este procedimento faz com que os resultados sejam ainda mais consistentes.
Determinação à Priori
Adotada em função do conhecimento prévio do pesquisador. Assim, a extração cessa quando se atinge o número desejado de fatores.
Determinação com base em Autovalores
Sabendo-se que um autovalor representa a quantidade da variância associada ao fator, nessa abordagem são retidos apenas os fatores com autovalores superiores a 1,0; os outros são excluídos do modelo. Isto ocorre pois, devido à padronização, uma variável isolada tem variância unitária.
Determinação com base no Scree Plot
O Scree Plot é uma representação gráfica dos autovalores versus número de fatores pela ordem de extração. Neste processo, o número de dimensões será determinado pelo ponto onde ocorre uma notável interrupção no declive da curva.
Determinação com base na Percentagem da Variância Explicada
Nesta abordagem, o número de fatores extraídos é determinado de forma que a percentagem acumulada da variância extraída pelos fatores atinja um nível satisfatório. Malhotra (2001) recomenda, todavia, que os fatores extraídos respondam por, no mínimo, 60% da variância.
A quinta etapa é a escolha do método de rotação. Esta fase tem por objetivo identificar a relação entre os fatores e as variáveis pesquisadas. Basicamente, são duas as técnicas de rotação: ortogonal e oblíqua. A rotação é denominada ortogonal quando os eixos são mantidos em ângulo reto, sendo o método mais comum o processo varimax. Neste caso, a rotação é feita de forma a minimizar o número de variáveis, com altas cargas sobre um fator, reforçando assim a interpretabilidade dos fatores. A rotação ortogonal gera fatores não-correlacionados. Já o segundo método se diz oblíquo visto que os eixos não se mantêm em ângulo reto e os fatores são correlacionados. O Esquema 42 ilustra um exemplo de rotação varimax com dois fatores e sete variáveis.
Esquema 42 - Exemplo de rotação varimax.
A sexta etapa é reservada à interpretação dos fatores rotados que podem ser compreendidos em termos das variáveis que os oneram fortemente.
7.3.2 Validação da Escala de Desempenho
Seguindo-se o projeto de pesquisa, o estágio seguinte é a construção e validação da escala que medirá o Desempenho da Empresa como Elo de uma cadeia de Suprimentos a partir das respostas colhidas na quarta parte do questionário. Em outras palavras, significa dizer que se deve montar e verificar se este instrumento faz o que é pressuposto fazer e se mede o que é suposto medir (DAVIS e COSENZA, 1988). São duas etapas que definem este processo. A primeira é a validação do conteúdo da escala (HAIR et al, 1998), que foi executada por meio de nove especialistas que criticaram e sugeriram alterações a respeito do conteúdo e do formato do questionário. Já a segunda etapa é a verificação da sua consistência interna (PEDHAZUR e SCHMELKIN, 1991) dada pela verificação de sua unidimensionalidade. O modelo mais aceito é o de Alfa de Cronbach que mede a consistência interna a partir da correlação média interitens. Este mesmo método ainda emprega o teste de Hotelling, que testa a hipótese nula de que todos os itens da escala possuam a mesma média. Outros métodos menos usados para são os de Guttman, Paralelo e o Paralelo Stritu (SPSS®, 2001).
7.3.3 Regressão Linear Múltipla
A terceira e última etapa de construção do modelo baseia-se na aplicação de uma regressão linear múltipla. Esta técnica tem como objetivo estabelecer uma relação causal quantitativa entre o desempenho do elo (variável dependente) e os fatores identificados a partir da análise fatorial (variáveis independentes). A partir desta equação, torna-se possível mensurar o impacto de cada uma das dimensões sobre o desempenho, bem como se elaborar previsões sobre o seu comportamento tendo-se como base as respostas do questionário. Os parâmetros a serem analisados para validação da equação são: coeficiente de determinação do modelo (R2), F de significação, os p-values e os resíduos (teste da homocedasticidade). Uma vez que todos as estatísticas sejam verificadas e aprovadas, o modelo explicativo-preditivo está pronto para uso: seus resultados e as análises decorrentes podem, então, ser considerados válidos e cientificamente consistentes.