Critérios para a escolha dos procedimentos estatísticos de análise do

Antes de se proceder a uma análise fatorial, foi estimado o coeficiente Kaiser- Meyer-Olkin (KMO) e realizado o teste de esfericidade de Bartlett (BTS - Bartlett Test of Sphericity). Estes procedimentos confirmam a validade da aplicação da análise fatorial ao conjunto de variáveis (no caso, as variáveis são os itens). Eles são utilizados para verificar a existência de problemas de identidade nos dados, bem como, verificar se as correlações entre os itens foram suficientes e adequadas para a utilização da análise fatorial (HAIR et al., 2005).

Segundo Hair et al. (2005), valores de KMO acima de 0,50 para a matriz completa indicam ser apropriada a aplicação da análise fatorial. O teste de esfericidade de Bartlett testa a hipótese nula de que a matriz das covariâncias das variáveis dependentes ortonormalizadas é proporcional a uma matriz de identidade. Este teste é baseado na distribuição qui-quadrado com p(p-1)/2 (número de correlações possíveis), graus de liberdade e o valor da probabilidade de significância deve ser menor que 5% (p< 0,05). A aplicação do teste de Bartlett requer que as variáveis envolvidas na análise tenham distribuição normal p-variada, o que nem sempre é verificado.

Para se determinar o número de dimensões ou fatores que um questionário possui, observam-se os autovalores (eigenvalues). Os autovalores são números que refletem a importância do fator. O número de fatores a serem extraídos pode ser obtido pelo critério de autovalores maiores do que um (>1) ou pelo critério da

percentagem da variância explicada, que define o percentual da variação que os fatores a serem extraídos devem explicar. O percentual de variância explicada, considerado como satisfatório, é entre 40% e 60% da variância total explicada (KLINE, 2011).

Para todas as análises do questionário foi utilizada uma análise Fatorial Exploratória (AFE), com o método de extração FIML - Full Information Maximum Likelihood (máxima verossimilhança com informação total), e a rotação Geomin por meio de matrizes de covariância policórica, para dados ordinais no pacote estatístico MPlus®, versão 5.21 for Windows®.

O método de extração dos dados pela FIML é um dos mais adequados para identificar a probabilidade máxima estimada de erros padrões em escalas que utilizam integração numérica por algoritmo e que apresentam missings durante o processo de preenchimento dos questionários (BROWN, 2006; KLINE, 2011; MUTHÉN; MUTHÉN, 2010).

A rotação oblíqua Geomin é uma das mais recomendas na atualidade para rodar fatores provenientes de dados ordinais, em matrizes policóricas, quando os itens do fator possuem cargas em mais de um fator (KLINE, 2011; MUTHÉN; MUTHÉN, 2010).

Segundo diferentes autores, o modelo de análise fatorial confirmatória é muito útil em processos de validação de escalas para medir constructos específicos, especialmente quando os dados de que se dispõe são resultados da aplicação de um instrumento estruturado de medida e quando se pretende validar determinada hipótese estrutural decorrente da análise lógica do conteúdo (HAIR et al., 2005; HOOPER; COUGHLAN; KLINE, 2011; MULLEN, 2008).

Para Kline (2011), os modelos de análise fatorial confirmatória (AFC), para ratificar a validade dos indicadores como agentes de seus respectivos constructos, são realizados ajustando-se os dados de entrada, ou seja, a matriz de covariância amostral a um modelo de medida. A seguir, por meio do diagnóstico da adequação do ajuste alcançado, atribui-se ao modelo de mensuração certo grau de validade de constructo.

Segundo Hair et al. (2005), os três tipos de medidas de ajuste geral, úteis na análise fatorial confirmatória, podem ser representados por medidas de ajuste absoluto, incremental e parcimonioso.

Normalmente, as medidas de ajuste absoluto, incremental e parcimonioso são encontradas somente nas análises fatoriais confirmatórias dos programas estatísticos. Entretanto, cabe ressaltar que estes mesmos indicadores podem ser utilizados na fase exploratória, por meio de programas como o MPlus®, versão 5.21 for Windows®, os quais já oferecem a possibilidade, no software, da apresentação de alguns valores de ajuste de medidas que poderão orientar o pesquisador no momento da escolha do número de fatores, para se efetuar então, a análise fatorial confirmatória.

As medidas de ajuste absoluto determinam o grau em que o modelo de medida construído é capaz de predizer, com o menor erro possível, a matriz de variância-covariância ou a matriz de correlação utilizada na modelagem (KLINE, 2011). Abaixo serão descritas as principais medidas de ajuste absoluto utilizadas neste estudo e que seguem as recomendações propostas na literatura (HOOPER et al., 2008; KLINE, 2011).

O teste de Qui-Quadrado (x2), quando apresenta um p significativo, sugere que o modelo não se ajusta aos dados, uma vez que o teste analisa a diferença entre as covariâncias reproduzidas no modelo e as covariâncias dos dados da pesquisa. Kline (2011) afirma que quanto maior for essa diferença, maior será o valor do teste. Assim, um p estatisticamente significativo indica diferenças substanciais entre o modelo hipotetizado pelo instrumento e os dados analisados. Para reduzir a sensibilidade do teste do Qui-Quadrado ao tamanho da amostra e a complexidade do modelo, Kline (2011) recomenda a divisão dos seus valores pelos graus de liberdade.

O índice de SRMR - standardized root mean square residual - (raiz quadrada média residual estandardizada) é um índice absoluto, baseado nas correlações residuais, e representa as diferenças entre as matrizes de correlações observadas e as preditas pelo modelo (KLINE, 2011). Assim, valores próximos de zero indicam um bom ajustamento (BROWN, 2006).

O RMSEA - Root-mean-square Error of Approximation - (raiz quadrática média do erro de aproximação) é um dos principais índices quando se avalia equações estruturais (KLINE, 2011). Uma grande virtude deste índice é que ele inclui, em sua equação, uma correção para a complexidade do modelo, tornando-o sensível ao número de parâmetros do modelo, mas relativamente insensível ao tamanho da amostra (BROWN, 2006; KLINE, 2011).

As principais medidas de ajuste comparativo são os índices de CFI - Comparative Fit Index (índice de ajuste comparativo) e o TLI -Tucker-Lewis índex- (índice de Tucker Lewis). Estes índices avaliam o ajuste incremental do modelo estimado comparado com um modelo nulo, objetivando determinar se todos os indicadores estão associados a um único fator latente. Em ambos os índices, os valores variam entre 0 e 1, sendo que os valores maiores indicam maiores níveis de ajuste do modelo (BROWN, 2006; HOOPER, et al., 2008; KLINE, 2011).

Outro índice utilizado neste estudo foi o WRMR - weighted root mean square residual - (raiz quadrada média residual ponderada), que é fornecido somente quando se utiliza o método de estimação por dados categóricos WLSMV (Mean and variance adjusted weighted least squares – mínimos quadrados ponderados robusto) do pacote estatístico MPlus®, versão 5.21 for Windows®. Este indicador é recomendado quando se avalia modelos complexos com um número amostral superior a 250 indivíduos, sendo que o valor de seu índice varia de zero a infinito (BROWN, 2006; KLINE, 2011; MUTHÉN; MUTHÉN, 2010).

O QUADRO 6 apresenta uma síntese dos valores sugeridos pela literatura (BROWN, 2006; HAIR et al., 2005; HOOPER et al., 2008; KLINE, 2011; MUTHÉN; MUTHÉN, 2010) em relação a bons indicadores de medida de ajuste para as análises fatoriais exploratória (AFE) e confirmatória (AFC).

QUADRO 6

Parâmetros de avaliação de medidas de ajuste para análises fatoriais Medidas de qualidade de ajuste Valores de ajuste aceitáveis

Medidas de ajuste absoluto

x2 (Qui-Quadrado) p<0,05

SRMR <0,08

RMSEA <0,07

Medidas de ajuste comparativo

TLI ≥0,95

CFI ≥0,95

WRMR <1,0

Fonte: Adaptado de HOOPER et al., 2008; KLINE, 2011; MUTHÉN; MUTHÉN, 2010.

A confiabilidade do RESTQ-Coach na versão brasileira foi avaliada pelo coeficiente Alpha de Cronbach que, de acordo com Pasquali (2010), é o método mais utilizado para medir a confiabilidade quando esta é entendida como uma consistência interna dos indicadores da escala. Ou seja, os indicadores da escala, altamente intercorrelacionados, devem estar medindo o mesmo construto latente. Segundo esse autor, é particularmente adequado para instrumentos multidimensionais, como é o caso do RESTQ-Coach.

Assim, o coeficiente Alpha de Cronbach foi utilizado com o objetivo de correlacionar os itens de cada escala de um grupo de respostas para, a partir dessa correlação, chegar-se a um índice de confiabilidade. De acordo com Hair et al. (2005) e Pasquali (2010), muitos pesquisadores estabelecem um índice Alpha de Cronbach igual ou acima de 0,70 como sendo confiável quanto à variável que se pretende mensurar (CRONBACH, 1951; CRONBANCH; MEEHL, 1995; NUNALLI, 1978).

4.4.4 Procedimentos de testagem das propriedades psicométricas do RESTQ-