Métodos de Análise de Dados

No presente estudo, recorreu-se a um software aplicativo do tipo científico que permite aceder e proceder à análise estatística dos dados, muito utilizado em Ciências Sociais - SPSS (Statistical Package for the Social Sciences). Utilizando esta ferramenta, analisaram-se medidas descritivas,

analisou-se a consistência interna por recurso ao Alpha de Cronbach para determinar a fidelidade dos dados, realizou-se uma análise fatorial exploratória, fez-se uma análise descritiva de correlações e verificaram-se as diferenças de médias e regressão a fim de analisar e caracterizar os níveis de perceção de qualidade do serviço e as variáveis. Uma medida central nestas análises foram os gaps, calculados para cada item do instrumento de recolha de dados. Considerou-se que o gap, calculado através da comparação entre a Perceção (P) e Importância (I) resultaria na medida de qualidade do serviço correspondente a um item específico (Gap = P - I). Se essa diferença resultar num gap negativo, indica que a Perceção (P) dos clientes sobre o desempenho serviço é menor relativamente à Importância (I) que atribuem, ou seja, o nível de qualidade que concedem ao serviço é baixo. No caso de um gap positivo, a Perceção dos clientes é maior do que a Importância atribuída e o nível de qualidade já é alto.

4.5.2.1 Análise Fatorial

A análise fatorial é um método estatístico multivariado que permite transformar um conjunto de variáveis iniciais correlacionadas entre si noutro conjunto com um menor número de variáveis não correlacionadas que resultam de combinações lineares das variáveis iniciais, o que reduz a complexidade de interpretação dos dados. Assim, a análise fatorial procura simplificar os dados através da redução do número de variáveis necessárias para os descrever.

A análise fatorial pode ser de dois tipos: i) exploratória, onde se analisam as relações entre as variáveis sem um modelo base à partida; ii) confirmatória, que compara os resultados obtidos com um modelo de partida. No presente estudo aplicou-se uma análise fatorial exploratória. Malhotra (2001) defende que a análise fatorial pode ser aplicada no caso de ser necessário: i) identificar fatores ou dimensões que interpretem correlações entre um determinado conjunto de variáveis; ii) identificar variáveis não correlacionadas num conjunto novo, menor, e substituir por um conjunto original de variáveis correlacionadas; iii) identificar variáveis que se evidenciam no conjunto das variáveis.

Hair et al. (2005) defendem que, na realização de uma análise fatorial, é fundamental passar por várias etapas. Primeiramente, identificam-se os objetivos da análise, as variáveis e suas especificações e determinação do tamanho adequado da amostra. O autor sustenta que a amostra não deve conter menos de 100 casos e que esta deve ter um tamanho entre quatro ou cinco vezes superior ao mínimo de variáveis (Hair et al., 2005). Tal foi tido em consideração no presente estudo, uma vez que a análise fatorial a 22 itens foi fundamentada num total de 241 casos.

De seguida, constrói-se a matriz de correlação. A adequação da amostra pode ser determinada através do teste de esfericidade de Bartlett ou do índice de adequação de Kaiser-Meyer-Olkin, caso esta matriz de correlação apresente valores baixos, a análise fatorial pode tornar-se desajustada. O teste de esfericidade de Bartlett testa a hipótese nula, ou seja, se as variáveis não se correlacionem na amostra. Já o índice de adequação da amostra de Kaiser-Meyer-Olkin (KMO) compara as magnitudes dos coeficientes de correlação parcial. Quando os valores da adequação da amostra de KMO se apresentam baixos, indica que a correlação de pares das variáveis não pode ser explicada por outras variáveis e, portanto, a análise fatorial não é viável. Esses valores deverão situar-se entre 0 e 1, caso contrário, um valor baixo, como por exemplo 0,5 indica que a análise é inapropriada.

Numa outra fase, determinam-se os pesos “scores”, também designados por coeficientes dos fatores ou cargas fatoriais que compõem cada um dos fatores resultantes da análise fatorial. Os coeficientes de uma análise fatorial podem ser obtidos através da análise de fatores comuns ou de componentes principais, sendo este último o método mais comum.

Seguidamente, procede-se à extração do número de fatores que compõem a análise. Estes resultados poderão ser obtidos através da determinação à priori, através do scree plot e na determinação com base na percentagem da variância de resultados ou em auto valores.

Passa-se, assim, à análise da rotação de fatores, designada de ortogonal caso os eixos se mantenham num ângulo alinhado e se se verificar uma correlação entre os fatores. Desta forma, a matriz de fatores torna-se mais simples e fácil de interpretar.

Por fim, interpretam-se os fatores, que facilmente são identificados pelas cargas fatoriais que cada variável apresenta.

4.5.2.2 Consistência Interna

Para Almeida, L. (2003) a consistência interna traduz a coerência das respostas dos inquiridos a cada um dos itens que compõem o constructo da prova. O autor refere que a consistência interna é habitualmente confundida por coeficiente “alfa”, método estatístico utilizado na análise com escalas do tipo Likert.

Segundo o autor, avaliar a fidelidade dos resultados de uma investigação comprova o grau de confiança ou de exatidão da informação obtida. Existem duas formas para determinar a fidelidade de uma escala: através do teste-reteste, em que a consistência é avaliada em dois pontos do tempo, de acordo com as respostas do inquirido, e através da consistência interna entre as

variáveis, no caso da aplicabilidade de uma escala de escolha múltipla. Essa consistência interna determina se os itens da escala contêm alta inter-correlação e se medem o mesmo constructo. O coeficiente de alfa de Cronbach é o método estatístico mais usado por diversos autores (Hair et al., 2005; Malhotra, 2001; Parasuraman et al., 1994) para avaliar a consistência interna de escalas múltiplas, como é o caso de escalas de tipo Likert. O coeficiente pode variar entre 0 e 1 e segundo defende Hair et al., (2005) e Malhotra (2001), o limite mínimo aceitável varia entre 0,60 e 0,70.

4.5.2.3 Análise de Correlação e Comparação de Médias

Com a análise de correlação pretendeu-se conhecer a associação entre a variável idade e a qualidade percebida do serviço. A análise de diferença de médias serviu para caracterizar os níveis de perceção de qualidade em função dos marcadores sócio-demográficos considerados na investigação (idade e sexo dos inquiridos; ciclo de estudos; frequência noutras universidades; estatuto trabalhador-estudante e curso frequentado).

4.5.2.4 Análise de Regressão

A análise de regressão linear múltipla consiste numa técnica que permite extrair vários tipos de informação, a saber: a verificação de variáveis em que se pode analisar se essas mesmas variáveis contêm uma função linear, relacionando variáveis independentes à variável dependente; se existe relação de associação entre as mesmas e se estas contêm significação estatística quando relacionadas; e a importância relativa das variáveis independentes (Hair et al., 2005).

Assim, esta análise foi utilizada com o intuito de testar a associação entre as variáveis independentes resultantes da análise fatorial e a variável independente qualidade do serviço.