Neste trabalho, tal como referido por Almeida e Freire prosseguiu-se “ (…) de
um grau mais indutivo ou de descoberta de pontos de continuidade ou pregnância numa dada realidade (exploratória), para um nível mais dedutivo” (1997, p.26).
Após a recolha de dados, anteriormente descrita, estes foram editados numa base especificamente criada para o efeito, no programa Statistical Package for the
Social Sciences (SPSS) versão 17.0 para Windows.
Antes do tratamento de dados, realizou-se uma análise exploratória para verificar da normalidade da sua distribuição, recorrendo ao teste Kolmogorov– Smirnov e Shapiro-Wilk. para as variáveis idade, escolaridade e QV. Após confirmação da normalidade da distribuição dos dados, decidiu-se pela utilização dos testes paramétricos porque segundo Polit e Hungler (1995) os testes paramétricos “(…)são mais eficientes oferecendo uma maior flexibilidade do que os
128
não-paramétricos, tendo, por tais motivos, a preferência quando as variáveis são mensuradas com, no mínimo, uma escala por intervalo” (p.44). No mesmo sentido
Ribeiro (1999), referindo estes autores, acrescenta que “(…)caso se esteja em
presença de medidas ordinais de boa qualidade, chega-se aos mesmos resultados quer se utilize estatística paramétrica ou não paramétrica” (p.60). A estatística
paramétrica é considerada por vários autores com sendo mais robusta, exigindo contudo a presença dos seguintes requisitos: normalidade da distribuição de dados; variáveis intervalares e homogeneidade das variâncias, isto é a variabilidade dos resultados deve ser a mesma (Clark-Carter, 1999; Field, 2005; Ribeiro 1999).
As medidas utilizadas correspondem a somatórios de respostas a itens que, individualmente são mensuradas em escalas tipo Likert. De acordo com Nunnally e Bernstein (1994) quando se somam itens, para a obtenção de uma medida global, estas operações convertem implicitamente dados com baixo nível (ordinal) num nível superior (intervalar) de mensuração.
Para a análise descritiva dos dados foram utilizados as medidas de tendência central (média, moda e mediana) e as medidas de dispersão (desvio padrão e a variância). No sentido de analisarmos os resultados das pontuações, obtidas através das medidas de tendência central, do score total das escalas e das suas subescalas/dimensões, calculou-se o “score médio” resultante da divisão da média estatística pelo total dos itens correspondentes a cada uma das dimensões e à escala total.
Para a análise inferencial da variação e relações entre as variáveis em estudo, recorremos a testes de significância estatística, tendo em atenção as características métricas das mesmas. Utilizámos o teste t de Student sempre que as variáveis apresentavam apenas duas categorias. A aplicação informática SPSS, quando se requer o teste t de Student realiza automaticamente o teste de Levene para a verificação da homogeneidade das variâncias, quando se trata de amostras independentes “(…) em que os elementos de uma, considerados individualmente,
são independentes dos elementos da outra, também individualmente considerados”
(D’ Hainaut, 1990, p.21). Nas situações em que pretendemos analisar variáveis com mais do que duas categorias, recorremos à análise da variância univariada (teste F
da one-way ANOVA). Após esta análise, selecionámos o teste post-hoc de Scheffé,
que nos permitiu identificar quais o(s) grupo(s) onde as diferenças estatisticamente significativas se situavam. Para melhor compreendermos a influência das variáveis sócio-demograficas (género, idade, estado civil, anos completos de escolaridade, profissão, situação profissional, número de filhos, número de pessoas que constituem o agregado familiar e religião/credo) no bem-estar espiritual, na
129 qualidade de vida e nas estratégias de coping recorremos à correlação bivariada de
Pearson, ao teste F da análise de variância univariada (one-Way ANOVA) seguido
do teste post hoc de sheffé e ao teste t de Student para amostras independentes. Para analisarmos o grau de associação ou correlação entre duas variáveis quantitativas, realizaremos o coeficiente r da correlação de Pearson porque nos dá medidas da força e sentido da correlação existente (Levin, 1987).
No decurso da análise estatística, as decisões quanto ao significado das diferenças e das associações, terão como referência o nível de significação de 5% ou seja, quando a probabilidade calculada das diferenças que não seja devida ao acaso, for igual ou inferior a 0,05 (p≤0,05), sendo que em ciências humanas convencionou-se aceitar probabilidades até, pelo menos, 5 em 100 (Green & Oliveira, 1991). Considerar-se-á pouco significativa a significância de p≤0,05, significativa de p ≤0,01, muito significativa para p ≤0,001 e muitíssimo significativa para p ≤0,0001.
No que concerne às decisões quanto à importância da relação entre as variáveis através da interpretação do coeficiente de correlação não existe unanimidade nos autores (Gil,1994; Diamantopoulos & Schlegelmilch, 1997, citado por Poeschl 2000; e Pestana & Gageiro 2005a). Na ausência de consenso dos autores consultados e com o objetivo de simplificar a leitura dos resultados da correlação decidimos por estabelecer três níveis de interpretação: ≤0,40 correlações fracas; entre 0,41 e 0,69 correlações moderadas e ≥0,70 correlações fortes.
Optámos, tal como recomendado por Poeschl (2000), pelo recurso a métodos estatísticos multivariados sempre que existiu um elevado número de variáveis (dependentes e/ou independentes) relacionadas entre si em graus diversos. Ainda no sentido de analisarmos o valor preditivo das variáveis em análise, calculámos o coeficiente de regressão linear múltipla por considerarmos ser uma opção que nos garantia uma melhor seleção das variáveis com maior poder preditivo (Pestana e Gageiro, 2005b).Pesquisou-se a presença de multicolinearidade em cada um dos procedimentos de regressão através da collinearity statistics (tolerance) e do teste Durbin-Watson (Pestana & Gageiro,2005 b)
Para cada uma das análises de regressão serão apresentados os valores dos coeficientes de correlação múltiplo ajustado (R2 ajustado), os resultados do teste F e a sua significância estatística, as variáveis preditoras, assim como os valores dos coeficientes estandardizados (beta) e significância estatística do teste t. O coeficiente de determinação R2, habitualmente interpretado em valores percentuais, indica a variação de uma variável, que em média, é determinada pela outra, sendo
130 que quanto mais elevado for, maior será a variação explicada (Pestana e Gameiro, 2005b). Em certos domínios, nomeadamente nas ciências comportamentais, a variação previsível de uma variável em função da outra é pequena, podendo ser por isso considerado relevante um valor de R2 entre 10% a 25%.
Para procedermos á análise de dados relativamente a algumas variáveis sócio-demograficas e da doença, dada a quantidade de categorias inicialmente consideradas no questionário, o que nos levava a um número reduzido de observações, prejudicando por isso os resultados, procedeu-se à sua recodificação. Assim a variável religião foitransformada numa variável dicotómica: “crentes”, os que professavam uma religião ou crença onde se incluíram a Católica Evangélica, Congregação Cristã e Testemunha de Jeová e “não crentes”, os que referiram não professar nenhuma religião ou crença. Pela mesma razão na variável situação profissional, foi recodificada em dois grupos: “ativos”, abrangendo as situações dos doentes que se encontravam no ativo mas com baixa clinica, a trabalhar por conta própria e doméstica e “não ativos” que incluía os desempregados e reformados.
Pelo mesmo motivo a variável “conhecimento da doença” foi recodificada numa variável dicotómica: “conhecimento específico” da doença oncológica que incluía aqueles doentes que se referiram à doença pelo diagnóstico clínico, e doentes com “conhecimento global” da doença oncológica, aqueles que a designaram em termos muito genéricos. Porque um dos grupos apresentar uma dimensão reduzida (< 30) e não se podendo por isso recorrer ao teste paramétrico, realizou-se em alternativa o teste Mann-Witney U .
Também no que se refere à variável localização anatómica da doença foi necessário agrupar as diferentes localizações referidas na caracterização da amostra em seis grupos: 1 (boca, aparelho gastrointestinal e órgãos anexos); 2 (pulmão); 3 (Mama); 4 (ginecológico e urológico); 5 (rim e bexiga) e 6 outros (pele, cérebro e SNC, tiroide, peritoneu, ossos e cartilagens, tecidos moles, linfomas e leucemias). Com estes agrupamentos, conseguiu-se um menor número de categorias, não se perdendo informação relevante e ganhando-se na análise.
Por último a variável tipo de tratamento, foi também recodificada, tendo-se para o efeito sido agrupados os diversos tipos de tratamento em quatro grupos: “nenhum”; “tratamento cirúrgico”; “tratamento cirúrgico e não cirúrgico” e “tratamento não cirúrgico”.
131
CAPITULO VI
RESULTADOS
133
Resultados
No sentido de descrevermos os resultados obtidos, estes serão apresentados segundo os objetivos previamente definidos. No decurso da apresentação dos mesmos serão explicitados os cálculos estatísticos utilizados e apresentados apenas os resultados que se revelarem significativos ou os que, embora não significativos, forem fundamentais para a análise interpretativa.