Modelo de Mensuração

O primeiro passo para a Análise PLS para modelos reflexivos é a avaliação do modelo de mensuração por meio da sua validade convergente (Average Variance Extracted – AVE), confiabilidade e validade discriminante (cross loadins e critério de Fornell-Lacker) (HAIR et al., 2014).

A primeira avaliação realizada foi referente às cargas dos indicadores conforme citam Hair et al. (2014), (a) indicadores com cargas inferiores a 0,4 são eliminados do modelo; (b) sendo a pesquisa exploratória, indicadores maiores que 0,4 e menores que 0,7 são eliminados somente quando ocorre aumento significativo de confiabilidade composta (CC) do construto e quando não são afetados os critérios de validade discriminante e convergente do modelo; e (c) indicadores com cargas maiores ou igual a 0,7 conferem pronta confiabilidade aos construtos.

Ao avaliar o modelo de mensuração gerado, alguns construtos como (AS3, TR1) ficaram próximos ao limite de 0,6, no entanto, a eliminação destes construtos não gerou aumento significativo da CC, portanto optou-se por seguir as recomendações de Hair et al. (2014) e mantê-los no modelo. A Figura 6 apresenta o modelo de mensuração inicial.

Figura 6 – Modelo de Mensuração inicial

79 No entanto, ao avaliar a validade discriminante deste modelo, ainda foram identificados alguns problemas nas correlações entre o capital humano e capital estrutural, e também entre o capital estrutural os componentes da ACAP, conforme pode-se visualizar na Tabela 10, que apresenta a validade discriminante do modelo de mensuração inicial.

Tabela 10 – Validade Discriminante do Modelo de Mensuração Inicial

CAPHUM CAPEST CAPREL PACAP RACAP INOVINC INOVRAD

CAPHUM 0,7947326 CAPEST 0,8048 0,7913279 CAPREL 0,5867 0,6573 0,8591274 PACAP 0,7491 0,8612 0,6285 0,793410 RACAP 0,7273 0,8046 0,6 0,8704 0,775177 INOVINC 0,5327 0,666 0,4514 0,6555 0,7327 0,872238 INOVRAD 0,5426 0,6213 0,4751 0,6327 0,7025 0,8494 0,903825

Fonte: elaborado pelo autor conforme dados da pesquisa (2017)

Diante da necessidade de se obter a validade discriminante do modelo, optou- se por iniciar a exclusão de indicadores que apresentavam cross loadings elevados em outras VLs conforme a recomendação de Hair et al. (2014). Ou seja, os indicadores que tinham cargas maiores em outras VLs do que na sua VL, ou então, que apresentavam carga elevada em outra VL foram excluídos.

Nesta etapa foram excluídos do modelo final de mensuração os indicadores, CE4, CE5, AQ4, AQ5, AS4, AS5, TR5, TR6 e AP4 para que o modelo estivesse adequado conforme os parâmetros pré-estabelecidos.

A partir das exclusões realizadas no modelo de mensuração inicial foi organizado um novo modelo de mensuração que consta na Figura 7 e realizado um novo calculo no PLS. Este modelo final considera todas as exclusões realizadas na análise fatorial exploratória unidimensional das dimensões do capital intelectual, e também na avaliação do modelo de mensuração inicial a partir da avaliação dos cross loadings, conforme descrito anteriormente.

Da mesma forma que no modelo inicial, neste modelo de mensuração final, alguns indicadores tiveram seus índices no calculo PLS, próximos a 0,6, no entanto a exclusão destes não gerou melhoria significativa da CC do modelo e diante disso, foram mantidos conforme as recomendações de Hair et al. (2014), que somente recomenda a exclusão destes se gerarem melhorias significativas à CC do modelo.

80 Figura 7 – Modelo de Mensuração Final

Fonte: elaborado pelo autor conforme dados da pesquisa (2017)

Após a avaliação inicial do modelo de mensuração, inicia-se a avaliação da validade convergente e da confiabilidade do modelo proposto, que foi avaliada por meio da Average Variance Extracted (AVE) e na Composite Reliability (CR) das VLs. Conforme Hair et al. (2014), a AVE mede a percentagem da variância total dos indicadores que é explicada pela VL, este valor deve ser maior que 0,50. Com relação à CR, Fornell e Larcker (1981) avalia o quanto os indicadores suportam os construtos, tendo como referência que estes valores devem ser maiores do que 0,70.

Outro indicador que geralmente é utilizado para avaliar o modelo de mensuração é o alfa de Cronbach, no entanto, Hair et al. (2014) citam que este índice não é o mais indicado para a esta analise tendo em vista que fornece uma estimativa da confiabilidade com base nas inter correlações das variáveis observadas.

Desta forma, no caso da MEE-PLS, a verificação da confiabilidade está concentrada na análise da CR. A Tabela 11 apresenta os resultados da AVE e CR referente ao modelo proposto.

81 Tabela 11 – Resultados da AVE e CR do modelo Final

AVE

Composite

Reliability R Square

Cronbachs

Alpha Communality Redundancy

CAPEST 0,702 0,9039 0 0,8578 0,702 0 CAPHUM 0,6275 0,8938 0 0,8517 0,6275 0 CAPREL 0,7386 0,9187 0 0,8826 0,7386 0 INOVINC 0,7607 0,927 0,3561 0,8953 0,7607 0,2661 INOVRAD 0,8169 0,9469 0,5153 0,9251 0,8169 0,4196 PACAP 0,6287 0,9097 0,6951 0,8796 0,6287 0,3566 RACAP 0,6163 0,9057 0,713 0,8747 0,6163 0,2417

Fonte: elaborado pelo autor conforme dados da pesquisa (2017)

Desta forma, pode-se visualizar que os valores da AVE estão acima de 0,50 e da CR acima de 0,70, portanto o modelo proposto apresenta indicadores adequados referente à validade convergente e confiabilidade do modelo.

Após a avaliação da validade convergente e confiabilidade, verifica-se a validade discriminante do modelo. Conforme Hair et al. (2014), o modelo terá validade discriminante se cada um dos indicadores obtiver cargas superiores em seus próprios construtos do que em qualquer outra VL.

A Tabela 12, apresenta os valores de Cross Loadings, que satisfazem o critério proposto pelos autores, no qual um indicador deve ter um índice maior em sua VL do que em outra, desta forma sendo adequada a continuidade da avaliação do modelo.

Tabela 12 – Cross Loadings do modelo Final CAPHUM CAPEST CAPREL

PACAP

RACAP INOVINC INOVRAD

CH2 0,7941 0,5527 0,5015 0,627 0,6226 0,4175 0,4397 CH4 0,8289 0,705 0,5046 0,5842 0,6079 0,4936 0,4694 CH5 0,7556 0,6115 0,4058 0,5546 0,573 0,3871 0,43 CH6 0,7912 0,5232 0,45 0,4944 0,5035 0,3343 0,3199 CH8 0,7893 0,5867 0,4356 0,553 0,5207 0,3644 0,3876 CE1 0,6947 0,8486 0,4741 0,661 0,6517 0,6396 0,5961 CE2 0,6581 0,7974 0,4718 0,6991 0,6239 0,5506 0,5259 CE3 0,6292 0,8922 0,4916 0,7103 0,73 0,6304 0,5421 CE6 0,5434 0,8098 0,4788 0,5973 0,6204 0,5499 0,4729 CR2 0,5479 0,5404 0,8927 0,5366 0,4929 0,3626 0,4208 CR4 0,443 0,3993 0,8335 0,5103 0,4006 0,2833 0,3272 CR5 0,4523 0,4196 0,8718 0,4785 0,4627 0,3478 0,3911 CR6 0,5398 0,5737 0,8383 0,6165 0,5821 0,5166 0,4687 AQ1 0,6097 0,5961 0,5899 0,7446 0,6356 0,4686 0,5179 AQ2 0,6374 0,6996 0,5021 0,8862 0,6728 0,5177 0,5127

82

CAPHUM CAPEST CAPREL PACAP

RACAP INOVINC INOVRAD

AQ3 0,6145 0,5887 0,472 0,7623 0,6182 0,415 0,4528 AS1 0,562 0,6933 0,4918 0,8353 0,684 0,5363 0,4402 AS2 0,5707 0,6813 0,5868 0,8406 0,645 0,4861 0,3845 AS3 0,3774 0,5147 0,3261 0,6686 0,5334 0,3998 0,3326 TR1 0,4532 0,5623 0,2816 0,5696 0,6811 0,5088 0,4573 TR3 0,598 0,6585 0,4724 0,672 0,7794 0,5264 0,4806 TR4 0,557 0,6047 0,4755 0,6824 0,8096 0,5331 0,4984 AP1 0,6842 0,6512 0,5286 0,6787 0,8256 0,6109 0,6426 AP2 0,5227 0,6423 0,4282 0,5783 0,8083 0,6278 0,641 AP3 0,5489 0,5789 0,4836 0,584 0,7976 0,6898 0,6366 INC1 0,3747 0,5496 0,3311 0,4106 0,5723 0,8148 0,6704 INC2 0,4164 0,6171 0,4452 0,585 0,692 0,9019 0,7046 INC3 0,433 0,6311 0,3695 0,5048 0,6572 0,8904 0,7772 INC4 0,5378 0,6658 0,4095 0,5551 0,6647 0,8789 0,8071 RAD1 0,4499 0,5274 0,3665 0,4624 0,6324 0,6954 0,8744 RAD2 0,4548 0,5824 0,4401 0,5147 0,6693 0,8055 0,9407 RAD3 0,4698 0,614 0,4677 0,5202 0,6845 0,7747 0,9052 RAD4 0,5133 0,5823 0,4366 0,5193 0,6037 0,7934 0,8938

Fonte: Elaborado pelo autor com base na pesquisa (2017).

Após a avaliação dos cross loadings foi avaliada a validade discriminante a partir do critério de Fornell-Larcker, que de acordo com Hair et al. (2014) é considerado mais conservador, onde o valor da diagonal principal (raiz quadrada da variância média extraída), devem ser maiores que os valores nas respectivas linhas e colunas (correlações), desta forma evidenciando a validade discriminante. Na Tabela 13, pode-se confirmar que as correlações entre as VL são menores que a raiz quadrada da AVE, confirmando a validade discriminante conforme o critério de Fornell-Lacker.

Tabela 13 – Validade discriminante (critério de Fornell-Larcker)

CAPEST CAPHUM CAPREL INOVINC INOVRAD PACAP RACAP

CAPEST 0,8378544 CAPHUM 0,7546 0,7921489 CAPREL 0,5715 0,5823 0,8594184 INOVINC 0,7084 0,5082 0,4503 0,8721811 INOVRAD 0,6385 0,5212 0,474 0,849 0,9038252 PACAP 0,798 0,7143 0,6298 0,5967 0,5579 0,7929060 RACAP 0,7855 0,7183 0,5723 0,7449 0,7178 0,7992 0,7850477

83 Uma das exceções apresentadas foi na relação entre PACAP e RACAP que a correlação apresentou maior que a raiz quadrada da AVE. No entanto, deve-se avaliar que ambas as VLs são indicadores reflexivos do mesmo construto (ACAP), e desta forma, não se configura como um problema, conforme as orientações de Bido et al. (2010). Tais procedimentos já foram adotados em pesquisas da ACAP por Ferreira e Ferreira (2017).

A outra exceção está relacionada à relação entre o capital estrutural e a PACAP, no entanto, os valores estão dentro de uma margem de tolerância aceitável não apresentando qualquer tipo de problema à esta pesquisa, conforme proposto por Ringle, Silva e Bido (2014). Os autores destacam que quando a diferença entre os valores é menor do que 0,025, pode-se admitir que há validade discriminante e prosseguir com a análise.

Após a validação do modelo de mensuração quanto a sua validade convergente (Average Variance Extracted – AVE), confiabilidade e validade discriminante, inicia-se a avaliação do modelo estrutural.