Após definição do conjunto de indicadores e sua respectiva coleta de dados, foi apresentada a estatística descritiva dos dados e em sequência, aplicada a análise de correlação a fim de verificar o grau de associação entre uma variável e outra, sendo realizada análise correlacional de Pearson e análise correlacional de Spearman, as quais foram executadas com o suporte do software SPSS na versão 20.
Antes do emprego de tais técnicas, realizou-se o teste não paramétrico Kolmogorov- Smirnov (K-S), necessário para observar se os dados estavam normalmente distribuídos. Por sua vez, o K-S oferece o parâmetro valor de prova, conhecido também por valor-p, p-value ou
01
•Ao acessar o site do Instituto Brasileiro de Geografia e Estatística (IBGE), observou-se uma gama de opções de dados, localizadas na parte superior do site, logo após o cabeçalho do mesmo. Dentre essas opções, escolheu-se o ícone 'População'.
02
•Acessando o ícone 'População', mais uma vez, verificaram-se vários dados que se tratavam de informações referentes a tal opção (População). Sendo assim, escolhe-se o sub-ícone 'Estimativas de População'.
03
•Após o roteiro apresentado no item 02, abriu-se a página que contemplava as 'Estimativas por ano', na qual, clicou-se, individualmente, em cada ano o qual desejou-se obter os dados.
04
•Em sequência, clicou-se em 'Estimativas de população publicadas no D.O.U.', que ofereceu a possibilidade de obter esses dados em formato pdf ou planilha de Excel. Para o caso desta pesquisa, optou-se pelo formato em Excel por ser uma ferramenta que auxiliaria no processo de coleta dos dados necessários aos indicadores escolhidos prara serem analisados na pesquisa. •Destaca-se que, o passo 04 precisou ser realizado, uma vez para cada ano.
significância, e refere-se à medida que verifica o grau de concordância entre os dados e a hipótese nula , a qual corresponde à distribuição normal.
Uma vez o valor-p ≤ α (nível de significância), rejeita-se a , fato que implica afirmar a impossibilidade de admitir que o conjunto de dados ora analisados possua distribuição normal. Se o valor-p > α, não se rejeita a , pois a distribuição normal é possível para o conjunto de dados em análise. Destaca-se que foi adotado um intervalo de confiança de 95% para aplicação do teste K-S.
Após emprego do teste, adotou-se a análise correlacional de Pearson para os dados que apresentaram distribuição normal, considerando que este avalia a relação linear entre duas variáveis contínuas, portanto, à medida em que houver mudanças em uma variável, a segunda variável sofre os impactos de forma proporcional. Para os dados que não apresentaram distribuição normal, admitiu-se a correlação de Spearman, pois esta avalia a relação monotônica entre duas variáveis contínuas ou ordinais, ou seja, variáveis que tendem a passar por modificações juntas, mas não necessariamente na mesma proporção.
A aplicação da análise de Pearson e Spearman ocorreu para verificar o nível de correlação entre as variáveis a fim de definir a adequação de uma estatística mais profunda. Para Hair Júnior et al. (2009), quando as variáveis se tornam correlacionadas, é necessário tomar algumas medidas para gerenciá-las, portanto, formar grupos de variáveis com alto grau de correlação, o que contempla criar até novas medidas capazes de representar cada grupo de variáveis. Como o estudo contemplou onze variáveis, buscou-se empregar uma análise que pudesse reduzir esses dados, fato que ocasionou o emprego da análise fatorial.
Por sua vez, a análise fatorial se refere a uma técnica de interdependência, sendo o seu propósito identificar a estrutura particular das variáveis. Em outras palavras, é uma ferramenta que observa as “inter-relações (correlações) em um grande número de variáveis, definindo conjunto de variáveis que são fortemente inter-relacionadas, conhecidos como fatores” (HAIR JÚNIOR et al., 2009).
Identificando o fator desse conjunto de variáveis, é possível reduzir, por exemplo, o número de indicadores a ser utilizado em uma pesquisa, propósito esse que foi abarcado no presente estudo. Sendo assim, a Quadro 10 apresenta as variáveis que foram adotadas para passar pela análise fatorial.
Quadro 10 - Variáveis antes da Análise Fatorial
Nome Variáveis Indicadores
Posição de Caixa POSCX (CEC + ICP) / OCP
Liquidez Imediata LIQIM (CEC + ICP + R) / OCP
Liquidez Corrente LIQCOR ACP / OCP
Posição Operacional POSOP RT / DT
Resultado da Execução Orçamentária REO TS(D) / Pop
Ativos Líquidos ATLIQ PL / AT
Obrigações de Longo Prazo OLP OLP / AT
Obrigações de Longo Prazo per Capta OLPperCA OLP / Pop
Tributos per Capta TRIperCA TRT/ Pop
Receita per Capta REperCA RT / Pop
Gastos per Capta GASperCA TG / Pop
Fonte: Elaborado pela autora, 2018.
Como as variáveis foram padronizadas, o modelo fatorial foi representado da seguinte forma:
(1)
Em que:
iésima variável padronizada;
coeficiente padronizado de regressão múltipla da variável i sobre o fator comum j;
fator comum;
o fator único para variáveis i; número de fatores comuns.
Para Malhotra (2006), “os fatores únicos não são correlacionados uns com os outros e com os fatores comuns”, portanto, os próprios fatores comuns podem “ser expressos como combinações lineares de variáveis observáveis”. Assim, os fatores são compostos pela seguinte equação:
(2)
Onde:
estimativa do iésimo fator;
pesos ou coeficientes do escore fatorial; número de variáveis.
Em busca de verificar a adequação da aplicação da análise fatorial aos dados desta pesquisa, realizou-se o Teste Kaiser-Olkin (KMO) e de Esfericidade de Bartlett, os quais indicam o grau de influência ou ajuste dos dados à referida análise, ou seja, verifica o nível de confiança das saídas (resultados) que podem ser geradas quando os dados passarem pelo método multivariado de análise fatorial.
Para o caso do KMO, Corrar et al. (2009) sugerem um índice acima de 0,5 para proceder à análise. Em relação à Esfericidade de Bartlett, o mesmo se baseia na distribuição “Qui- quadrado” e testa a hipótese nula ( ) de que a matriz de correlação é uma matriz identidade, indicando a não existência de correlação entre as variáveis.
Dando sequência a aplicação da análise fatorial, seguiu-se para a etapa de seleção do método de extração de fatores. Com o intuito de obter a combinação linear não-correlata das combinações das variáveis mensuradas, escolheu-se o Análise de Componentes Principais, a qual é “usada quando o objetivo é resumir a maior parte da informação original (variância) a um número mínimo de fatores para fins de previsão” (HAIR JÚNIOR et al., 2009). Como o intuito desta pesquisa foi de diminuir a quantidade de variáveis, tal método classificou-se como o mais apropriado.
Em seguida, traçou-se o número ótimo de fatores por meio do critério de Kaiser, o qual estabelece que todos os fatores extraídos devam apresentar um autovalor (eigenvalue) acima de 1 (um). Em busca de fazer uma melhor interpretação dos fatores, empregou-se o método de rotação ortogonal, levando em consideração que “em uma matriz fatorial, as colunas representam fatores, e cada linha corresponde às cargas de uma variável ao longo dos fatores”. Escolhendo o método de rotação ortogonal, optou-se pelo critério Varimax, através do qual é possível simplificar as colunas da matriz fatorial (HAIR JÚNIOR et al., 2009).
Destaca-se que foi utilizada neste estudo a análise fatorial exploratória, empregada em estudos que se encontram em nível embrionários, momento este em que “procura-se explorar a relação entre um conjunto de variáveis, identificando padrões de correlações” (FIGUEIRO FILHO; SILVA JÚNIOR, 2010). O objetivo da análise fatorial nesta pesquisa foi de identificar fatores que resumissem a condição financeira dos entes federativos durante 2012 e 2016, em prol de que estes pudessem mostrar as principais implicações nas finanças públicas dos Estados anualmente, cujos resultados são apresentados no próximo capítulo.
4 APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
Este capítulo refere-se à discussão de resultados. Para tanto, as análises foram realizadas por ano, em busca de apresentar detalhadamente o comportamento das variáveis por exercício. Sendo assim, se subdivide em 6 (seis) subcapítulo, atendendo a análise anual e posterior, análise longitudinal dos cinco anos investigados.