População e Amostra 1 Processo de amostragem

Procederemos à descrição do processo de amostragem de acordo as etapas indicadas por MALHORTA (2008), nomeadamente definição da população-alvo, determinação da estrutura de amostragem, escolha das técnicas de amostragem e determinação do tamanho da amostra.

7.4.1.1 População alvo

A definição da amostra inicia com a especificação da população alvo, que é o conjunto de elementos ou objetos que possuem a informação pretendida pelo investigador. Segundo MALHORTA (2008), a população alvo deve ser definida em termo de elementos, unidades de amostragem, extensão e período de tempo. Nesse contexto, a população-alvo do presente estudo são os utentes (consumidores) dos serviços oferecidos pelos ginásios localizados na Cidade de Maputo, com mais de 18 anos, durante o período de Maio a Julho de 2011.

7.4.1.2 Estrutura de amostragem

A estrutura de amostragem é uma representação dos elementos da população-alvo, podendo esta ser uma lista (existente ou produzida) ou conjunto de instruções para definir a população alvo. No presente estudo, esta não existe pois seria constituída por todos os utentes dos ginásios existentes na Cidade de Maputo.

No caso do presente estudo, pelo facto de existirem centros de fitness não devidamente registados nas instituições de supervisão das atividades comerciais e desportivas da Cidade de Maputo, e como tal não existir um registo oficial atualizado dos centros de fitness, através de cruzamento de informações fornecidas pelos estudantes da FEFD, pelos monitores e clientes de fitness, foi produzido pelo investigador um inventário dos centros de fitness da Cidade de Maputo, apresentado no anexo 1, a partir do qual foram selecionados as unidades de amostragem.

Com base nos argumentos apontados no capítulo 2, os centros de fitness inventariados foram classificados de acordo com uma escala de 1 a 20 pontos. Tendo havido algumas dificuldades no acesso a todos ginásios, a nossa amostra é constituída pelos ginásios que aderiram ao nosso estudo e onde foi possível a obtenção de questionários devidamente preenchidos. A amostra apresenta um ginásio da categoria I, um ginásio da categoria II e dois ginásios da categoria III.

7.4.1.3 Técnica de amostragem

Considerando o número exíguo de centros de fitness na Cidade de Maputo, a opção inicial do investigador havia sido a de abranger o universo dos centros de fitness pertencentes a pessoas singulares da Cidade de Maputo. Contudo, tendo sido identificadas algumas barreiras durante os contactos preliminares estabelecidos com os proprietários dos centros de fitness no intuito de obter a sua adesão ao estudo, optou-se pela utilização da técnica de amostragem não probabilística, mais concretamente, a técnica de amostragem por conveniência, pela inclusão no presente estudo de apenas os ginásios que acederam em participar no estudo, num total de 4, e de todos os utentes (consumidores) desses ginásios que aceitaram responder ao questionário.

Não obstante a seleção aleatória de dias de semana e horários para a aplicação do questionário nos diferentes ginásios, por forma a obter uma amostra de utentes com

potenciais perfis de utilização do ginásio diferentes, a seleção das unidades de amostragem, i.e. dos utentes (consumidores) dos ginásios, é considerada não probabilística. Isto porque os questionários foram aplicados aos utentes que mostraram disponibilidade, aquando da sua ida ao ginásio, em participar no estudo quando abordados pelos elementos da equipa de investigação. Sendo a amostra constituída por conveniência, houve a preocupação de que houvesse respostas de utentes que frequentam os ginásios nos diferentes dias da semana e períodos horários.

BRYMAN e BELL (2007) consideram que o uso da técnica de amostragem por conveniência é aceitável e pertinente de ser usada em casos em que não deve ser perdida a oportunidade da recolha e análise de dados referentes a determinado contexto social. Os autores defendem que, apesar dos dados não poderem ser conclusivos e generalizados, poderão providenciar uma plataforma para outros estudos.

Segundo BRYMAN e BELL (2007), deve ser reconhecido que a técnica de amostragem por conveniência possui provavelmente um papel mais importante do que é suposto. Os autores registam que na área dos negócios e da gestão a aplicação da técnica de amostragem por conveniência é muito comum e até mais proeminente em relação às técnicas de amostragem probalísticas.

7.4.1.4 Tamanho da Amostra

Não obstante a amostra ter sido definida por conveniência, procurou-se atender às exigências impostas ao tamanho de amostra em estudos enquadrados na Análise de Equações Estruturais (AEE) e, em particular, no uso do método dos Mínimos Quadrados Parciais ou PLS-PM (Partial Least Squares Path Modeling).

Ao consultar sobre este assunto autores como HAIR ET AL. (2010), HENSELER ET AL. (2009), URBACH e AKLEMANN (2010), TABACHNICK e FIDELL (1996) e SCHUMACKER e LOMAX (2010), conclui-se sobre a inexistência de consenso sobre a definição do tamanho de amostra mínimo para a Análise de Equações Estruturais, tendo sido no entanto identificadas algumas regras gerais pelas quais nos guiámos para determinar o tamanho da amostra do nosso estudo.

MARÔCO (2010) refere-se à existência de várias “regras de polegar” para se indicar a dimensão da amostra necessária para realizar Análise de Equações Estruturais (AEE). O autor refere-se a HILL e HILL (2006) que, no contexto da análise de regressão e da análise fatorial exploratória, indicam que devem existir um mínimo de 5 observações por cada variável

presente no modelo. A recomendação sobre a determinação de um mínimo de observações por variável parte da necessidade de se garantir a existência de variabilidade suficiente para estimar cada um dos parâmetros do modelo (MARÔCO, 2010).

De acordo com SCHUMACKER e LOMAX (2010), a “regra de polegar”, utilizada na Análise de Equações Estruturais, para determinar o tamanho da amostra varia entre 100, 200 até 500 ou mais observações por estudo, dependendo da complexidade do modelo. HAIR et AL. (2010) sugerem os seguintes tamanhos mínimos de amostra de 100, 150, 300 e 500 observações. MARÔCO (2010) afirma a inexistência de uma lógica clara nas recomendações sobre o número de observações mínimas necessária para a AEE. MARÔCO (2010:27) observa que “uma amostra de 100 elementos pode ser suficiente para um modelo com 10 variáveis de medida (indicadores), enquanto que uma amostra com 500 observações pode ser insuficiente para uma escala psicométrica de 100 itens”.

Segundo HAIR et AL. (2010), o tamanho mínimo requerido para uma amostra na Análise de Equações Estruturais, depende de vários fatores tais como normalidade multivariada, técnica de estimação, complexidade do modelo, não respostas, média da variância do erro dos indicadores.

Para colmatar algumas das limitações relacionadas na definição do tamanho da amostra encontradas na AEE, URBACH e AKLEMANN (2010) e HENSELER ET AL. (2009) recomendam a utilização da metodologia PLS-PM. A não imposição da metodologia PLS- PM de um valor mínimo relativamente ao tamanho da amostra, é também indicada por HAIR ET AL. (2010) como uma vantagem em relação à análise de equações estruturais baseada em estruturas de covariâncias. Os autores indicam que o método pode estimar pequenas e grandes amostras com maior facilidade.

GODHUE ET AL. (2006) indicam que, não obstante não terem sido confirmadas as habilidades do PLS-PM no tratamento de amostra pequenas, a potência estatística do método é igual a outras técnicas para dados com distribuição normal. HENSELER ET AL. (2009) advogam que a metodologia PLS-PM continua a ser a técnica mais conveniente e poderosa para ser aplicada em estudos constituídos por modelos complexos, cujo tamanho de amostra seja considerado pequeno para a aplicação de equações estruturais baseadas em estruturas de covariâncias.

URBACH e AKLEMANN (2010) e HENSELER ET AL. (2009) referem a robustez da metodologia PLS-PM, mencionando a regra do polegar “ten times rules of thumb for mininum sample size” desenvolvida por BARCLAY ET AL. (1995), segundo a qual o tamanho da amostra deverá ser (a) dez vezes o número de indicadores formativos ou (b) dez

vezes o número de setas (caminhos) direcionadas para um determinado constructo do modelo estrutural.

HENSELER ET AL. (2009), reagindo às críticas de GODDHUE ET AL. (2006), relativamente à potência estatística dos dados proporcionados pela “regra do polegar” de BARCLAY ET AL. (1995), recomendam que antes da definição final sobre o tamanho apropriado da amostra se tenha em consideração as caraterísticas da distribuição dos dados, a existência de potenciais missing values, as propriedades psicométricas das variáveis examinadas e a magnitude das relações existentes. HENSELER ET AL. (2009) advertem que a “regra do polegar” não é uma varinha mágica, que eliminará o risco de inaceitáveis baixos níveis de potência estatística, desse modo recomendando que os investigadores precisem assegurar que o tamanho da amostra seja suficiente grande para poder produzir conclusões aceitáveis.

Uma vez que o nosso modelo não é formativo, a “regra do polegar” de BARCLAY ET AL. (1995), acima enunciada, foi aplicada ao nosso modelo apenas relativamente à alínea (b), i.e. relativamente à variável Satisfação que se apresenta com quatro setas a ela direcionadas, nomeadamente das variáveis Imagem, Qualidade Técnica, Qualidade Funcional eValor. Assim, de acordo com a “regra do polegar”, o presente estudo deveria ter 40 casos no mínimo. No entanto, respondendo às recomendações de HENSELER ET AL. (2009) admitimos uma amostra de 339 observações para estimar o modelo.