Preditores da Intenção

Uma análise de regressão múltipla foi realizada utilizando o modelo original da TCP complementado por dois novos construtos: variáveis demográficas (idade, gênero e tempo de habilitação) e comportamento prévio, para que pudesse ser estudada a influência dessas variáveis na mediação com a intenção e as variáveis da TCP. O modelo utilizado é mostrado na Figura 5.7.

96

Figura 5.7: Modelo da TCP para a predição da intenção incrementado com novos construtos: variáveis demográficas (gênero, idade e habilitação) e comportamento prévio

Variáveis da Regressão:

 Variável critério: intenção de respeito à velocidade limite.

 Variáveis preditoras: gênero, idade, tempo de habilitação, atitude, norma subjetiva, controle percebido e comportamento prévio.

Uma análise de regressão múltiplo-hierárquica foi realizada para identificar os principais preditores da intenção (Tabela 5.17). Os principais preditores das intenções dos condutores para respeitarem a velocidade limite ao dirigirem em áreas urbanas foram identificados pela regressão da intenção em relação às variáveis demográficas, que entraram na equação de regressão na seguinte ordem: gênero, idade e tempo de habilitação (Bloco 1), as variáveis TCP: atitude, norma subjetiva e controle percebido (Bloco 2) e comportamento prévio (Bloco 3).

Os resultados mostraram que as variáveis demográficas foram responsáveis por uma proporção significativa da variância (R2 = 0,16, p < 0,001). Gênero (β = 0,15, p< 0,001), idade (β = 0,58, p < 0,001) e tempo de habilitação (β = -0,24, p < 0,005), foram todas variáveis estatisticamente significativas como preditoras da intenção, sendo que a idade prevaleceu sobre as demais, indicando que quanto mais velho o condutor, maior a intenção de respeitar a velocidade limite, sustentando o que a literatura preconiza (Panek e Wagner, 1986; Furnham e Saipe, 1993; Hemenway e Solnick, 1993; McGwin e Brown, 1999; Marín-Leon e Vizzoto, 2003). O estudo também leva a conclusão de que as mulheres têm maior intenção que os homens de respeitarem a velocidade limite, também corroborando resultados de outras

97

pesquisas (Harré, 2000; Simon e Corbett, 1996). No entanto, segundo os dados obtidos, quanto maior o tempo de habilitação, menor a intenção de respeitar a velocidade limite, porém essa constatação é conflitante com a questão da idade, ou seja, indivíduos mais velhos resultando sinais antagônicos em relação ao tempo de habilitação demonstram uma inconsistência. Para se ter certeza da existência de relação entre as duas variáveis, foi realizada análise de regressão que confirmou que a idade é uma variável explicativa do tempo de habilitação. O senso comum leva ao entendimento que notadamente há uma relação problema. Também, do ponto de vista de engenharia, não faz sentido a ocorrência de sinais invertidos se há uma relação positiva entre as variáveis. Segundo Abbad e Torres (2002) este fenômeno pode ser considerado uma supressão, que se refere à situação na qual uma variável (x1), que mantém uma fraca correlação bivariada com a variável critério (y), entra como preditora na equação de regressão múltipla com um β de sinal oposto ao da correlação bivariada que mantém com y. Trata-se de um fenômeno estatístico raro, conforme Cohen e Cohen (1975) e Tabachnick e Fidell (1996). A supressão pode ser um sinal de relações complexas entre variáveis preditoras na explicação da variável critério. Neste caso, optou-se por rodar novamente o modelo apenas considerando como variáveis demográficas o gênero e a idade para o estudo da intenção e posteriormente para o estudo do comportamento.

A adição das variáveis da TCP à equação de regressão resultou em um significativo incremento para o R2 (Mudança de R2 = 0,57, p < 0,001). Em apoio à TCP, os coeficientes de regressão padrão indicaram que atitude e controle percebido foram preditores independentes estatisticamente significativos de intenção (β = 0,20, p < 0,001 e β = 0.69, p < 0,001, respectivamente). No caso da norma subjetiva, o coeficiente da regressão não foi significativo e aponta para a menor influência dessa variável sobre a intenção (β = 0,01). Ajzen (2000) afirma que não há nada na TCP que sugira que atitude, norma subjetiva e controle percebido devam necessariamente apresentar contribuição significativa na predição da intenção. A importância relativa desses três fatores provavelmente varia de um comportamento para outro e de uma população para outra. Segundo o autor, em alguns casos um ou outro dos três fatores poderá não apresentar nenhum efeito significativo na intenção. Assumindo que os três fatores foram medidos com confiabilidade, a falta da validação preditiva indica que para o comportamento estudado e para aquela população, o fator em questão não é importante na formação da intenção.

98

O comportamento prévio resultou em um incremento modesto para o R2 (Mudança de R2 = 0,04, p < 0,001), mas se apresenta como variável significativa na predição da intenção, com β = 0,31, que vem corroborar os estudos que têm sugerido que a intenção parece ser

influenciada pelo comportamento prévio quando o comportamento alvo é habitual (Elliot et

al., 2003). De acordo com pesquisa realizada por Conner e Armitage (1998), o

comportamento prévio aumentou os modelos de capacidade preditiva em 7%, enquanto o presente estudo verificou-se aumento de 4% na capacidade preditiva do modelo apresentado.

Tabela 5.17. Preditores da Intenção

Passos e Preditores R2 Mudança de

R2 β 1. Gênero 0,17*** 0,15 *** Idade 0,58 *** Habilitação -0,24 * 2. Atitude 0,73*** 0,57*** 0,20 *** Norma Subjetiva 0,01 Controle Percebido 0,69 *** 3. Comportamento Prévio 0,77*** 0,04*** 0,31 ***

Legenda: * p de 0,01 a 0,05, ** p de 0,001 a 0,01, ***p< 0,001 e branco= p > 0,05 -não significativo

Para a predição da intenção, o modelo de regressão linear foi novamente rodado, desta vez retirando-se as variáveis tempo de habilitação (pela questão da inconsistência) e norma subjetiva (por não ser variável significativa).

Variáveis da Regressão:

 Variável critério: intenção de respeito à velocidade limite.

 Variáveis preditoras: gênero, idade, atitude, controle percebido e comportamento prévio.

A equação final do modelo de regressão (Equação 5.1) que explica a intenção de respeito à velocidade limite, com R2 = 0,742, é:

(5.1) Y = 0,339 + 0,126.X1 + 0,009.X2 + 0,264.X3 + 0,733.X4

99 em que:

Y = intenção de obedecer a velocidade limite (adimensional); X1 = gênero (0 = homem; 1 = mulher);

X2 = idade (anos);

X3 = atitude (adimensional);

X4 = controle percebido (adimensional).

Quando as correlações são elevadas ao quadrado (Figura 5.8), sugere-se que 71,0% da variabilidade da intenção é explicada pelo controle percebido, e que a atitude, idade e gênero explicam, respectivamente, 40,0%, 12,0% e 3,0% dessa variabilidade. Observar que a variável comportamento prévio não foi preditora estatisticamente significativa da intenção.

Figura 5.8 – Modelo da TCP modificado para predição da intenção

Nos modelos de regressão as suposições do modelo ajustado precisam ser validadas para que os resultados sejam confiáveis. A análise de resíduos é um conjunto de técnicas utilizadas para investigar a adequabilidade de um modelo de regressão com base nos resíduos. O resíduo é dado pela diferença entre a variável resposta observada e a variável resposta estimada. As técnicas utilizadas para verificar as suposições descritas acima podem ser informais (como gráficos) ou formais (como testes).

Existem algumas técnicas gráficas para análise dos resíduos e entre elas tem-se o gráfico dos resíduos versus valores ajustados, que verifica a homoscedasticidade do modelo. O gráfico dos resíduos versus valores ajustados (valores preditos) é uma das principais técnicas utilizadas para verificar as suposições dos resíduos. Além da detecção de heteroscedasticidade, esse tipo de gráfico pode indicar que não existe uma relação linear entre

100

as variáveis explicativas com a variável resposta por meio de alguma tendência nos pontos. Para o diagnóstico de heteroscedasticidade é necessário encontrar alguma tendência no gráfico. Por isso, se os pontos estão aleatoriamente distribuídos em torno do 0, sem nenhum comportamento ou tendência, há indícios de que a variância dos resíduos é homoscedástica.

Na Figura 5.9 é mostrado o gráfico para a realização da análise de resíduos onde pode ser concluído que os pontos estão aleatoriamente distribuídos em torno do 0, ou seja, o modelo pode ser considerado adequado.

Figura 5.9 – Gráfico de resíduos do modelo da intenção

O presente estudo demonstra que duas variáveis da TCP – a atitude e o controle percebido apresentaram forte explicação para a predição da intenção do comportamento de respeito à velocidade limite. Quando um novo modelo de predição da intenção de respeitar a velocidade limite foi rodado retirando-se a variável tempo de habilitação, a idade apresentou um valor de β bastante alterado em relação ao primeiro modelo estudado, o que confirma haver uma relação complexa entre aquelas variáveis e, neste caso, a retirada da variável tempo de habilitação do modelo revelou-se uma decisão acertada. No modelo final, o gênero apresentou (β = 0,126, p < 0,001) e a idade (β = 0,009, p < 0,001), sendo que, desta vez, o gênero prevaleceu sobre a idade. Apesar dos novos valores de β, o modelo continua revelando que quanto mais velho o condutor maior a intenção de respeitar a velocidade limite, e que as mulheres têm maior intenção que os homens de respeitarem a velocidade limite. Os resultados obtidos demonstram que a Teoria do Comportamento Planejado é boa o suficiente para predizer intenção de comportamento de respeito à velocidade limite e que a mesma alcança bons resultados ao se incluir no modelo outras variáveis.

101

5.4. ESTUDO DOS FATORES QUE AFETAM O COMPORTAMENTO DO