Para as análises dos dados foram realizadas análises de estatísticas descritivas, testes de consistência, de distribuição e Análise de Equações Estruturais em Mínimos Quadrados Parciais, também conhecida como Partial Least Squares Strutural Equation Modeling (PLS-
SEM). As análises foram realizadas com auxílio dos softwares SPSS Statistics 19 para as análises descritivas e do SmartPLS versão 3.2.8 para modelagem das equações estruturais.
A adoção do SmartPLS foi embasada pela definição do modelo reflexivo e pelo tamanho da amostra, visto que o SmartPLS faz uso do PLS-SEM, sendo uma ferramenta adequada para as determinações apresentadas.
A Análise de Equações Estruturais objetiva explicar as relações entre múltiplas variáveis, examinando a estrutura de inter-relações expressas em uma série de equações. Essas equações, por sua vez, descrevem todas as relações entre construtos (as variáveis dependentes e independentes) envolvidos na análise (Hair et al., 2009; Marôco, 2014).
Existem duas abordagens para estimar as relações em um modelo de equações estruturais: a Covariance-based SEM (CB-SEM), mais amplamente aplicada, e o PLS-SEM. O PLS-SEM é um método baseado em regressão de mínimos quadrados ordinários em vez do procedimento de estimativa de máxima verossimilhança utilizado na outra abordagem. A abordagem do PLS-SEM utiliza dados disponíveis para estimar as relações de path modeling com o objetivo de minimizar a variância residual e estimar coeficientes que maximizam os valores de R2 dos construtos endógenos (Hair, Hult, Ringle, & Sarstedt, 2014), que, no caso específico desta pesquisa, trata-se do construto do engajamento no trabalho.
Segundo Ringle, Silva e Bido (2014), a diferença básica entre as duas abordagens está na forma de tratamentos dos dados. No CB-SEM são realizadas regressões lineares múltiplas simultâneas e no PLS-SEM, calculam-se as correlações entre os construtos e suas variáveis e em seguida são realizadas as regressões lineares entre construtos (modelos estruturais). Por este motivo, o PLS-SEM consegue estimar modelos mais complexos com número menor de dados. Para Hair et al. (2014), deve-se utilizar o PLS-SEM quando o modelo estrutural é complexo, ou seja, possui muitos construtos e muitos indicadores, quando o tamanho da amostra for pequeno e/ou os dados não são normalmente distribuídos e quando pretende-se usar os scores das variáveis latentes em análises subsequentes.
O PLS-SEM geralmente alcança altos níveis de poder estatístico com amostras pequenas (Hair et al., 2014), o que é preponderante neste estudo devido à população de profissionais certificados ser de 129 profissionais e a amostra necessária de, no mínimo, 97 respondentes.
Ao utilizar o PLS-SEM os pesquisadores também se beneficiam da alta eficiência na estimativa de parâmetros, que se manifesta no maior poder estatístico do método do que no método tradicional. Isto significa que tem maior probabilidade de apresentar uma relação específica quando o efeito analisado é significativo na população (Hair et al., 2014).
Para realizar as análises do modelo estrutural foram utilizados os seguintes testes e parâmetros:
Validade Convergente ou Average Variance Extracted (AVE): Representa o quanto em média, as variáveis se correlacionam positivamente com seus respectivos construtos. Deve-se usar como parâmetro o critério de Fornell e Larcker (1981), ou seja, os valores devem ser maiores que 0,50 (AVE > 0,50) (Henseler, Ringle, & Sinkovics, 2009); Alpha de Cronbach: Busca mensurar o grau em que uma escala produz resultados
consistentes entre medidas repetidas ou equivalentes de um mesmo objeto ou pessoa, revelando a ausência de erro aleatório (Corrar, Paulo & Dias Filho, 2011). A literatura sugere como parâmetro valores iguais ou superiores a 0,7 (Corrar et al., 2011).
Confiabilidade Composta (CC) ou Composite Reliability: Assim como o Alpha de Cronbach, o CC Indica o grau de consistência interna, mas para os construtos latentes. Segundo Ringle et al. (2014), valores maiores ou iguais a 0,7 são considerados satisfatórios;
Validade discriminante (VD): É entendida como um indicador de que os construtos ou variáveis latentes são independentes um dos outros. Deve-se utilizar o critério de Fornell e Larcker (1981), ou seja, compara-se as raízes quadradas dos valores das AVEs de cada construto com as correlações (de Pearson) entre os construtos (ou variáveis latentes). Assim, as raízes quadradas das AVEs devem ser maiores que as correlações entre os dois construtos;
Coeficiente de Determinação de Pearson (R2): Avalia a porção da variância das variáveis endógenas indicando a qualidade do modelo ajustado. São recomendados os seguintes parâmetros de R2 para estudos em ciências sociais e comportamentais: até 2% representa um efeito pequeno, entre 13% e 25% reflete um efeito moderado e acima de 26% indica um efeito substancial (Cohen, 1988; Henseler et al., 2009);
Teste t de Student: Avalia a significância dos coeficientes do caminho (Г) das relações das variáveis observadas com as latentes e das variáveis latentes endógenas com as exógenas. A significância das relações deve ser obtida por meio da técnica de bootstrapping (técnica de reamostragem) fornecida pelo próprio software SmartPLS (Ringle et al., 2014);
Tamanho e significância dos coeficientes de caminho (f2): É obtido pela inclusão e exclusão de construtos do modelo (um a um). Avalia-se o quanto cada construto é “útil” para o ajuste do modelo. Para análises consideram-se 0,02 para um efeito fraco, 0,15
para um efeito mediano e 0,35 indicam um grande efeito (Hair et al., 2014; Ringle et al., 2014);
Validade Preditiva (Q2): Avalia a qualidade da predição do modelo ou acurácia do modelo ajustado, estimados pelo procedimento blindfolding, no software SmartPLS. Como critério de avaliação devem ser obtidos valores maiores que zero (Q² > 0). Um modelo perfeito teria Q2 = 1, denotando que o modelo reflete a realidade, sem erro (Hair et al., 2014);
Goodness of Fit (GoF): Apesar do PLS-SEM não utilizar o mesmo GoF do método tradicional, Tenenhuaus, Vinzi, Chatelin e Lauro (2005) propuseram um índice de adequação do modelo, como um suposto GoF global para PLS-SEM, que basicamente é a média geométrica entre o R2 médio e a média das AVE. Deve-se usar como parâmetro valores maiores do que 0,36 como adequado para as áreas de ciências sociais e do comportamento (Wetzels, Odekerken-Schröder, & Van Oppen, 2009).
Coeficientes de Caminho (Path Coefficients – Г): Tem a mesma função dos betas (β) de uma regressão linear, ou seja, avalia as relações causais do modelo. Deve ser avaliado a partir das significâncias estatísticas de cada caminho, orientado pela teoria utilizada (Hair et al., 2014);
Para análise dos parâmetros inerentes a cada modelo, as avaliações dos modelos de mensuração (ou medida) e estrutural foram divididas em duas grandes etapas, conforme ilustrado na Figura 16.
Nas análises dos dados foram utilizadas as seguintes ferramentas disponíveis no software SmartPLS:
• PLS Algorithm: estima as pontuações de todas as variáveis latentes no modelo que, por sua vez, estimam todas as relações de caminho;
• Bootstrapping: técnica de reamostragem que desenha um grande número de sub amostras e partir dos dados originais e modelos de estimativas para cada sub amostra. É utilizado para determinar os erros padrões de coeficientes, a fim de avaliar sua significância estatística sem recorrer a suposições distribucionais;
• Blindfolding: técnica de reutilização de amostras que omite parte da matriz de dados e usa as estimativas do modelo para prever a parte omitida.
Figura 16. Etapas para avaliação de modelos estruturais no SmartPLS
Fonte: Adaptado de Ringle et al. (2014, p. 71).
Hair et al. (2014) também recomenda uma análise da distribuição dos dados, podendo se valer de testes estatísticos ou de medidas de distribuição, como assimetria e curtose, que permitem avaliar em que medida os dados se desviam de uma distribuição normal.
Uma distribuição de dados é assimétrica quando se tende mais para um lado do que para o outro, quando comparado a uma distribuição normal. São utilizados como valores de referência o intervalo entre -1 e +1, valores estabelecidos dentro desse intervalo são aceitos como simétricos (Triola, 2011). Já a curtose representa o grau de achatamento da curva, também pode ser descrita como a medida em que os dados se distribuem ao redor da média. Valores acima de +1 representam uma curtose elevada com a presença de formato pontiagudo, enquanto que valores abaixo de -1 correspondem a um contorno mais achatado da distribuição.
No tocante as estatísticas descritivas, foram utilizados o cálculo da média, mediana, valores mínimos e máximos, desvio-padrão e coeficiente de variação. O desvio padrão é uma medida de dispersão dos valores em torno da média, valores maiores indicam maior dispersão nas respostas, enquanto que valores menores indicam menor dispersão (Triola, 2011). O coeficiente de variação, por sua vez, foi utilizado em complementaridade à análise do desvio padrão, pois o desvio padrão por si só possui limitações (Triola, 2011).
O coeficiente de variação é obtido por meio da divisão do desvio padrão pela média, sendo mais comumente utilizado em valor percentual. Quando o coeficiente de variação for menor ou igual a 15% a dispersão é baixa (dados homogêneos), quando for entre 15% e 30%,
a dispersão é moderada e acima de 30% a dispersão é alta (dados heterogêneos) (Fonseca & Martins, 1996).
A Tabela 15 apresenta um panorama metodológico da tese relacionando os objetivos específicos às variáveis e construtos com os métodos de coleta e análise dos dados.
Tabela 15. Quadro metodológico da tese
Objetivos específicos Variáveis / Construto Coleta dos dados Análise dos dados a) Identificar os recursos pessoais
e do trabalho estudados pela literatura no âmbito da JD-R Theory.
(não se aplica) Sistemática da Revisão
Literatura Fichamento
b) Identificar os recursos do trabalho associados ao modelo LCC.
• Autonomia / Controle do trabalho; • Apoio psicossocial dos colegas; • Clareza de tarefas; • Feedback de desempenho; • Orientação do supervisor; • Oportunidade para desenvolvimento profissional. Survey online Análises descritivas e de Equações Estruturais (PLS-SEM) c) Analisar se os recursos do
trabalho associados ao modelo LCC influenciam o engajamento no trabalho no contexto da gestão visual de projetos. • Recursos do Trabalho; • Construto de Engajamento no Trabalho: o Vigor; o Dedicação; o Absorção. Survey online Análises descritivas e de Equações Estruturais (PLS-SEM)
d) Identificar os recursos pessoais associados aos profissionais certificados no modelo LCC.
• Autoeficácia;
• Autoestima / Autoestima baseada na organização; • Esperança; • Otimismo; • Resiliência; • Traços de competitividade. Survey online Análises descritivas e de Equações Estruturais (PLS-SEM) e) Analisar se os recursos pessoais
associados aos profissionais certificados no modelo LCC influenciam o engajamento no trabalho no contexto da gestão visual de projetos. • Recursos Pessoais; • Construto de Engajamento no Trabalho: o Vigor; o Dedicação; o Absorção. Survey online Análises descritivas e de Equações Estruturais (PLS-SEM) Fonte: Elaborado pelo autor (2019).
O próximo capítulo apresentará as análises e discussão dos resultados referentes aos modelos de medida e estrutural, bem como as estatísticas descritivas e o perfil dos respondentes.
6 ANÁLISE E DISCUSSÃO DOS RESULTADOS
Este capítulo apresenta a análise e discussão dos resultados e subdivide-se em quatro seções. A primeira mostra o perfil dos respondentes. A segunda apresenta as análises descritivas realizadas com os dados de todas as questões das Partes B, C e D do questionário. Na terceira e quarta seções, são apresentadas as análises dos modelos de medida e estrutural e, logo em seguida, são tecidas as discussões das evidências empíricas encontradas com a literatura enfatizando os aspectos que foram “ao encontro” e “de encontro” aos achados desta tese.