4. Metodologia
4.6. Procedimentos de Análise de Dados
A análise estatística dos dados foi feita utilizando o programa SPSS (Statistical Package for
the Social Sciences
)
e o SmartPLS 3.0 (Partial Least Squares). Optou-se pela utilização de modelo reflexivo de equações estruturais, nomeadamente o Partial Least Squares (PLS) aplicando-se a técnica estatística multivariada para estimar as relações causa efeito entre constructos (Henseler, Hubona & Ray, 2016). Com vista à aplicação da técnica PLS pathmodeling, existe uma regra prática para o cálculo da dimensão mínima aconselhável da
amostra: “usar 10 observações por variável, com um mínimo de 100 sujeitos da amostra total” (Marôco, 2010:26; Schumacker & Lomax, 2004; Crocker & Algina, 1986). Para encontrar o número mínimo da amostra observa-se a representação gráfica do modelo e determina-se (i) o bloco com o maior número de indicadores formativos (isto é, a maior equação do modelo de medição) ou (ii) a variável latente dependente com maior número de variáveis latentes independentes que nela convergem. Aplica-se a regra de 10 observações por indicador, ou seja, neste caso específico, será dado pelo produto de 10 observações multiplicando o valor máximo entre (i) e (ii) (Henseler, Hubona & Ray, 2016); Duarte, 2005; Chin & Newsted, 1999; Crocker & Algina, 1986). Observando o modelo estrutural do estudo e aplicando a regra mencionada, verifica-se que a dimensão da amostra cumpre com os requisitos expressos.
Optou-se por utilizar a estrutura de um modelo de equações estruturais reflexivo, uma vez que “as variáveis latentes refletem-se nas variáveis manifestas” (Marôco, 2010:23). O procedimento para a avaliação deste tipo de modelos difere dos modelos formativos, sendo que para estes últimos utiliza-se a análise de regressão nas componentes principais. A aplicação deste método tem a vantagem de poder ser utilizado com pequenas amostras em termos de robustez de estimativa e poder estatístico (Hair, Ringle & Sarstedt, 2013; Reinartz
et al., 2009). Segundo Marôco (2010:25), “a análise de modelos reflexivos com as equações
estruturais desenrola-se num conjunto de etapas sucessivas e de complexidade crescente”. Numa primeira fase prepara-se o modelo a estudar uma vez que este tipo de aplicação estatística tem a sua génese no referencial teórico em estudo. Na segunda fase procede-se ao trabalho estatístico, propriamente dito, que culmina com a aceitação ou rejeição do modelo. Pode verificar-se as várias etapas na Figura 9.
Figura 9 – Etapas da Análise de Equações Estruturais Baseada em Marôco (2010)
O PLS é, muitas vezes, utilizado para a avaliação da satisfação com produtos e/ou serviços, através da análise das relações causais entre variáveis latentes (Fornell et al., 2002). Tem sido amplamente aplicado na investigação das ciências sociais, da gestão e do Marketing como uma técnica de análise multivariada (Henseler et al., 2014; Hair, Ringle & Sarstedt, 2013; Hair et al., 2012; Hair et al., 2012a; Peng & Lai, 2012; Ringle et al., 2012; Lee et al., 2011; Henseler et al., 2009; Sosik et al., 2009). A teia de relações que resulta desta análise permite compreender o comportamento das variáveis presentes no modelo em estudo (Henseler, Hubona & Ray, 2016; Hair et al., 2014).
A escolha do PLS baseia-se na natureza do estudo e com o objetivo específico de predizer o comportamento de lealdade e os fatores contributivos do mesmo. Conceptualmente e na prática, aplicar o PLS é semelhante a utilizar a análise de regressão múltipla, cujo objetivo é maximizar a variância explicada nos constructos dependentes e, adicionalmente, avaliar a qualidade dos dados baseado nas características do modelo de medição (Hair, Ringle & Sarstedt, 2011).
O PLS é formalmente definido por dois conjuntos de equações lineares:
o modelo de medição (outer model) que especifica as relações entre os constructos e as suas variáveis manifestas;
o modelo estrutural (inner model) onde são especificadas as relações entre constructos (Henseler, Hubona & Ray, 2016).
Para se poder validar o modelo em estudo, há que determinar as relações entre cada constructo e os seus indicadores, conhecer a contribuição de cada indicador no constructo associado, bem como conhecer o conjunto de indicadores que representam esse mesmo constructo. Apesar do PLS estimar os parâmetros do modelo de medição e do modelo estrutural conjuntamente, os resultados foram analisados e interpretados em duas etapas, conforme recomendam Hair et al. (1998) e Gerbing & Anderson (1988). Primeiramente examinou-se a fiabilidade e a validade do modelo de acordo com os critérios de avaliação associados com as especificações dos modelos reflexivos, seguindo-se a avaliação do modelo estrutural (Henseler, Hubona & Ray, 2016; Hair et al., 2011; Duarte, 2005).
O processo de estimação dos parâmetros do modelo em PLS é feito por quatro passos: (i) um algoritmo interativo que determina os composite scores para cada constructo; (ii) uma correção de atenuação para os constructos que estão modelados como fatores; (iii) estimação de parâmetros; (iv) bootstrapping para teste de significância estatística (Henseler, Hubona & Ray, 2016).
Figura 10 – Exemplo de Modelo de Equação Estrutural em PLS
Desta forma, e de acordo com o sugerido por Henseler, Hubona & Ray (2016), foram aplicados os procedimentos estatísticos descritos na Tabela 9:
Tabela 9 – Critérios de Avaliação para Modelos Reflexivos
Avaliação Geral do Modelo
Teste de Ajuste do Modelo (Estimated
Model) SRMR < 0.08
Modelo de Medição
Composição Confirmatória e/ou Análise
Fatorial (Estimated Model) SRMR < 0.08
Internal Consistency Reliability Cronbach’s alpha > 0.7; Dijkstra-Henseler’s pA > 0.7 Dillon-Goldstein’s ρc > 0.7
Composite Reliability entre 0.7 and 0.9;
Confiabilidade do Indicador Indicator loadings = > 0.708
Validade Convergente Average Variance extracted (AVE) > 0.5
Validade Discriminante Fornell-Larcker
O AVE de cada constructo deve ser superior ao quadrado das correlações com todos os outros constructos
Cross-loadings - É esperado que o loading de cada
indicador seja superior a todos os seus cross loadings
Heterotrait monotrait ratio of correlations (HTMT) Se o valor de HTMT < 1, a validade discriminante é
estabelecida entre dois constructos reflexivos
Modelo Estrutural
Variáveis Endógenas R2, adjusted R2
Efeito Direto Path coefficient (absolute size, sign)
Significance ( p-value, confidence interval) Effect size
Efeito Indireto Coefficient (absolute size, sign)
Significance ( p-value, confidence interval)
Efeito Total Coefficient (absolute size, sign)
Significance ( p-value, confidence interval)
Baseado em Henseler, Hubona & Ray (2016); Hair et al. (2014); Marôco (2010); George & Mallery (2003); Hair et al. (1998)
A aplicação destes critérios permite a avaliação das relações entre os constructos bem como a avaliação da capacidade explicativa dos modelos.
Em suma, os procedimentos de construção, os critérios de análise estatística, a coerência interna, a consistência e a fiabilidade do instrumento foram verificadas e respeitadas. A confidencialidade e o anonimato dos respondentes foram assegurados. Assim, considerou-se estarem reunidas as condições essenciais para tratar os dados com vista à obtenção dos resultados e fazer a análise dos mesmos conforme é apresentado no capítulo seguinte.