Procedimentos de análise estatística: descritiva e inferencial

Neste ponto da dissertação serão elencados o conjunto de procedimentos estatísticos realizados para a posterior análise dos dados. Para tal, dividir-se-á esta secção em duas partes: 1) Análise estatística descritiva e 2) Análise estatística inferencial.

Para a análise da estatística descritiva, foram utilizadas algumas medidas de tendência central e medidas de dispersão. No caso das variáveis quantitativas, como por exemplo, a idade53_{, o tempo passado por dia na Internet, o medo do furto de identidade online e o}

autocontrolo utilizaram-se medidas como a média amostral (X) e o desvio padrão (S.D) para verificar a dispersão face ao valor médio. Quanto às variáveis qualitativas, tais como o sexo, perceção do estatuto socioeconómico, conhecimento informático, a vitimação de furto de identidade online, entre outras, usou-se, essencialmente, as percentagens.

Para se saber quais os testes estatísticos mais apropriados para comparar o sexo masculino e feminino com as restantes variáveis utilizou-se somente os testes paramétricos. Isto é, para se proceder aos testes paramétricos é necessário que a distribuição amostral siga uma distribuição normal. Por conseguinte, aplicou-se o princípio do teorema do limite central, pois, segundo Marôco (2014, p. 46), assume-se que para amostras de dimensão

53 _{Note-se que para a variável idade, quando analisada com as variáveis constituintes do sentimento de}

64 superior a 25-30 (i.e., amostras de dimensão razoável) a distribuição da média amostral é satisfatoriamente aproximada à distribuição normal. Assim, utilizou-se este teorema para justificar a utilização dos testes paramétricos (e.g., o teste t e o teste de ANOVA). Relativamente ao teste de ANOVA, este será utilizado apenas quando for necessário comparar a média com mais de dois grupos independentes. Quanto ao teste Post-hoc utilizado, para verificar as diferenças entre as variáveis, foi o teste de Tukey HSD. No que concerne à análise das variáveis categóricas, para testar se dois ou mais grupos independentes diferem relativamente a uma determinada característica, isto é, se a frequência com que os elementos da amostra se repartem pelas classes de uma variável qualitativa é ou não aleatória, utilizou-se o teste do Qui-quadrado (X²). Para isso, foi necessário efetuar as respetivas tabelas de frequências absolutas ou, então designadas tabelas de contingências.

Além disso, foi necessário proceder-se à análise fatorial para algumas variáveis (por exemplo, para a exposição a ofensores motivados), pois, este método permite encontrar e analisar a estrutura de um conjunto de variáveis interrelacionadas (i.e., partilham de uma característica comum não observável) para posteriormente construir uma escala de medida para fatores. Ou seja, esta técnica exploratória de dados irá permitir que se encontrem as variáveis que partilham de um fator comum latente. Para tal, atendeu-se o método de rotação varimax com Normalização de Kaiser, para serem válidas as componentes a partir dos itens da estrutura inicial. Posteriromente, utilizou-se o alfa (α) de Cronbach enquanto medida da consistência interna para um conjunto de itens que dão origem às escalas (e.g, escala do medo do furto de identidade online e a escala do autocontrolo).

Na análise da estatística inferencial, para se proceder à correlação entre variáveis, foi utilizada uma medida de associação – designadamente o coeficiente de correlação de Pearson – que teve por objetivo quantificar a intensidade e a direção da associação entre variáveis. Mais ainda, as correlações foram no seu todo bivariadas, visto que se analisou a relação entre duas variáveis. Como já foi referido, optou-se pelo coeficiente de correlação de Pearson, já que se trata de uma medida de associação paramétrica e, é efetuado quando se pretende medir a intensidade e a direção da associação de tipo linear entre duas variáveis quantitativas.

No caso das correlações entre variáveis categóricas (e.g., o sexo e a vitimação) e as variáveis quantitativas, a medida mais adequada é a correlação Point-Biserial. Contudo, como o SPSS® não contempla esta medida, utilizou-se o coeficiente de correlação de Pearson, pois partilha a fórmula matemática do coeficiente de correlação citado anteriormente.

65 Note-se que esta medida de associação (coeficiente de correlação de Pearson) varia entre -1≤ R ≤+1. Ou seja, se o coeficiente de correlação (r) for menor que 0 significa que as variáveis variam no sentido oposto (correlação negativa). Por outro lado, se coeficiente de correlação (r) for maior do que 0, então, as variáveis variam no mesmo sentido (correlação positiva) (Marôco, 2014). Embora não haja um parâmetro preciso na definição dos valores referentes à intensidade da associação entre variáveis, atendeu-se ao contributo de Cohen, que as correlações são: (i) fracas quando tiverem um valor entre -0.3 e 0 e entre 0 e 0.3; (ii) moderadas quando tiverem um valor entre -0.5 e -0.3 e entre 0.3 e 0.5 e (iii) elevadas quando tiverem um valor entre -1 e -0.5 e entre 0.5 e 1. Para verificarmos se a correlação entre as duas variáveis alcançava o significado estatístico, considerou-se o p-value resultante. Assim sendo, consideramos uma correlação estatisticamente significativa quando o valor de p fosse inferior a 0.05. Aqui, importa ainda mencionar que apenas se atentou as correlações a partir de 0.1.

Numa fase final entendeu-se pertinente realizar regressões no sentido de analisar as variáveis independentes estudadas que melhor explicam o medo do furto de identidade online e a perceção do risco de vitimação de furto de identidade online (variáveis dependentes). Assim sendo, serão utilizadas para o medo do furto de identidade online e perceção do risco de vitimação de furto de identidade online as regressões lineares. No que concerne à estrutura, foi necessário criar cinco modelos. Em primeiro lugar, realizou-se um modelo onde incluía somente as variáveis sociodemográficas. Posteriormente, criou-se um modelo para a variáveis alusivas à exposição ao risco. Em terceiro lugar, fez-se um modelo onde foram incluídas as variáveis sobre a vitimação. Depois, fez-se um modelo onde continha o conhecimento informático. Seguidamente, um quinto modelo com o autocontrolo. Relativamente ao último modelo, selecionou-se as variáveis que nos modelos anteriores obtiveram significado estatístico na predição do medo do furto de identidade online e na perceção do risco de vitimação de furto de identidade online. No que concerne à análise dos modelos, considerou-se dois parâmetros principais para o modelo de regressão linear: os valores do r (r, r2 _{e r}2 _{ajustado) e o valor de β.}

66

C

IV-R

4.1. Caracterização da amostra segundo os dados sociodemográficos: sexo, idade,