Procedimentos de análises exploratórias das estruturas empíricas dos

Todas as análises da validação dos instrumentos foram realizadas no SPSS versão 21.0. Foram realizadas análises exploratórias para identificação de casos omissos; casos extremos univariados e multivariados, multicolinearidade, singularidade e linearidade, de acordo com as orientações de Tabachnick e Fidell (2007). Os testes de normalidade das distribuições de frequência não foram realizados, uma vez que segundo Pasquali (2004), a normalidade não é um problema grave na análise fatorial exploratória, pois essa técnica é robusta à violação desse pressuposto, suportando desvios da normalidade.

Tabachnick e Fidell (2007) orientam que, caso sejam identificados casos omissos, os mesmo podem ser tratados de três maneiras: substituí-los pela média; eliminá-los em uma ou duas variáveis, quando os mesmos são tomados aos pares (pairwise); considerar apenas os casos que contêm dados válidos em todos os indicadores/ variáveis (listwise). Ao optar-se por um desses procedimentos, é importante considerar a quantidade e a aleatoriedade de dados ausentes, em função da possível identificação de subgrupos amostrais. Porém, tal análise não é necessária quando o percentual de dados omissos for inferior a 5% dos casos. Sendo assim, ao verificar-se os casos omissos da presente pesquisa, notou-se que nenhuma variável apresentava mais do que 5% dos casos omissos e optou-se pela utilização do método

pairwise.

Ainda sob a orientação de Tabachnick e Fidell (2007), todas as variáveis foram transformadas em escores Z, visando a identificação dos casos extremos univariados.Para os autores, casos extremos univariados são definidos como respostas que destoam do conjunto de respostas em uma única variável. Foram excluídas todas as respostas cujos escores padronizados eram iguais ou superiores a 3,29 (p<0,001, two-tailed). Já casos extremos multivariados são definidos como valores resultantes de uma combinação anormal de escores em duas ou mais variáveis. Os mesmos foram identificados a partir da distância Mahalanobis

– distância de um caso do centro do restante dos casos, quando o centro é o ponto criado pelas médias de todas as variáveis – (α = 0,001) e, posteriormente, excluídos.

Em seguida, iniciaram-se as análises fatoriais exploratórias dos dois instrumentos, seguindo as orientações de Pasquali (2004). Algumas das orientações do autor são: a) coleta da informação através de pesquisa empírica; b) elaboração da matriz de covariância; c) análise da matriz de covariância em termos de fatorabilidade e do número de fatores; d) extração inicial dos fatores; e) rotação dos fatores para uma estrutura final; f) interpretação dos fatores;

78

g) construção dos escores fatoriais para uso em análises futuras. Para elaborar a matriz de covariância, foram seguidas mais algumas orientações do autor, sendo elas:

a) Tipos de coeficientes de correlação: utilizou-se as correlações bivariadas paramétricas de Pearson, pois é o tipo mais adequado de matriz de covariâncias para análise fatorial;

b) Tamanho da amostra: considerou-se o recomendado de cerca de 10 casos para cada variável observável

c) Normalidade e Linearidade: não foi realizado teste de normalidade, pois, como dito anteriormente, não é um problema grave na análise fatorial exploratória, uma vez que a análise é robusta contra este problema e suporta desvios da normalidade. Já a linearidade afeta a análise fatorial, uma vez que as correlações consistem em medidas de relações lineares. A linearidade foi analisada através de correlações bivariadas, considerando o coeficiente de correlação produto-momento de Pearson – valores diferentes de 0 (zero) e significativos indicam a presença de uma relação linear, considerada forte quanto mais próxima de 1 (um) for o coeficiente obtido;

d) Multicolinearidade e Singularidade – as variáveis possuem multicolinearidade quando são tão correlacionadas que parecem sinônimos. A orientação para esse caso, é que uma das variáveis deve ser eliminada da análise. Já as variáveis com singularidade são redundantes, ou seja, uma variável é a combinação de duas ou mais variáveis. Para analisar a multicolinearidade e singularidade, verificou-se a existência de correlações superiores a 0,90, tal como sugerido por Pasquali (2004).

A análise da matriz de covariância em termos de fatorabilidade (verificar se de fato a matriz tem covariâncias) e do número de fatores, foi realizada de acordo com os seguintes passos:

a) Análise do tamanho das correlações – considerou-se uma correlação importante quando o valor obtido estava acima de 0,30, positivo ou negativo. Quando os valores de correlações acima de 0,30 ultrapassavam 50% dos casos, a matriz podia ser fatorizável;

b) Teste de adequação da amostra de Kaiser-Meyer-Olkin (KMO) – analisou-se as correlações parciais das variáveis. Quanto mais próximo do valor 1 for esta estatística, mais a matriz é fatorável, porque isto indica que as variáveis têm muita variância em comum.

A análise dos componentes principais (Principal Components - PC) foi realizada para obter a extração inicial dos fatores. A PC pretende reduzir o número de variáveis em componentes que expliquem a maior parte da variância original das variáveis. Para isso, analisa os componentes mais importantes e é considerada uma técnica de simplificação e

79

ortogonalização apenas. Por outro lado, a análise fatorial (AF) analisa as covariâncias e possui um modelo teórico que subsidia as suas análises, ou seja, a AF assume que a covariância entre as variáveis é produto de uma causa comum entre elas: os fatores comuns. A PC preocupa-se apenas em reduzir o tamanho de uma matriz (rank reduction). Para definir o número de componentes na PC, foram utilizados os seguintes critérios:

a) Critérios convencionais - foram considerados apenas os valores próprios (eigenvalues) superiores a 1 (um); e foi analisada a distribuição visual dos valores próprios, o scree plot (os pontos que representam os componentes passam de uma inclinação acentuada para uma inclinação quase horizontal; esse ponto de mudança considera-se indicativo do número máximo de fatores a serem extraídos);

b) Critérios estatísticos (testes de significância) – através da análise paralela de Horn, foram comparados valores próprios empíricos, obtidos pela análise da PC, com valores próprios aleatórios, obtidos com o auxílio do software RanEign, em função da quantidade de variáveis e do tamanho da amostra. Os fatores são retirados da estrutura quando apresentam valor próprio empírico igual ou menor que os valores aleatórios. Segundo Laros (2004), tal análise apresenta índice de precisão de 92% de indicação correta do número de fatores, sendo o melhor método para definição de número de fatores de uma matriz de respostas a questionários;

c) Critérios de relevância do fator – foram feitas análises de interpretabilidade, importância e consistência dos fatores após a rotação dos fatores. A importância do fator é definida pela variância que consegue explicar após a rotação da matriz fatorial. O critério de Harman considera um fator irrelevante aquele que explica menos do que 3% da variância total das variáveis. A validade do fator é expressa pelo tamanho das cargas fatoriais, ou seja, quanto maiores elas forem, mais a variável é representativa do fator. Entretanto, um fator pode ser válido, porém pode não ser consistente, por isso, também foram feitas análises de consistência dos fatores, por meio da análise de Alfa de Cronbach.

Para confirmar as estruturas fatoriais, foram realizadas análises fatoriais utilizando o método de fatoração dos eixos principais (Principal Axis Factoring - PAF). Tal método, apesar de utilizar os mesmos procedimentos da PC, substitui o valor 1 da PC por uma estimativa das comunalidades na diagonal da matriz, uma vez que a variabilidade que interessa na PAF é a variabilidade que as variáveis têm em comum, isto é, a covariância entre elas (modelo causal). A vantagem de realizar a PC antes da PAF, com todos os seus critérios, é definir os números mínimos de fatores a serem inicialmente extraídos.

80

Foi utilizado o método de rotação oblíqua (direct oblimin), o qual permite que apareçam fatores ortogonais quando estes existem, e, ao mesmo tempo, não força a dependência entre os fatores, ao passo que a rotação ortogonal só permite fatores independentes. Por fim, após a extração dos fatores, verificou-se a estabilidade e interpretabilidade dos mesmos, bem como, foram produzidos escores fatoriais.

Para analisar a estabilidade, foi verificado o quanto os itens eram bons representantes do fator, pelo tamanho da carga fatorial, que é a correlação entre o item com o conjunto dos outros itens do fator (quanto mais próxima de 1 for esta carga, melhor representa o fator). Para analisar a interpretabilidade, identificou-se o traço latente que é considerado a causa do agrupamento das variáveis, por meio da análise da literatura da área. Os escores fatoriais foram produzidos pela média dos escores das variáveis originais que pertencem ao fator.

4.8.2. Procedimentos de análise dos testes ANOVAS, Testes t e Validade Convergente