PROCEDIMENTOS ESTATÍSTICOS

6.6.1. – INTRODUÇÃO

Os procedimentos estatísticos utilizados ao longo deste estudo envolveram a estatística descritiva e inferencial. A estatística descritiva, utilizada preferencialmente para descrever as características da amostra do estudo, envolveu a determinação das medidas de tendência central e de dispersão, média e desvio padrão e, no âmbito das escalas de medida das dimensões de inovação, foi analisada a assimetria e achatamento dos dados obtidos através da aplicação dos questionários.

No processo de validação das escalas de medida foram utilizadas técnicas estatísticas que permitem analisar a variância, o agrupamento e a consistência interna dos itens que compunham as escalas de medida, mais concretamente a análise factorial exploratória e coeficiente alfa de Cronbach. Para testar o ajustamento do modelo teórico aos dados, a nossa opção recaiu sobre as técnicas estatísticas multivariadas, nomeadamente a análise de trajectórias (“path analysis”) que recorre a um conjunto de equações de regressão simultâneas para identificar o contributo de uma variável sobre as outras.

Os programas estatísticos utilizados foram o PAWS Statistics (versão 18.0) e o AMOS (versão 18.0) de James L. Arbuckle (2009), correndo num computador com sistema operativo Windows 7 Enterprise.

Nos pontos seguintes ir-se-á apresentar e caracterizar a amostra do estudo e expor os procedimentos estatísticos genéricos utilizados para a validação das escalas de medida, seguidos da análise detalhada dos resultados obtidos nas quatro escalas criadas.

6.6.2 -

ANÁLISE DESCRITIVA DAS ORGANIZAÇÕES

A recolha de dados decorreu entre o dia 29 de Março de 2010 e o dia 5 de Maio de 2010. De uma população de 308 municípios, obteve-se um conjunto de 200 questionários completos, o que equivale a uma taxa de resposta de 64,9%.

O convite à participação no estudo foi dirigido por correio electrónico para uma base de dados contendo os contactos do responsável político ou técnico dos serviços de desporto municipais. O correio electrónico continha uma hiperligação permitindo ao inquirido aceder através da Internet ao questionário onde era solicitada a sua percepção em relação às diferentes dimensões em análise.

139

Como se pode observar na Figura 6.6.2.1., a grande maioria das Câmaras Municipais possuem um Pelouro do Desporto na sua estrutura de organização interna. Das 200 respostas ao questionário, apenas 23 inquiridos referiram que a sua Câmara Municipal não possui um Pelouro de Desporto.

Figura 6.2.1. - Existência do pelouro do desporto

Fonte: Elaboração própria

Esta frequência é ainda maior quando se questiona sobre a identificação de um responsável político directo pelo desporto na autarquia (Figura 6.6.2.2). Efectivamente, das 200 autarquias que responderam ao questionário, apenas 13 referem que não existe um responsável político directo pelo desporto.

140

Fonte: Elaboração própria

Na maior parte das autarquias (111 Câmaras Municipais), o responsável político pelo Desporto é um Vereador, revelando-se, também em 54 entidades, o Vice-presidente como responsável directo e o Presidente da Autarquia assume, em 22 casos, a responsabilidade directa sobre o desporto (Figura 6.6.2.3.)

Figura 6.6.2.3. - Responsável político directo pelo desporto

Fonte: Elaboração própria

No plano operacional, as Câmaras Municipais que responderam ao questionário apresentam com maior frequência o próprio Pelouro do Desporto como a entidade directamente responsável pela organização e prestação dos serviços públicos de desporto (Figura 6.6.2.4.). As entidades mais comuns são, para além do Pelouro de Desporto, a Divisão Municipal ou o Gabinete de Desporto. No seu conjunto, estas formas de organização interna representam 151 dos casos estudados, ou seja, 75,5% da amostra do estudo.

141

A Direcção ou o Departamento Municipal apenas ocorre em 4 dos casos analisados, verificando-se igualmente 15 casos de Empresas Municipais, 19 de sector do desporto e 11 casos de outras estruturas de organização interna.

Figura 6.6.2.4. - Estrutura responsável pela prestação de serviços de desporto

Fonte: Elaboração própria

O número de pessoas que, no domínio da estrutura responsável pela prestação dos serviços públicos de desporto, desempenham funções apresenta uma elevada dispersão. A média situa- se nas 19 pessoas, embora apresente um desvio padrão de 29,9. A moda é de 3 pessoas. O número mínimo é de 1 pessoa, enquanto o número máximo é de 208 pessoas.

Em relação aos inquiridos e como podemos observar na Figura 6.6.2.5., a maior parte desempenha funções de Técnico Superior no âmbito das organizações do estudo. O número de Vereadores que respondeu ao questionário (27) também foi considerável, bem como o número de Chefes de Divisão (28). Na categoria “Outro” foram incluídos os inquiridos que mencionaram como sua função a coordenação técnica, prestação de serviços ou o desempenho de funções de professor de educação física.

142

Fonte: Elaboração própria

Quando se procura conhecer a percepção dos inquiridos sobre diferentes aspectos internos das suas organizações, para além da função e do cargo que ocupa na organização, é, de igual modo, importante conhecer a experiência no desempenho das suas funções. A antiguidade na autarquia e na ligação directa com o sector do desporto é uma informação fundamental que permite conhecer a adequação da amostra a um estudo deste tipo. Neste caso, os inquiridos têm em média 9,1 anos de ligação directa ao desporto, evidenciando um desvio padrão de 6,8 anos. A moda da amostra é de 10 anos, correspondendo a 22 indivíduos, isto é, 11% da amostra. Uma percentagem considerável da amostra (32%), possui entre 7 a 10 anos de ligação directa ao desporto na autarquia, o que possibilita conhecer, com maior detalhe, os diversos meandros de funcionamento da organização.

Analisando alguns dados demográficos da amostra e como se pode observar na Figura 6.6.2.6., a grande maioria dos inquiridos são do género masculino, com uma média de idades de 37, 4 anos e desvio padrão de 7,54.

Ainda relativamente à idade dos inquiridos, os dados obtidos revelaram que a amplitude da amostra vai dos 24 até aos 58 anos. No intervalo entre os 30 e os 36 anos, concentra-se 43,5% dos elementos da amostra.

143

Fonte: Elaboração própria

A grande maioria dos inquiridos (83%) possui o grau académico de Licenciatura ou Mestrado, como se pode observar na Figura 6.6.2.7.

Figura 6.6.2.7. – Habilitações académicas

Fonte: Elaboração própria

6.6.3. – ANÁLISE FACTORIAL EXPLORATÓRIA E ANÁLISE DA CONSISTÊNCIA

INTERNA DAS ESCALAS DE MEDIDA

Considera-se essencial destacar que as opções de investigação seguidas neste estudo conduziram à identificação inicial de um modelo conceptual, construído a partir da revisão da literatura, modelo esse que se pretendia testar, utilizando os dados da amostra, a exemplo de outros autores (p. ex. Dobni, 2008), os quais também se serviram desta abordagem no

144

âmbito de estudos sobre a inovação nas organizações. De seguida, descreve-se os procedimentos e critérios estatísticos utilizados no processo de validação das escalas de medida e, nos pontos seguintes, apresenta-se e discute-se os resultados obtidos em cada uma das escalas.

Quando se pretende identificar a estrutura que está subjacente a um número específico de variáveis observadas, a opção pela utilização das técnicas estatísticas de componentes principais, análise factorial ou modelação de equações estruturais é referida como a melhor escolha (Tabachnick e Fidell, 2007).

A análise de componentes principais faz uso das correlações entre as variáveis para desenvolver um número menor de componentes que, empiricamente, sumariam a correlação entre as variáveis. Apresenta uma descrição da relação entre as variáveis observadas e não uma análise teórica.

A análise factorial é composta por técnicas estatísticas que permitem reconhecer os constructos hipotéticos subjacentes às variáveis observadas, dando conta das relações existentes entre elas. É empregada quando o investigador acredita que as respostas a uma série de questões são influenciadas por um conjunto mais reduzido de estruturas, denominadas factores, pelo que são técnicas úteis na tentativa de desenvolver ou avaliar teorias (Tabachnick e Fidell, 2007).

Finalmente, a modelação de equações estruturais é uma técnica que possibilita a análise das relações entre variáveis através do cálculo da melhor solução para um conjunto de equações de regressão múltipla estimadas simultaneamente (Hair et al, 2009). Esta técnica possui dois componentes básicos: o modelo de medida, que faculta ao investigador utilizar um conjunto de variáveis ou indicadores para cada variável dependente e o modelo estrutural, o que liga as variáveis independentes às variáveis dependentes através da teoria ou experiência do investigador.

A modelação de equações estruturais é igualmente conhecida como modelação causal, análise causal, modelação de equações simultâneas, análise de estruturas de covariância, análise de caminhos (path analysis) ou a análise factorial confirmatória (Tabachnick e Fidell, 2007). Recordando o referido no início deste subcapítulo, e nesta primeira fase em que se procura estabelecer as capacidades psicométricas das escalas de medida usadas neste estudo, a opção recaiu sobre a análise factorial exploratória através do método de extracção de componentes principais, dado que se tinha procedido ao reconhecimento de um modelo que interessava testar e interpretar de acordo com os dados obtidos e, de acordo com Ho (2006). Assim, se o objectivo é apenas a redução de dados para obter o número mínimo de factores necessários à representação dos dados originais, a análise de componentes principais é mais adequado.

145

Posteriormente determinou-se a consistência interna dos itens de medida, descrita mais à frente neste capítulo.

Finalmente, e para o tratamento dos resultados obtidos após a análise factorial exploratória e a análise de consistência interna, utilizou-se a modelação de equações estruturais através da análise de caminhos (path analysis) para identificar as relações existentes entre as variáveis. No que respeita à análise factorial, o seu objectivo é encontrar o menor número possível de factores que explicam adequadamente as correlações entre um grupo de variáveis (Pestana e Gageiro, 2007) e cujo grau de interdependência entre os mesmos varia (Tabachnick e Fidell, 2007). Os itens que são agrupados no seguimento da análise factorial, presumidamente, medem o mesmo constructo. É essencial que os factores sejam interpretáveis segundo a teoria e que o modelo obtenha níveis adequados de ajustamento aos dados. A análise factorial pode ser exploratória ou confirmatória (Tabachnick e Fidell, 2007). A exploratória procura descrever e sumariar os dados ao agrupar variáveis que estão correlacionadas. Estas variáveis podem ter sido, ou não, escolhidas com base na conceptualização de um determinado processo. É um instrumento útil na identificação de variáveis que não representam adequadamente a dimensão, o que, num estudo exploratório, se revela essencial na depuração das escalas de medida de itens que não contribuem para explicar os factores a que estão associados e, dessa forma, melhorar as qualidades psicométricas das escalas de medida. A fim de clarificar as correlações entre as variáveis, a análise factorial exploratória pode utilizar como opção a rotação Ortogonal e Não Ortogonal. Considerando que, do ponto de vista conceptual, existia o entendimento que as variáveis poderiam estar correlacionadas, foi efectuado inicialmente um teste empírico com rotação Não Ortogonal, utilizando o método Oblimin, tendo-se verificado que as correlações entre os factores era superior a 0.3, pelo que se optou por utilizar esse procedimento na análise factorial exploratória, tal como é sugerido por Hair et al (2009).

Embora a normalidade não seja um pressuposto necessário para a análise factorial de componentes principais, Pestana e Gageiro (2007) aconselham a análise dos graus de assimetria e curtose para cada variável, individualmente, uma vez que distribuições muito enviesadas ou outliers podem distorcer os resultados, o que se desenvolveu na confirmação dos pressupostos antes da realização da análise factorial.

Neste sentido, e para as quatro escalas de medida, a análise factorial exploratória de componentes principais seguiu três etapas:

Na primeira etapa, estimou-se a matriz de correlações, que mede a associação linear entre variáveis, através dos coeficientes de correlação de Pearson, tendo-se efectuado uma análise visual das correlações, em que se procurou verificar se existiam correlações superiores a 0,3. De igual forma testou-se a viabilidade da aplicação da análise factorial utilizando o teste de

146

esfericidade de Bartlett, que mede a existência de correlações significativas entre os itens e do teste KMO (Kaiser-Meyer-Olkin), que estima a adequação da amostra.

O teste KMO, que varia entre 0 e 1, compara as correlações simples com as parciais, existentes entre variáveis. Um KMO próximo de 1 indica coeficientes de correlação parciais pequenos, enquanto valores próximos de 0 indicam que a utilização de análise factorial pode não ser o mais adequado, porque há uma correlação fraca entre as variáveis.

Pestana e Gageiro (2007) sugerem o seguinte quadro para se interpretar os valores do KMO:

KMO Análise Factorial

1-0,9 Muito boa 0,8-0,9 Boa 0,7-0,8 Média 0,6-0,7 Razoável 0,5-0,6 Má <0,5 Inaceitável

Hair et al (2009) recomendam 0,50 como valor mínimo para a estatística KMO, isto é, valores iguais ou superiores a 0,50 indicam que, no geral, o tamanho da amostra é adequado para os indicadores considerados.

Na segunda etapa, extraíram-se os factores com base na análise dos componentes principais, o que é um método estatístico multivariado que permite transformar um conjunto de variáveis iniciais, correlacionadas entre si, num outro conjunto de variáveis não correlacionadas, as chamadas componentes principais, que resultam de combinações lineares do conjunto inicial e são apresentadas por ordem decrescente de importância. Um valor próprio igual ou maior que 0.50, foi usado para determinar os loadings factoriais.

Ainda nesta etapa, determinou-se o número de componentes necessárias para representar adequadamente os dados iniciais. Esse número pode ser determinado a partir da representação gráfica dos valores próprios (scree plot), através do critério de Kaiser (1960) ou através da análise paralela (Enzmann, 1997; Lautenschlager, 1989).

Efectivamente, como afirma Field (2005), existe um debate sobre o critério mais adequado para decidir se um factor deve ser retido e é estatísticamente importante. Os eigenvalues associados são um indicador da importância desse factor e uma das formas de decidir se um

eigenvalue é suficientemente elevado para representar um factor significativo é a

interpretação do scree plot, o qual é a representação gráfica de cada eigenvalue (eixo dos Y) em relação ao factor ao qual ele está associado (eixo dos X). Tipicamente a visualização gráfica torna evidente a identificação de alguns factores com eigenvalues elevados e bastantes factores com eigenvalues baixos, pelo que o ponto de inflexão da curva pode ser utilizado para seleccionar os factores a reter.

147

O eigenvalue representa o rácio entre a variância comum (partilhada) e a variância única (específica) explicada pelo factor extraído. A explicação para a utilização do critério do

eigenvalue é que a quantidade da variância explicada por um factor deve ser pelo menos

igual à variância explicada por uma única variável (variância única) para que esse factor seja retido (Ho, 2006). Um eigenvalue maior do que 1 significa que uma variância maior que a variância única é explicada por aquele factor.

Kaiser (1960) recomenda a retenção de todos os factores com eigenvalues superiores a 1, baseado no argumento que um valor superior a 1 representa uma quantidade substancial e variação. No entanto, existem autores que consideram o critério de Kaiser (utilizado por defeito no SPSS) demasiado restrito, como por exemplo Enzmann (1997) e Lautenschlager (1989) que propõem o método da análise paralela para a identificação dos factores a reter. Este método utiliza dados aleatórios com o mesmo número de variáveis e casos utilizados no conjunto de dados que o investigador pretende analisar. Ao calcular os eigenvalues baseado em dados aleatórios, os critérios são definidos com base na aleatoriedade dos dados, ultrapassando assim a arbitrariedade de outros métodos (Enzmann, 1997). Neste caso, o número de eigenvalues empíricos que apresentam valores superiores aos eigenvalues obtidos através dos dados aleatórios representa o número de factores a ser retidos na análise de componentes principais.

Neste estudo, e como critério de decisão em relação ao número de factores a reter, optou-se pelo método da análise paralela, considerando a menor arbitrariedade deste método comparado com as outras opções, utilizando como suporte na sua execução o software RanEigen, versão 2.0 (Enzmann, 2003).

Assim, para cada escala de medida, verificou-se se os itens se agregavam em torno do factor que se pretendia medir, atendendo às correlações entre as variáveis observadas e os factores (loadings) e se o número de factores correspondia ao enquadramento teórico, interpretando os resultados do método de Kaiser obtido através do SPSS e da análise paralela obtido através do software RanEigen, versão 2.0.

Os critérios seguidos na leitura dos resultados da aplicação destes procedimentos estatísticos tomaram como limite inferior de loading do item o valor de 0,40. Abaixo desse valor o item seria eliminado. De igual forma, se os loadings cruzados forem substanciais, estas variáveis também seriam retiradas da análise, pois ou não são suficientemente representativas do factor a que estão associadas ou então estão a medir conjuntamente mais do que um factor, e tal não é desejável. Encontrada a solução factorial é possível prosseguir com o estudo da fiabilidade e consistência interna dos factores.

Na terceira etapa e para que se possa concluir a análise factorial e interpretar o novo conjunto de variáveis, é preciso que a chamada estrutura simples seja alcançada. Esta é obtida quando a matriz dos coeficientes de correlação entre as variáveis observadas e os

148

factores extraídos apresenta um resultado tal que cada variável tem somente um coeficiente de correlação significativo com algum factor e cada factor tem, pelo menos, uma variável com um coeficiente significativo.

Na presente investigação estuda-se, em primeiro lugar, a unidimensionalidade de cada escala e só depois a sua fiabilidade e consistência interna, dado que a aplicação do coeficiente de Cronbach α pressupõe a unidimensionalidade da escala, tal como sugerido por Hill e Hill (2002).

Para analisar a fiabilidade e consistência interna, utiliza-se a correlação corrigida do item com o total da escala (alfa if item deleted) e o coeficente de Cronbach α (DeVellis, 2003). Considera-se que os itens ao pertencerem ao domínio do mesmo constructo, devem estar muito intercorrelacionados e, por essa razão, verificarem consistência interna. Se tal não acontecer, constata-se que existe falta de fiabilidade da medida. Estas correlações devem ser elevadas, traduzindo assim a força da ligação das variáveis ao mesmo constructo, isto é, têm mais variância relacionada com aquilo que os itens têm em comum. Por outro lado, valores baixos de correlações entre o item e a escala total indicam que eles não pertencem ao mesmo domínio e, por isso, não devem ser incluídos nessa escala. O valor de 0,3 é sugerido por Nunnaly e Bernstein (1994) como valor discriminante.

O coeficente α de Cronbach, bastante utilizado no estudo da fiabilidade de escalas de medida (DeVellis, 2003), indica a proporção da variância da escala que é atribuída ao verdadeiro valor da variável latente subjacente aos itens. De acordo com Nunnaly e Bernstein (1994), na fase inicial de validação de um constructo, é aceitável utilizar instrumentos com fiabilidades modestas (p. ex. 0,5).

A análise dos indicadores de fiabilidade permite identificar os itens que não estão conformes com os critérios apresentados e, consequentemente, ponderar a sua eliminação o que, quando se está no início do desenvolvimento de uma escala, deve ser realizado com extremo cuidado e sempre consubstanciado na teoria subjacente ao tema de estudo.

Seguidamente, passamos a apresentar os resultados e procedimentos seguidos para cada escala de medida.

149

6.6.4. - Escala INOVENVOLVENTE

Passa-se então a descrever os resultados obtidos com a análise factorial exploratória da escala INOVENVOLVENTE, sob a orientação dos procedimentos e critérios definidos anteriormente.

A análise descritiva dos resultados (Tabela 6.6.4.1.) revelou que os valores médios oscilaram entre 3,01 e 4,54 com níveis de variabilidade consideráveis, tendo sido identificados pequenos desvios da normalidade que não afectam o prosseguimento da análise factorial exploratória.

Tabela 6.6.4.1. – Análise descritiva dos resultados da Escala Inovenvolvente

Média

Desvio

Padrão N

EN1.1. Existe uma relação próxima com os clubes desportivos do concelho 4,54 ,656 200 EN1.2. Há comunicação constante com os munícipes que usufruem das

instalações e serviços

4,29 ,647 200

EN1.3. Existe comunicação e colaboração frequente com as escolas 4,46 ,707 200 EN1.4. Existe uma relação próxima com empresas do sector do desporto 3,53 ,885 200 EN1.5. Existe comunicação e colaboração frequente com instituições de

ensino superior 3,44 1,006 200

EN1.6. Há uma relação próxima com as Juntas de Freguesia do Concelho 4,31 ,758 200 EN1.7. Existe comunicação e colaboração frequente com outros serviços

camarários 4,41 ,688 200

EN1.8. A participação de colaboradores em acções de formação é frequente 3,71 ,939 200 EN1.9. Há um acompanhamento próximo da actividade das principais

No documento Inovação nos serviços públicos: estudo da capacidade inovadora das Câmaras Municipais portuguesas nos serviços de desporto (páginas 154-184)