Procedimentos para a análise de dados

A análise dos dados da etapa quantitativa se deu por meio de análises estatísticas, utilizando-se de técnicas univariadas, bi-variadas e multivariadas descritas a seguir, com o apoio dos softwares Microsoft Excel e SPSS v.18.

As técnicas univariadas referem-se às medidas obtidas por meio de estatísticas descritivas. Para identificar o comportamento das empresas em relação à gestão do uso da água e ao desempenho empresarial foram analisados os índices de média, desvio padrão e coeficiente de variação.

A normalidade dos dados foi testada por meio dos testes denominados Kolmogorov-Smirnov e Shapiro-Wilk. De acordo com Fávero et al. (2009), o teste Kolmogorov-Smirnov consiste na comparação da distribuição observada acumulada com uma distribuição normal esperada. Em ambos os testes, identificou-se que os dados coletados não apresentam distribuição normal. Os valores de significância nos

referidos testes, apresentados no Apêndice C, são inferiores a 0,05, o que rejeita a hipótese da normalidade (FÁVERO et al. 2009). O conhecimento desta distribuição implicou na escolha dos testes estatísticos seguintes.

Com o objetivo de comparar e identificar diferenças de médias entre grupos, de acordo com o porte e tempo de atuação das empresas, foi aplicado o Teste de Kruskal-Wallis. Este teste não-paramétrico é recomendado, segundo Pestana e Gageiro (2003), em substituição ao teste One Way ANOVA, quando não são reunidos os pressupostos deste último, a exemplo da normalidade. É utilizado para testar a hipótese de igualdade entre os grupos, no que se refere à localização na distribuição observada. Quando se rejeita a hipótese H0, afirma-se que existe um grupo que difere da tendência central.

A associação linear entre as variáveis independentes e dependentes deste estudo foi observada por meio da análise de correlação Ró de Spermann. Trata-se de um teste não paramétrico, aplicado em alternativa ao R de Pearson, na medida em que os dados possuem distribuição não normal (Hair et al., 2005). Observa-se o coeficiente de correlação, com variação de -1,0 a 1,0, e o grau de significância. Segundo os autores, se o coeficiente de correlação é forte e estatisticamente significativo (significância inferior a 0,05) conclui-se que existe relação entre as variáveis observadas.

A analise fatorial, de acordo com Hair et al. (2009, p. 102), é uma técnica de interdependência cujo “propósito principal é definir a estrutura inerente entre as variáveis na análise”. Nesse sentido, segundo o autor, têm-se o objetivo de condensar, ou resumir, as informações de diversas variáveis em um conjunto menor de novas dimensões (fatores), com uma perda mínima de informações.

Desta forma, aplicou-se o referido teste estatístico com o objetivo de agrupar o elevado número de variáveis em um reduzido número fatores, viabilizando a aplicação futura de outras técnicas estatísticas. Para a extração dos fatores, utilizou- se a técnica de análise dos componentes principais, com o objetivo de se explicar a máxima variância total em um número mínimo de fatores (HAIR et al., 2009).

O método de rotação utilizado na fatorial exploratória, varimax, maximiza a soma das variâncias das cargas exigidas, proporcionando, assim, clara associação positiva ou negativa, entre as variáveis e o fator. Para a seleção dos fatores utilizou- se o critério de Kaiser, com autovalores de significância superior a 1,0. A adesão das variáveis levou em consideração suas comunalidades, a matriz de correlação, matriz

anti-imagem e a matriz das componentes, conforme indicado por Pestana e Gageiro (2003). A qualidade da correlação entre as variáveis é identificada pelo índice Kaiser-Meyer-Olkin (KMO) e o teste de esfericidade de Barlett. O KMO varia de zero a um, onde valores maiores do que 0,6 são aceitáveis, segundo Pestana e Gageiro (2003), e possuem melhor qualidade quando mais próximos de um. O teste de Barlett testa a hipótese de a matriz de correlações ser igual a matriz identidade e apresenta resultados satisfatórios quando sua significância é menor do que 0,05. Por fim, verificou-se a consistência interna dos grupos de variáveis, por meio da análise do Alpha de Crombach. Para Pestana e Gageiro (2003) uma consistência razoável é superior a 0,7 e atinge melhores resultados com valores mais altos, em uma escala que varia de zero a um.

Por fim, descreve-se a análise de regressão múltipla que, segundo Pestana e Gageiro (2003), trata-se de uma técnica estatística multivariada, descritiva e inferencial, que permite a análise da relação entre uma variável dependente (Y), ou de resultado, e um conjunto de variáveis independentes (X‟s), ou preditoras. Nesse sentido, pretende-se estimar um modelo que possa explicar o índice de desempenho empresarial (variável dependente) em função dos fatores referentes à gestão do uso da água (variáveis independentes).

Utilizou-se o método dos mínimos quadrados, que segundo Hair et al. (2009), busca minimizar a soma dos quadrados dos erros previstos. Observa-se o coeficiente padronizado Beta de cada uma das variáveis independentes e seus respectivos índices de significância. O teste F-ANOVA e sua respectiva significância, com o objetivo de rejeitar a hipótese de os coeficientes da regressão serem todos nulos.

A precisão do modelo é avaliada pelo coeficiente de determinação (R²), que representa a correlação ao quadrado dos valores reais e previstos e indica a porcentagem da variação na variável dependente explicada pelas variáveis independentes (HAIR et al., 2009). A amostra mínima, de acordo com Hair et al. (2009), está na relação de 5 casos para cada variável independente. Entretanto, os autores indicam de 15 a 20 observações por variáveis independentes. Na medida em que foram utilizadas, inicialmente, quatro variáveis independentes neste estudo, a amostra observada é considerada adequada.

Utilizou-se o modo de entrada das variáveis denominado stepwise, pelo qual, segundo Hair et al. (2009), a inclusão de cada variável independente no modelo é

avaliada a partir de sua contribuição ao modelo. Inicialmente, é adicionada a variável com maior contribuição e as demais variáveis são acrescentadas mediante sua contribuição incremental, até o ponto em que adição de novas variáveis não contribui efetivamente com o modelo estimado.

Destaca-se, ainda, que a análise de regressão múltipla requer o atendimento dos seguintes pressupostos (HAIR et al., 2009; PESTANA E GAGEIRO, 2003): (i) ausência de multicolineariedade; (ii) homocedasticidade das variáveis aleatórias residuais; (iii) Covariância nula, e; (iv) normalidade dos resíduos. Ressalta-se que o modelo de regressão apresentado neste estudo atende às hipóteses anteriormente citadas.