Para averiguar o comportamento dos dados coletados, utilizaram-se técnicas de Análise Exploratória dos Dados (AED) na qual se define como um conjunto de procedimentos que permite efetuar o estudo das características da distribuição das variáveis intervalares na amostra (MARTINS, 2011) consistindo geralmente na análise a partir de ferramentas gráficas (DANCEY; REIDY, 2013) que podem ser utilizados para sintetizar dados rapidamente (SWEENEY; WILLIAMS; ANDERSON, 2014). Em uma visão holística, existem dois métodos utilizados na abordagem da AED: (1) geração de grandes lotes de dados e (2) geração de
números a partir dos dados computados (MORGAN et al, 2011). Para o presente estudo, utilizou-se a segunda abordagem dado que oferece informações mais relevantes em sintonia ao objetivo proposto. As ferramentas gráficas utilizadas basearam-se nos tipos de variáveis existentes, ou seja, cada gráfico desenvolvido estava de acordo com a característica da variável, seja ela contínua, nominal ou ordinal, conforme é explicitado na Tabela 3.3.
Tabela 3.3 – Parâmetros estatísticos e suas representações gráficas.
Parâmetros Representações gráficas
Contínuas Histogramas, diagrama de caule e folhas, boxplot, diagrama de dispersão
Ordinais Gráficos de barras e circulares, boxplot
Nominais Gráficos de barras e circulares
Baseado em Marôco (2014); Pestana e Gageiro (2014); Norman e Streiner (2014)
Sequencialmente adotaram-se técnicas de estatística inferencial para realizar testes estatísticos que permitam conclusões mais vastas sobre os dados coletados. Em primeiro momento, fez-se o estudo da normalidade da distribuição de cada variável contínua, no qual permite delinear quais os métodos estatísticos propícios para analisar os dados (testes paramétricos ou não- paramétricos). Diante disso, aplicou-se o teste de Kolmogorov-Smirnov com fator de correção de Lilliefors, dado que ele é o teste mais utilizado para verificar a normalidade dos dados (MARÔCO, 2014). Ressalta-se que as variáveis ordinais empregadas na aplicação do questionário não foram analisadas na perspectiva da normalidade tendo em vista que como são ordinais, assim um teste não-paramétrico é o que melhor se insere nesse contexto (RAMACHANDRAN; TSOKOS, 2009; MAYERS, 2013; COOLICAN, 2014).
Em seguida, com o intuito de investigar a influência que as variáveis desempenham umas com as outras, verificou-se a correlação entre a associação de cada uma delas. A correlação é uma medida do grau de relacionamento entre as duas variáveis X e Y (NEUHÄUSER, 2012), ou seja, quando duas variáveis estão ligadas por uma relação estatística diz-se que existe correlação (MELLO; GUIMARÃES, 2015). Nesse momento deve-se fazer uma ressalva aos dados de conforto térmico oriundos da aplicação do questionário, tendo em vista que são dados de origem contínua (valores dos parâmetros ambientais) e ordinal (valores referentes à escolha dos trabalhadores perante os aspectos ambientais). A literatura não indica a realização de uma correlação entre variáveis ordinais e contínuas, devido às diferenças de suas características o que ocasiona um viés no estudo. Com a finalidade de contornar esse problema, adotou-se o procedimento de Cleff (2014), no qual sugere classificar as variáveis contínuas e convertê-las em uma escala ordinal para viabilizar o estudo da correlação. Para efetuar essa classificação, utilizou o critério de Sturges (1926) para definir o número de classes dado que é o critério mais difundido na literatura. Contudo, esse critério é direcionado para dados que seguem uma distribuição normal, já nos casos de ocorrer uma distribuição não normal, mais classes são necessárias (BONATE, 2011). Assim, adicionou-se o fator de adaptação de Doane (1976) para o critério de Sturges, tendo em vista que esse fator engloba a questão da não normalidade, o que garante robustez na análise. Isso resultou em uma divisão em onze classes para cada variável, o que permite realizar a correlação entre elas.
Para isso, utilizam-se os coeficientes de correlação estatística, dentre os quais dois se destacam na literatura: coeficiente de Pearson e de Spearman. Eles produzem uma estatística que varia de - 1, indicando uma correlação negativa perfeita, para 1 indica uma correlação positiva perfeita, além do valor do 0 indicar ausência de correlação (HINTON et al, 2004). O coeficiente de correlação de Spearman é um teste não paramétrico que mede a força da associação (DOANE; SEWARD, 2011) sendo utilizado quando o conjunto de dados contém ao menos uma variável ordinal (RASCH; KUBINGER; YANAGIDA, 2011; CLEFF, 2014), já o coeficiente de correlação de Pearson é o mais difundido na literatura, sendo utilizado em variáveis contínuas. Por outro lado, a interpretação do valor do coeficiente possui um caráter subjetivo e deve-se ter cautela na interpretação da sua significância estatística (KRASKA-MILLER, 2014) dado que pode variar de acordo com o objetivo e as características do estudo em questão. Cohen (1988) fornece uma descrição detalhada com subcritérios de correlação para a área de ciência comportamental, contudo o autor encoraja que para outras áreas devem-se utilizar distintos critérios. No tocante à área de ciências exatas, os estudos de Pestana e Gageiro (2014) sugerem o critério exibido na Tabela 3.4, o qual foi adotado para o desenvolvimento do estudo.
Tabela 3.4 – Associação do coeficiente de correlação e classificação de sua relação
Coeficiente de correlação para associação positiva
Coeficiente de correlação para associação negativa
Classificação da relação entre a associação das variáveis
0 a 0,2 0 a -0,2 Muito fraca
0,2 a 0,4 -0,2 a -0,4 Fraca
0,4 a 0,7 -0,4 a -0,7 Moderada
0,9 a 0,9 -0,9 a -0,9 Elevada
0,9 a 1 -0,9 a -1 Muito elevada
Adaptado de Pestana e Gageiro (2014)
Deve-se ressaltar que os valores do coeficiente de correlação não são baseados em uma escala linear, isto é, o dobro de um valor de coeficiente não implica que ele terá o dobro de associação (CORDER; FOREMAN, 2014). Sendo assim, calculou-se o coeficiente de determinação que possui a finalidade de medir a proporção da variabilidade de uma variável que pode ser determinada a partir da relação com a outra variável (GRAVETTER; WALLNAU, 2011). Normalmente os dados experimentais científicos têm o coeficiente de determinação entre intervalo de 80 a 90%, porém dados de estudos observacionais e pesquisas, geralmente mostram associações relativamente fracas, pois é muito difícil mensurar respostas confiáveis (SHARPE; De VEAUX; VELLEMAN, 2011). Diante disso, não se estipulou um parâmetro para classificação do coeficiente de determinação. Por fim, para análise dos dados utilizou-se o software SPSS da IBM Corporation, devido à potencialidade de realização de várias análises quantitativas de confiabilidade, além de possuir uma interface amigável ao pesquisador. Ainda pode-se ressaltar que o SPSS é líder em relação à tecnologia de mineração de dados global (FEINBERG; SIEKPE, 2003).