Procedimentos utilizados na análise dos dados

A caracterização da amostra e a análise das relações relevantes entre as variáveis foi feita com base nos dados recolhidos recorrendo ao programa estatístico SPSS 23.0.0.

Numa primeira fase, efetuou-se a análise descritiva das variáveis, através da qual foi possível obter resultados estatísticos, nomeadamente as medidas de tendência central (média e mediana) assim como as medidas de dispersão, nomeadamente a variância e o desvio padrão.

De seguida, procedeu-se à aplicação do teste de Kolmogorov-Smirnov, para todas as variáveis correspondentes às questões da 2.ª parte e da 3.ª parte (a partir da questão 4), de forma a testar a normalidade da amostra, onde se considerou H0: a amostra apresenta uma distribuição normal e H1: a amostra apresenta uma distribuição não-normal.

Após se verificar a rejeição da hipótese nula em todas as variáveis, efetuou-se para cada uma o teste não-paramétrico de Wilcoxon sobre a mediana. Considerou-se como hipóteses de estudo: H0: Mediana ≤ 4 e H1: Mediana > 4.

Contudo, é de ressalvar que existia também a possibilidade de seguirmos o teorema do limite central, que determina que amostras com dimensão superior a 30 tendem a ter uma distribuição normal (Rice, 1995), que neste caso permitia-nos utilizar um teste paramétrico como o teste estatístico t (sobre a média da amostra). Apesar de um dos requisitos dos testes paramétricos ser que os resultados se distribuam normalmente, pela sua robustez estes podem ser utilizados mesmo quando este pressuposto não se verifica (a menos que os dados tenham uma distribuição muito diferente do habitual) (Pereira, 2008).

Não obstante, mesmo optando por utilizar o teste não-paramétrico de Wilcoxon, manteve-se e comentou-se pontualmente a média, de acordo com o teorema anteriormente referido. No anexo D encontram-se os resultados relativos à aplicação do teste t, onde se verifica que (à exceção de uma variável) todas as restantes apresentaram resultados semelhantes aos resultados obtidos com o teste não paramétrico de Wilcoxon.

Posteriormente avançou-se com a construção das variáveis latentes que permitirão testar e validar as hipóteses definidas para esta investigação. Para melhor se compreender o processo de construção das variáveis, apresenta-se de seguida os passos efetuados.

Construção de variáveis latentes

De forma a especificar o processo de construção de variáveis latentes, segue em baixo uma síntese dos passos para a construção das variáveis latentes, e posteriormente a explicação detalhada de todos os passos:

i) Avaliação da confiabilidade da escala de construção de variáveis através da aplicação do teste de Alpha-Cronbach;

ii) Análise fatorial para cada uma das variáveis

iii) Construção das variáveis com base nos scores obtidos a partir da análise fatorial (dados disponíveis na matriz de componentes);

i) Aplicação do teste de Alpha-Cronbach

Procurou-se avaliar a consistência interna das variáveis (que dizem respeito a uma mesma hipótese ou variável latente) na construção de uma uni dimensão, através do Alpha de

Cronbach, tendo 0,70 como valor de referência da fiabilidade do coeficiente α (Cronbach,

1951; Nunnally, 1978). Contudo, de acordo com Nunnally (1978), o intervalo entre 0,5 e 0,6 também é aceitável para fases iniciais de pesquisa., enquanto Schmitt (1996) defende que um valor α igual a 0,5 não invalida as conclusões sobre a confiabilidade da consistência interna.

ii) Análise fatorial para cada uma das variáveis

De seguida, aplicou-se a análise fatorial confirmatória. De acordo com Aranha (2008), a análise fatorial é uma técnica estatística que permite caraterizar um conjunto de variáveis diretamente mensuráveis. Esta técnica permite então analisar a intensidade das relações entre as variáveis observadas e, com base nisso, fazer uma análise fatorial subjacente capaz de reproduzir as relações existentes.

Utilizou-se a análise fatorial, pelo método dos componentes principais. Este método tem em conta a variância total dos dados (Malhotra, 2011). A análise dos componentes principais é baseada na correlação linear das variáveis observadas.

De forma a podermos determinar se a análise fatorial é estatisticamente aceitável, avaliaram-se os resultados do teste de Kaiser-Meyer-Olkin (KMO). Este indica se a proporção de variância dos itens pode ser explicada por uma variável latente (Lorenzo-Seva, Timmerman e Kiers, 2011 citados por Pereira, 2013). Neste sentido, apenas se poderá considerar que a análise fatorial é adequada no caso de os valores de p serem iguais ou superiores a 0,5 (Kaiser, 1974; Malhotra e Birks, 2006).

Para além disso, aplicou-se o teste de esfericidade de Bartlett, que avalia, essencialmente, se a matriz de covariância é similar à matriz de identidade (Field, 2005). Neste caso, sempre que os níveis de significância p forem inferiores a 0,05, é possível afirmar que a matriz é favorável (Tabachnick e Fidell, 2007 citado por Pereira 2013).

Os testes de KMO e da esfericidade de Bartlett, por norma, tendem a ser coincidentes (Dziuban e Shirkey, 1974), o que também se verificou nesta investigação.

Para além disso, considerou-se o método de rotação (ortogonal) de Varimax, que tem como objetivo maximizar a variação entre os pesos de cada componente principal, de forma a facilitar a interpretação de valores obtidos.

iii) Construção das variáveis latentes

As variáveis latentes foram construídas, através de uma média ponderada, com base nos scores ou loadings obtidos a partir da análise fatorial (dados disponíveis na matriz de componentes, anexo E). Na tabela 48 apresenta-se a construção de cada variável latente. Depois de realizada a construção de variáveis latentes, voltou a verificar-se através do teste de Kolmogorov-Smirnov se as variáveis latentes criadas apresentavam uma distribuição normal.

Correlação

De forma a analisar o nível de correlação entre as variáveis, prosseguiu-se com a aplicação do teste de Spearman sobre as variáveis em análise. Esta técnica é uma medida de correlação não paramétrica, utilizada para medir a intensidade da relação entre variáveis. Situa-se no intervalo:-1≤ρ≤1,pelo que quanto maiorovalorde p,maiora força da correlação.

Assim, o grau de correlação entre as variáveis depende do valor do coeficiente (Finney, 1980), conforme se apresenta na tabela 5.

Tabela 5 – Nível de correlação em função do coeficiente de Spearman

Teste de Mann-Whitney

Para que se pudessem avaliar eventuais resultados distintos em função da caraterização da amostra, efetuou-se uma segmentação dos resultados de acordo com género, idade, relação contratual com a marca (clientes e não-clientes), presença na última edição, frequência visita ao evento e n.º de horas presente no recinto, formando subamostras. Através do teste de Mann-Whitney fez-se a comparação das medianas das subamostras, de forma a verificar se existem diferenças entre as respostas das subamostras. Para isso definiu-se H0: as medianas são iguais entre as subamostras e H1: as medianas não são iguais entre as subamostras. Para a rejeição da hipótese nula, foi aceite um nível de significância de p ≤ 0,05.

Valor de ρ Correlação [0,9;1] Muito forte [0,75;0,9[ Forte [0,5;0,75[ Moderada [0,25;0,5[ Fraca [0,0;0,25[ Muito fraca