Procedimentos utilizados na análise dos dados

No presente estudo, após a aplicação do questionário e a recolha de uma amostra não probabilística, realizou-se um conjunto de análises estatísticas. Começou-se com uma análise descritiva das variáveis, em que foram analisadas tabelas de frequências e percentagens, tal como, medidas de tendência central, dispersão e distribuição. De seguida, efetuamos análises de estatística inferencial com o propósito de testar as hipóteses em questão e também, para detalhar resultados das escalas de avaliação de acordo com as variáveis sociodemográficas e em função dos participantes da nossa amostra. Cumulativamente, analisou-se a validade e fiabilidade das escalas de avaliação empregadas. Utilizamos, neste parte do trabalho, os índices propostos por Kline (2005), nomeadamente: o qui-quadrado (X2), o índice de qualidade de ajustamento (GFI – Goodness-of-Fit Index), o índice de ajuste comparativo (CFI – Comparative Fit Index), a razão entre o qui-quadrado e os graus de liberdade (X2/gl), o índice de ajuste normalizado (NFI – Normed Fit Index); já a raiz do resíduo médio (RMR – Root Mean Residual), corresponde ao valor médio dos resíduos obtidos pela diferença entre a matriz de variância-covariância dos dados da amostra e a matriz variância-covariância advinda do ajuste do modelo proposto, quanto que a raiz média quadrática dos erros de aproximação (RMSEA – Root Mean Square Error of

Aproximation) é considerado o índice mais informativo da modelagem da estrutura de

covariância (Byrne, 2010).

Para realizar a análise da validade e fiabilidade das escalas de avaliação utilizadas, consideramos um conjunto de pressupostos:

80

• realização da análise fatorial confirmatória, de modo a analisar e confirmar a validade da estrutura fatorial obtida na análise fatorial exploratória, com extração de itens com pelo menos 0.30 de grau de saturação com o respetivo fator e com 0.50 de comunalidade (Hair et al., 2014; Marôco, 2010);

• Valor de KMO>0.50 e Teste de Barlett estatisticamente significativo (p<0.05) para realização de análise fatorial exploratória

• validade divergente, quando o seu resultado (loading) se apresenta superior ao produto dos loadings com outras escalas;

• validade convergente, através do qual o resultado é obtido com o cálculo da variância extraída média (VEM), sendo esta considerada satisfatória quando o seu resultado for superior a 0.5 (VEM> 0.5) (Marôco, 2010);

Foram considerados os seguintes índices de ajustamento e intervalos de valores para aceitação, conforme a tabela:

Tabela 3 - Índices de ajustamento

Índices Ajustamento

X2_{/gl (Qui-quadrado/graus de liberdade)}

> 5 – ajustamento mau [2-5] – ajustamento sofrível [1-2] – ajustamento bom < 1 – ajustamento muito bom

CFI (Comparative Fit Index)

índice de ajuste comparativo

GFI (Goodness-of-Fit Index)

índice de qualidade de ajustamento

NFI (Normed Fit Index)

índice de ajuste normalizado

< 0.8 – ajustamento mau [0.8-0.9] – ajustamento sofrível [0.9-0.95] – ajustamento bom ≥ 0.95 – ajustamento muito bom

81

Índices Ajustamento

RMSEA (Root Mean Square Error of Aproximation)

raiz da média quadrática dos erros de aproximação

> 0.10 – ajustamento inaceitável [0.05-0.10] – ajustamento bom ≤ 0.05 – ajustamento muito bom

ECVI (Expected Cross Validation Index)

AIC (Akaike’s Information Criterion)

Estes índices são utilizados para a comparação de modelos, no sentido de verificar qual apresenta melhor ajustamento; será melhor aquele que apresente valores mais reduzidos.

Fonte: adaptado de Byrne (2010); Kline (2013); Marôco (2010)

• análise da fiabilidade das escalas obtidas, utilizando como meio a análise da consistência interna dos itens. Além disso, foi utilizado o índice de fiabilidade compósita (Marôco, 2010).

Para procedermos à análise da fiabilidade do instrumento, recorremos ao índice de consistência interna – Alpha de Cronbach – considerando como apropriada a consistência interna e respetiva fiabilidade das escalas, cujo valor de Alpha (α) se revele superior a 0.60 (George & Mallery, 2003; Hill & Hill, 2005; Marôco & Garcia-Marques, 2006; Pestana & Gageiro, 2014). É essencial compreender que o α de Cronbach mede a consistência interna de respostas a um conjunto de variáveis correlacionadas entre si, ou seja, um conjunto de variáveis que representam uma determinada dimensão. Se as correlações inter-variáveis forem elevadas, então, há evidência que as variáveis medem a mesma dimensão. É de ter em atenção que, um coeficiente de consistência interna de 0.80 ou mais é considerado como “bom” na maioria das aplicações de Ciências Sociais, enquanto que um coeficiente de consistência interna entre 0.70 e 0.80 é considerado como “aceitável. Em alguns estudos aceitam-se valores de consistência interna de 0.60 a 0.70, o que de acordo com a literatura é visto como “fraco” (Marôco, 2014).

Deste modo, de acordo com Marôco (2014) os intervalos de valores comuns na análise da consistência interna, representados na tabela 4, são os seguintes

82

Tabela 4 - Índices de consistência interna

Valores de consistência interna

Muito boa > 0.9

Boa [0.8 e 0.9]

Razoável [0.7 e 0.8]

Fraca, mas aceitável [0.6 a 0.7] Inadmissível e inaceitável < 0.6

Fonte: elaborado com base em Marôco (2014)

Depois da análise da validade e fiabilidade das escalas, procedemos à análise descritiva dos resultados do questionário através da análise das medidas de tendência central (média, moda e mediana), de dispersão (desvio padrão mínimo e desvio padrão máximo) e de distribuição (coeficiente de simetria e curtose). Considerando a elevada dimensão da amostra, recorremos a testes paramétricos para avaliar os resultados médios das diversas escalas formadas uma vez que, de acordo com teorema do limite central (TLC), nas amostras em que os elementos são superiores a 30 pode ser descurada a análise da normalidade (Hill & Hill, 2005; Marôco, 2010; Pestana & Gageiro, 2014). Neste sentido, recorremos aos testes t para amostras independentes e ao teste Anova, considerando significativos os resultados cujo valor de p (probabilidade de significância) se mostrem inferiores a 0.05.

Por último, com o intuito de testar as hipóteses levantadas, ajustamos um modelo de equações estruturais (path analysis) até obtermos os índices de ajustamento apropriados. Efetuamos esta análise sendo que, todas as escalas apresentam uma consistência interna dos seus itens adequada (α>0.80), possibilitando a formulação de variáveis de acordo com a média dos seus itens (Byrne, 2010; Marôco, 2010).

Com o propósito de confirmar as hipóteses levantadas, analisamos as trajetórias existentes no modelo, sendo aceites as hipóteses cujo valor obtido se mostre inferior a 5% (p<0.05). Em síntese, recorremos, também, ao uso de Modelagem de Equações Estruturais (MEE), sendo que estas se destinam a representar relações causais entre as variáveis do modelo. A MEE é um método para lidar diretamente com múltiplas relações simultâneas de

83

dependência e independência entre as variáveis, permitindo uma transição da análise exploratória para a confirmatória (Pereira, 2013).