Questionário para avaliar a qualidade docente

A partir da realização da análise fatorial, percebe-se que a amostra é adequada para a realização do estudo (KMO = 0,935 e BTS ≤ 0,001). A análise fatorial é uma técnica estatística usada para identificar os fatores que podem ser usados para identificar relacionamentos entre um conjunto de muitas variáveis (Tabela 17).

Tabela 17 - KMO e Teste de Esfericidade de Bartlett.

Medida Kaiser-Meyer-Olkin de adequação da amostra ,935 Teste de Esfericidade de Bartlett Qui-quidrado 9610,727

Gl 66

Sig. ,000

Fonte: Elaborada pelo autor.

Segundo Hair et al. (2009, p.104), os objetivos da análise fatorial são:

O ponto de partida em análise fatorial, bem como em outras técnicas estatísticas, é o problema de pesquisa. O propósito geral de técnicas de análise fatorial é encontrar um modo de condensar (resumir) a informação contida em diversas variáveis originais em um conjunto menor de novas dimensões compostas ou variáveis estatísticas (fatores) com uma perda mínima de informação – ou seja, buscar definir os construtos fundamentais ou dimensões assumidas como inerentes às variáveis originais. Ao atingir seus objetivos, a análise fatorial é ajustada com quatro questões: especificação da unidade de análise; obtenção do resumo de dados e/ou redução dos mesmos; seleção de variáveis e uso de resultados da análise fatorial com outras técnicas multivariadas.

Para esses dados o KMO acima de 0,9 e os valores acima de 0,92 para todas as variáveis na matriz de correlações de anti-imagem indicam tamanho adequado da amostra. Os valores da matriz de correlações de anti-imagem mostraram baixos coeficientes, indicando baixo nível de correlações parciais. O teste de Bartlett foi altamente significativo [χ²(190) = 9610,727, p < 0,001]; portanto, a realização da análise fatorial é apropriada para este conjunto de dados.

Para a extração dos fatores através do método Componentes Principais10 considerou-se todos os 12 itens, pois apresentaram comunalidades11 superiores a 0,50.

Tabela 18 – Comunalidades

Fonte: Elaborada pelo autor.

Para entender o conceito de comunalidade é necessário entender os conceitos de variância comum e variância única (ou específica). A variância total de uma variável em

10

A Análise de Componentes Principais ou principal component analysis (PCA) é um procedimento matemático que utiliza uma transformação ortogonal para converter um conjunto de observações de variáveis possivelmente correlacionadas a um conjunto de valores de variáveis linearmente descorrelacionadas chamadas componentes principais. O número de componentes principais é menor ou igual ao número de variáveis originais. Esta transformação é definida de forma que o primeiro componente principal tem a maior variância possível (ou seja, é responsável pelo máximo de variabilidade nos dados), e cada componente seguinte, por sua vez, tem a máxima variância sob a restrição de ser ortogonal a (i.e., não-correlacionado com) os componentes anteriores. Os componentes principais são garantidamente independentes apenas se os dados forem normalmente distribuídos (conjuntamente). O PCA é sensível à escala relativa das variáveis originais. Dependendo da área de aplicação, o PCA é também conhecido como transformada de Karhunen-Loève (KLT) discreta, transformada de Hotelling ou decomposição ortogonal própria (POD). (WIKIPÉDIA, [19.11.2013]).

11

A comunalidade mede a contribuição dos fatores para explicar a variância total de cada variável. Cada comunalidade é igual à soma dos quadrados das cargas fatoriais, sendo a maioria superior a 0,7. (CHINELATTO NETO; CASTRO; LIMA, 2004, p. 118).

Itens Extração q1 - A ,708 q2 - B ,742 q3 - C ,694 q4 - D ,578 q5 - E ,690 q6 - F ,630 q7 - G ,651 q8 - H ,542 q9 - I ,565 q10 - J ,650 q11 - K ,608 q12 - L ,595

particular terá dois componentes na comparação com as demais variáveis: a variância comum, na qual ela estará dividida com outras variáveis medidas e a variância única, que é relativa para essa variável. No entanto, existe também variância que é específica a uma variável, mas de forma imprecisa, não-confiável, a qual é chamada de variância aleatória ou erro. Comunalidade consiste na proporção de variância comum presente numa variável.

Para fazer a redução a dimensões, é necessário se saber o quanto de variância dos dados é variância comum. Todavia, a única maneira de se saber a extensão da variância comum é reduzir as variáveis em dimensões. Desse modo, na análise dos componentes principais utiliza-se a variância total e assume-se que a comunalidade de cada variável é 1, transpondo os dados originais em componentes lineares constituintes.

No Gráfico 1 mostra-se a existência do ponto de inflexão no fator 2. Pelo critério do scree plot, o número de fatores a ser extraído é o número de fatores à esquerda do ponto de inflexão - neste caso, 1 fator. O Fator 1 relaciona-se com a destreza da execução do trabalho docente, feita pelo professor em sala de aula. Na execução do seu trabalho em sala de aula, o professor demonstra sequência lógica ao ministrar os conteúdos programáticos numa linguagem acessível.

Gráfico 1 – Scree Plot da docência

Fonte: Elaborado pelo autor.

Na análise de fatores principais apenas a variância comum é empregada e vários métodos de estimação das comunalidades podem ser usados – comumente se utiliza o quadrado da correlação múltipla de cada variável com todas as outras.

Quando os fatores são extraídos, novas comunalidades podem ser calculadas, as quais representam a correlação múltipla entre cada variável e os fatores extraídos. Portanto, pode-se dizer que a comunalidade é uma medida da proporção da variância explicada pelos fatores extraídos. O resultado da extração dos dois fatores é apresentada na Tabela 19 abaixo (Matriz de componentes rotacionados).

Tabela 19 – Matriz de componentes rotacionada. Componentes 1 2 q1 - A ,800 q2 – B ,834 q3 - C ,792 q4 - D ,664 ,371 q5 - E ,782 q6 - F ,753 q7 - G ,770 q8 - H ,707 q9 - I ,586 ,471 q10 - J ,782 q11 - K ,737 q12 - L ,750 Fonte: Elaborada pelo autor.

A rotação otimiza a estrutura fatorial e, como consequência, a importância relativa dos fatores remanescentes é equalizada. A matriz de componentes rotacionada especifica os componentes dos fatores 1 e 2.

A interpretação dos fatores extraídos foram: Fator1 – Refere-se ao conjunto dos Itens A, B e C (capacidade de planejamento da disciplina a ser ministrada) e Fator2 – Refere- se ao conjunto dos tens D, E, F, G, H, I, J, L e K (capacidade de executar adequadamente processos pedagógicos compatíveis aos objetivos e ao planejamento feito a priori).

O Fator 2 corresponde à capacidade do docente de planejar de modo adequado a organização e os conteúdos que serão abordados na disciplina.