Com os dados da pesquisa coletados e tabulados, foi realizada a análise dos resultados. Para tal utilizou-se os seguintes procedimentos: análise descritiva, análise fatorial e Modelagem de Equações Estruturais (Structural Equation Modeling- SEM).
3.7.1 Análise descritiva
A análise descritiva consiste em uma das primeiras etapas de análise. Este mecanismo de análise visa utilizar um conjunto de técnicas analíticas para resumir o conjunto de dados coletados. Os dados foram organizados em tabelas, gráficos e figuras, com o objetivo de resumir as informações recolhidas da amostra e assim não perder informações. As medidas comumente utilizadas na área de Ciências Sociais Aplicadas são: média, moda, mínimo, máximo e desvio padrão (MORAIS, 2005).
Um instrumento de pesquisa devidamente elaborado deve levar em consideração a sua confiabilidade. Existem diversos testes que mensuram a confiabilidade de um instrumento de pesquisa, dentre esses
destaca-se nas pesquisas em Ciências Sociais Aplicadas o alfa de Cronbach como o principal estimador de confiabilidade.
Hair Jr et al. (2014) determinam que o primeiro critério a ser avaliado em um instrumento de pesquisa é tipicamente a confiabilidade de consistência interna do instrumento. O critério tradicional de confiabilidade é o alfa de Cronbach, que fornece uma estimativa da confiabilidade baseada nas intercorrelações das variáveis indicadoras observadas. O alfa de Cronbach assume que todos os indicadores são igualmente confiáveis isto é, todos os indicadores têm cargas externas iguais no construto, sendo que, para este teste, o valor mínimo aceitável é um alfa de 0,70 (HAIR JR et al., 2014). O instrumento de pesquisa apresentou um alfa de Cronbach de 0,946, o que mostra que o instrumento de pesquisa apresenta boa confiabilidade.
Nessa perspectiva, foram adotados os seguintes procedimentos de estatística descritiva para este trabalho: i) perfil da amostra, com vistas à destacar o perfil dos respondentes e a caracterização das incubadoras; e, ii) análise descritiva dos blocos de questões que buscaram alcançar os objetivos específicos da pesquisa. Para apresentação dos mesmos utilizou-se o software Microsoft Office Excel®.
3.7.2 Análise categórica
As análises categóricas figuram-se em uma etapa posterior a transcrição das entrevistas. A primeira etapa realizada foi a leitura prévia das transcrições. Isso permitiu o pesquisador identificar nuances de possíveis sustentações para os achados da pesquisa quantitativa, além de desenvolver um posicionamento crítico do pesquisador acerca do que foi respondido pelos atores humanos participantes da pesquisa.
Na segunda etapa, foram identificados os pontos-chave ou unidades de registros que resultaram em narrativas dos atores humanos das incubadoras entrevistados que forneceram base para os resultados encontrados a partir da aplicação da Modelagem de Equações Estruturais, no que tange ao papel do SCG como mediador da relação entre pressões ambientais e à formação de redes de atores humanos e não humanos no ambiente das incubadoras pesquisadas.
Semelhante ao estudo de Oyadomari et al. (2010), adotou-se como consolidação das narrativas os estudos teóricos-empirícos elencados no referencial teórico da pesquisa. As características das LOC’s desenvolvidas por Simons (1995) forncem subsídio para a atuação do SCG como mediador das relações entre as pressões ambientais e a formação de redes.
3.7.3 Análise fatorial
Na área das Ciências Sociais, em muitos casos os pesquisadores estão interessados em variáveis, o que muitas vezes não pode ser observado diretamente, como realização, inteligência ou crença. Dessa forma, pesquisadores fazem uso da análise fatorial (AF) ou análise do fator comum, que busca “identificar um número relativamente pequeno de fatores comuns que podem ser utilizados para representar relações entre um grande número de variáveis inter-relacionadas” (FÁVERO et al., 2009, p. 236).
Existem dois tipos de análise fatorial: exploratória (AFE) e confirmatória (AFC). A primeira, é aplicada comumente em estágios embrionários da pesquisa ou mesmo quando há pouco conhecimento a respeito do assunto. “Além disso, a AFE pode ser utilizada para criar variáveis independentes ou dependentes que podem ser utilizadas posteriormente em modelos de regressão” (FIGUEIREDO FILHO; SILVA JUNIOR, 2010, p. 164). A segunda, a AFC, é utilizada para testar hipóteses, a partir do momento que as variáveis de interesse já possuem antecedentes quanto a sua investigação (FÁVERO et al., 2009).
Para o propósito desta dissertação, realizou-se a análise fatorial exploratória nos indicadores por meio do software IBM SPSS Statistic versão 22. Dessa forma, antes de iniciar a aplicação da Modelagem de Equações Estruturais, torna-se relevante realizar a AFE, com o objetivo de verificar o comportamento dos indicadores e seus agrupamentos. Ressalta-se que a AFE foi parte integrante dos procedimentos iniciais para a aplicação da SEM, realizada no software SmartPLS 3.0.
Fávero et al. (2009, p. 240) elucidam que a AFE é segregada em etapas, a saber: “i) analisar a matriz de correlações; ii) verificar a estatística Kaiser-Meyer-Olklin (KMO); iii) realizar o teste de esfericidade de Bartlett; e iv) analisar a matriz anti-imagem. Para esta pesquisa, sinaliza-se que todos os procedimentos referentes à AFE foram cumpridos e estão discutidos na apresentação e análise dos resultados. 3.7.4 Modelagem de Equações Estruturais
A Modelagem de Equações Estruturais (Structural Equation Model - SEM) representa um conjunto de técnicas multivariadas que possibilitam o estudo simultâneo de diversos relacionamentos entre variáveis endógenas e exógenas (HENRI, 2006). Variáveis endógenas são o mesmo que variáveis independentes, ou seja, quando oscilam impactam em outras variáveis, já as variáveis exógenas são qualquer variável que
seja não correlacionada com o termo de erro no modelo de interesse (WOOLDRIDGE, 2010).
A análise multivariada envolve a aplicação de métodos estatísticos que analisam simultaneamente múltiplas variáveis. As variáveis geralmente representam medições associadas a indivíduos, empresas, eventos, atividades, situações, e assim por diante. As medições são muitas vezes obtidas a partir de pesquisas ou observações que são usadas para coletar dados primários, mas também podem ser obtidas de bancos de dados que consistem em dados secundários (HAIR Jr et al., 2014).
Segundo Marôco (2010), a SEM é uma técnica de modelação generalizada, utilizada para testar a validade de modelos teóricos que definem relações causais, hipotéticas, entre variáveis. Estas relações são representadas por parâmetros que indicam a magnitude do efeito que as variáveis, ditas independentes, apresentam sobre outras variáveis, ditas dependentes, num conjunto de hipóteses relativas a padrões de associações entre as variáveis no modelo.
SEM é um método que confirma a teoria, embora também seja utilizado para gerar modelos concorrentes para comparar com o modelo especificado, visando ajustar o melhor modelo possível dentro de um conjunto. Em um modo restrito, pode-se dizer que a SEM é uma combinação das técnicas clássicas de AF e de Regressão Linear (OYADOMARI, 2008). Porém, a SEM não é apenas a soma de duas técnicas estatísticas. O racional da SEM é diferente das análises estatísticas clássicas. A teoria é o motor da análise, contrariamente ao paradigma da estatística clássica em que os dados, e não a teoria, estão no centro do processo de análise.
Hair Jr et al. (2014) inferem que em pesquisas na área das Ciências Sociais tem-se usado ferramentais estatísticos com vistas à ampliar a capacidade da pesquisa em confirmar resultados. Dessa forma, para analisar os dados obtidos por meio do questionário, junto aos gestores das incubadoras de empresas, utilizou-se a técnica de Modelagem de Equações Estruturais (SEM) estimada a partir dos Mínimos Quadrados Parciais (Partial Least Squares – PLS). Utiliza-se a SEM para compreender relações mais complexas associadas com as direções de pesquisas atuais nas Ciências Sociais Aplicadas (HAIR Jr et al., 2014).
Quanto às duas abordagens para estimar as relações em um modelo de equação estrutural, Hair Jr et al. (2014) aduzem que existem vantagens e desvantagens ao se utilizar a modelagem PLS-SEM em relação à Modelagem de Equações Estruturais Baseada em Covariância
(CB-SEM) em um ambiente em que a teoria é menos desenvolvida. Cada uma é apropriada para um contexto de pesquisa, e os pesquisadores precisam entender as diferenças para aplicar o método correto. Como o objetivo desta dissertação não é fazer uma discussão aprofundada a respeito dos métodos, sinaliza-se que utilizou-se o método PLS-SEM, pelas seguintes razões: (i) recomenda-se o uso do PLS-SEM, em campos onde a teoria não está amplamente desenvolvida; (ii) nos modelos PLS- SEM, há a violação quanto a normalidade dos dados, ou seja, não há a presunção da distribuição normal dos dados; (iii) o modelo PLS-SEM mostra-se adequado considerando o tamanho mínimo da amostra e a complexidade do modelo (HAIR JR et al., 2014); (iv) as variáveis formação de redes, SCG e pressões ambientais são compostas por subvariáveis, as quais são mensuradas por meio de perguntas dicotômicas. Nesse sentido, o PLS apresenta atributos que fornecem estimativas confiáveis das relações entre as variáveis do que acontece em SEM (SANTOS; BEUREN; SKREPITZ, 2016).
Na aplicação da técnica de SEM, utilizaram-se as recomendações propostas por Hair Jr et al. (2014). Os autores advogam que para um modelo com quatro caminhos estruturais (maior número de setas que chegam a uma variável), em nível de α = 0,05 de significância, com um R² mínimo de 0,25 precisa-se de um tamanho de amostra de 65 respondentes. Neste entendimento, depreende-se que a amostra da pesquisa com 76 respostas válidas atende o recomendado e mostra-se adequada para a análise por meio do PLS, via bootstrapping. Ringle, Silva e Bido (2014) inferem que o bootstrapping é uma técnica de reamostragem utilizada para determinar os coeficientes do modelo estrutural.
Ringle, Silva e Bido (2014) inferem que o R² averigua o poder do modelo com base na amostra da pesquisa e a partir das variáveis endógenas, indicando a qualidade do modelo. Para as pesquisas nas Ciências Sociais, Cohen (1988) evidencia que um R²=2% seja classificado como efeito pequeno, R²=13% como efeito médio e R²=26% como efeito grande. Por outro lado, Bido et al. (2009) comentam que não há uma especificação clara e facilmente aplicável em relação ao critério de seleção de uma amostra ideal para as pesquisas.