Técnicas de Análise de Dados

Os dados recolhidos foram sujeitos à pesquisa de erros de inserção e coerência. As análises foram realizadas com recurso a técnicas descritiva com recurso ao software IBM SPSS e AMOS 21.

Para se compreenderem as relações entre constructos operacionalizados pelas perceções dos indivíduos recorreu-se à abordagem de Modelos de Equações Estruturais (SEM - Structural Equation Modeling).

O modelo geral SEM é um modelo generalizado que inclui variáveis manifestas e variáveis latentes num mesmo quadro teórico. O modelo geral subdivide-se em modelos de medida e modelos estruturais. O modelo de medida define como as variáveis latentes são operacionalizadas (Marôco, 2014), ou seja, as relações entre variáveis observadas e variáveis não observadas (figura 21).

Figura 21 - Modelo de Medida.

Fonte: Adaptado de Arbuckle (2013)

Os modelos estruturais envolvem relações causais e ou de associação entre variáveis latentes (Marôco, 2014), ou seja, as relações entre variáveis latentes, constructos, fatores ou variáveis não observadas (figura 22).

A investigação em SEM requer modelos teóricos que sejam especificados à luz das teorias sobre as temáticas (Gimenez, Large & Ventura, 2005; Byrne, 2010; Marques, Reis, Menezes & Salgueiro, 2010; Marôco, 2014).

A Análise SEM ou simplesmente Análise de Equações Estruturais (AEE) é uma abordagem estatística de modelação que é utilizada para testar a validade de modelos teóricos. Estes definem relações causais e hipotéticas, entre variáveis latentes e manifestas (Marôco, 2014) e são representadas por parâmetros que indicam a magnitude e a direção entre variáveis (Marques et al., 2010).

A AEE é uma extensão dos modelos lineares generalizados que considera de forma explícita, os erros de medida associados às variáveis sob estudo (Brei & Neto, 2006; Marôco, 2014). Trata-se de uma família de modelos estatísticos que permitem explicar relações de dependência entre um conjunto de conceitos ou constructos, representados por múltiplas variáveis de medida e incorporados de forma integrada num único modelo. Tem como objetivo testar a validade de um modelo teórico que possua relações causais entre as variáveis. Distingue-se de outro tipo de modelação (Gimenez, et al., 2005; Byrne, 2010; Marques et al., 2010), pela capacidade de representação a partir dos constructos como fatores, variáveis latentes, ou variáveis não observáveis no âmbito do estudo de dependência, na estimação de múltiplas relações incorporadas num dado modelo integrado. Este tipo de modelação permite a incorporação do erro de medida de um modelo explícito, a explicação da covariância existente entre as variáveis observadas e permite ainda a combinação de Análise Fatorial Confirmatória e análise de regressão múltipla e com o avanço dos últimos anos no âmbito dos softwares estatísticos, SEM permite a utilização de vários tipos de dados (qualitativos e quantitativos) nas análises.

Pode considerar-se que a função principal do SEM é a especificação e estimação de modelos de relações lineares entre variáveis. Essas variáveis podem incluir tanto variáveis mensuráveis como variáveis latentes. As variáveis latentes são constructos hipotéticos que não podem ser mensurados diretamente. No SEM, tais constructos são tipicamente representados por múltiplas variáveis mensuráveis que servem como indicadores dos constructos. Assim, um modelo de equações estruturais é um suposto

padrão de relacionamentos lineares entre um conjunto de variáveis mensuráveis e variáveis latentes (Brei & Neto, 2006).

Por estas razões SEM, num sentido amplo, permite a estimação e consequente interpretação de uma série de relações hipotéticas de causa-efeito entre variáveis, relações essas suportadas por hipóteses, que consideram os padrões de dependência estatística. Os relacionamentos dentro desta composição são descritos pela magnitude do efeito e o sinal (positivo ou negativo) que as suas variáveis (observadas ou latentes) têm em outras variáveis (observadas ou latentes).

A variável independente ou exógena é aquela que age apenas como premonitória ou “causadora” de um efeito noutra variável/constructo no modelo teórico. É determinada fora do modelo e as causas não são especificadas no modelo. A variável dependente ou endógena é aquela que resulta de pelo menos uma relação causal. O investigador conseguirá distinguir quais as variáveis independentes que preveem cada variável dependente apoiando-se na teoria e também na sua própria experiência prévia (Campana, Tavares & Silva, 2009).

Um constructo, ou uma variável latente é uma variável hipotética ou teórica que não pode ser diretamente medida como, por exemplo, qualidade, beleza, satisfação. Estas variáveis são operacionalizadas pelos itens das escalas ou indicadores ou pela observação do investigador. É recomendado o uso de múltiplos indicadores para cada variável latente, de forma a obter-se um entendimento mais completo e confiável do constructo (Hair, Babin, Anderson & Black, 2010).

Um modelo estrutural relaciona não só as variáveis, latentes e observadas, dependentes e independentes, como ainda especifica os indicadores associados a cada variável

Para a estimação SEM deve ser verificada a normalidade das populações. garantido que as distribuições são normais. Da mesma forma deve ser evitada uma forte assimetria nos dados (Hair et al., 2010). Não existe unanimidade entre os autores acerca da sequência dos estágios de aplicação do SEM. As etapas mais comuns são as etapas descritas e definidas por Hair et al. (2010):

Etapas 1 e 2: Desenvolvimento de um modelo baseado na teoria e construção de um diagrama de caminhos de relações causais. O SEM é baseado em relações que sugerem evidências de causalidade. Entretanto tais evidências não podem ser efetivamente comprovadas senão através de um design de pesquisa criado especificamente para este fim. É importante notar que os fatores que permitem investigar a causalidade “stricto

sensu” de uma relação entre duas variáveis não se restringem apenas a questões técnicas

de análise de dados (Hair et al., 2010). Há alguns critérios usualmente utilizados para a investigação de evidências de causalidade como por exemplo: 1) associação suficiente entre duas variáveis; 2) antecedência temporal da causa sobre o efeito; 3) ausência de variáveis causais alternativas (o chamado erro de especificação) e 4) base teórica para o relacionamento. A visualização gráfica dessas relações é o que se denomina diagrama de caminhos, utilizado não apenas para a identificação de relações de causa e efeito entre os constructos, mas também para relacionamentos derivados (correlações) entre constructos e até mesmo indicadores. Por estas razões os elementos básicos de um diagrama de caminhos são o constructo e setas: uma seta reta representa relação causal direta de um constructo em relação a outro, enquanto uma seta curva entre quaisquer variáveis indica uma correlação entre elas (Hair et al., 2010).

Etapa 3: Conversão do diagrama de caminhos para modelos de mensuração e modelos estruturais. Seguindo as orientações de Hair et al. (2010) deve usar-se o SEM em dois passos distintos, quando se quer obter uma representação acurada da confiabilidade dos indicadores utilizados. Assim, em primeiro lugar, estima-se o modelo de mensuração e, posteriormente, estima-se o modelo estrutural. A finalidade principal do modelo de mensuração é verificar se os itens operacionais utilizados para medir os constructos são significativos e realmente medem o que se esperava medir (isto é, verificação da validade de constructo). Nesta etapa do desenvolvimento do modelo, é essencial que o investigador analise as características do fenómeno em estudo e, tome a decisão se

modelo apresenta características formativas ou reflexivas. Num modelo reflexivo, a direção de causalidade vai do constructo para seus indicadores. Já num modelo formativo, é esperado que variações nos itens causem mudanças no constructo ao qual estão vinculados (Hair et al., 2010). Para testar se os itens operacionais utilizados para medir os constructos atingiram níveis aceitáveis de confiabilidade e de validade lógica, de estrutura interna e nomológica, pode ser realizada uma Análise Fatorial Confirmatória (AFC) (Byrne, 1994). A AFC pode ser vista como uma das possíveis utilizações da modulação em equações estruturais, e é desenvolvida através da especificação de modelos com várias finalidades. Depois de definido o modelo de mensuração, estima-se o modelo estrutural através dos parâmetros ou coeficientes do diagrama de caminhos. Esta estimação é resultado da conversão desse diagrama num conjunto ou sistema de equações, que representam matematicamente a relação gráfica (ou estrutural) entre as variáveis (Hair et al., 2010).

Etapa 4: Escolha do tipo de matriz de entrada dos dados e para estimação do modelo estrutural. A técnica SEM utiliza apenas matrizes de variância/covariância ou correlação como entrada de dados. Mesmo que as observações individuais sejam inseridas, estas são convertidas num destes tipos de matrizes. Isto ocorre porque o foco da SEM não são observações individuais, mas sim um padrão de relacionamentos que é obtido a partir das respostas dos indivíduos. A matriz de covariância traz mais informação do que um dado padronizado, como a correlação. Esta etapa também prevê a escolha da técnica de estimação que deverá ser usada no cálculo do modelo estrutural (Hair et al., 2010).

Etapa 5: Verificação da identificação do modelo estrutural. Em termos simples, um problema de identificação é a inabilidade do modelo proposto em gerar estatísticas únicas, isto é, significativas e lógicas. Uma regra trivial, porém, eficaz, é que se deve

adequação absolutas determinam o grau em que o modelo geral (tanto o estrutural, quanto o de mensuração) prediz a matriz de covariância ou de correlação. As medidas de ajuste incrementais comparam o modelo proposto a algum modelo básico, chamado de modelo nulo, aquele em que um único constructo, com os seus indicadores, mede perfeitamente o referido constructo. As medidas de ajuste de parcimônia relacionam o ajuste do modelo ao número de coeficientes estimados requeridos para atingir o nível de adequação obtido. O objetivo básico é diagnosticar se o ajuste do modelo foi atingido pelo sobre ajuste (over fitting) dos dados com o uso de muitos coeficientes (Hair et al., 2010). Nesta linha acrescenta Marôco (2014) o objetivo da estimação do modelo de equações estruturais é o de encontrar um conjunto de estimativas para os parâmetros do modelo (pesos fatoriais, coeficientes de regressão, covariâncias, médias, etc.) que maximizem a probabilidade de observar a estrutura correlacional das variáveis manifestas observadas na amostra. Os indicadores estatísticos mais utilizados são o índice de qualidade de ajustamento com os respetivos valores de referência tal como se apresenta no quadro 12.

Quadro 12 - Indicadores Utilizados, Estatística, Índices de Qualidade de Ajustamento e Valores de Referência.

Fonte: Adaptado a partir de Hu e Bentler (1999); Hair et. al., (2010); Schumaker e Lomax (2010); Marôco (2014)

Índice Valor de corte considerado

Indices Absolutos

X2_/g.l.

Valor menor ou igual a 5 º aceitável Valor inferior a 2 º bom

Valor inferior a 1 º muito bom

Goodness of Fit Index (GFI)

Varia entre 0 (ajuste nulo) e 1 (ajuste perfeito) Valor superior a .90 º bom

Valor superior a .95 º ótimo Root Mean Square of Approximation

(RMSA)

Valor inferior a .80 º aceitável Valor inferior a .60 º bom Valor inferior a .05 º ótimo Standardized Root Mean Square

Residual (SRMR)

Valor inferior a .08 º bom Valor inferior a .05 º ótimo

Índices Incrementais

Tucker-Lewis (TLI) Varia entre 0 (ajuste nulo) e 1 (ajuste perfeito) Valor superior a .90 º bom

Valor superior a .95 º ótimo Comparative Fit Index (CFI)

Etapa 7: Interpretação e modificação do modelo. Uma vez considerados adequados em termos de ajuste, os resultados obtidos devem ser confrontados com a teoria proposta. Por fim segue-se a fase de modificar o modelo, se não se verificar o ajustamento desejado sendo que, qualquer modificação no modelo só deve ser feita com base na teoria, a não ser que alguma conclusão empírica suporte fortemente o levantamento de novas hipóteses que questionem a teoria existente (Byrne, 2010).

6. APRESENTAÇÃO, ANÁLISE E DISCUSSÃO DOS