Técnicas de Análise e Tratamento dos Dados

O questionário foi estruturado de modo a permitir que as suas perguntas produzissem respostas que possibilitassem o seu tratamento estatístico. Dessa forma, os dados coletados foram tabulados e analisados por meio do programa SPSS Statistical 20 (Statistical Package for Social Sciences). A escolha do SPSS como instrumento de análise foi devido, além da possibilidade da análise de estatística descritiva e multivariada, à possibilidade de, conforme aponta Malhotra (2011), sua utilização em diversos estágios do processo de investigação de marketing.

A base metodológica adotada na pesquisa assemelha-se a delineada por Palacio, Meneses e Pérez (2002). Assim sendo, o procedimento de análise e tratamento de dados, envolveu a verificação das escalas de imagem cognitiva, afetiva e global, análise multivariada dos dados, com uso da análise fatorial exploratória e análise das correlações e regressões. A seguir, no Quadro 7, são expostos alguns conceitos utilizados e a base teórica que orientou a análise e tratamento dos dados da pesquisa.

Quadro 7 – Conceitos usados para verificação das escalas das imagens e análise das correlações e regressões.

Conceitos Base Teórica

Alfa de cronbach

Indica a relação dos itens presentes em uma escala, com o constructo ou fator a ser medido, sendo que, quanto maior for tal relação, maior será o resultado do Alfa de Cronbach (ROGERS; SHMITI; MULLINS, 2002).

0,6 que é o valor mínimo admitido em ciências sociais, menor a 0,6, supõe resultado inadequado, considerando que tal valor pode oscilar ente 0 e 1 e portanto, quanto mais próximo de 1, maior a confiabilidade de consistência interna da escala. (HAIR et al, 2005). O seu valor máximo desejado é de 0,90, uma vez que, valores maiores são indícios que vários itens da escala medem o mesmo componente de um constructo (STREINER, 2003).

Análise fatorial exploratória

É uma técnica que visa colher informações de bancos de dados quando suas variáveis estão inter-relacionadas, agrupando as variáveis correlacionadas para definir a estrutura latente entre as variáveis analisadas (LEVINE et al,2008), sendo significativas as cargas fatoriais iguais ou superiores a 0,50 (HAIR et al, 2005).

Autovalores

Indica o quanto da variância total do que está sendo medido, pode ser explicado por um fator, sendo fatores com autovalores abaixo de 1 menos significativos que uma variável original, pois esta, tem variância igual a 1 (CORRAR; PAULO; DIAS FILHO, 2009).

Hair et al (2005) sentenciam que o uso do critério do autovalor como critério para definir o número de fatores a se manter, é mais confiável quando a quantidade de variáveis em estudo se encontra entre 20 a 50, pois com um número menor de variáveis há o risco de uma extração conservadora de número de fatores, ao passo que, mais de 50 variáveis ocasionará o levantamento de muitos fatores, o que prejudica a análise do estudo.

Comunialidade das variáveis

Indica quanto os fatores extraídos explicam uma variável, sendo que, quanto mais próximo de 1, maior o poder de explicação dos fatores (CORRAR; PAULO; DIAS FILHO, 2009).

Figueiredo Filho e Silva Júnior (2010) apontam que o valor mínimo aceitável para a comunalidade de uma variável é de 0,50, devendo se proceder a exclusão daquelas que apresentarem valores inferiores, e consequentemente, uma nova análise fatorial tem de ser realizada.

Correlação de Pearson

Costello e Osborne (2005) indicam que seu resultado mede o vínculo, e a natureza deste, entre duas variáveis, sendo o resultado dessa análise, um valor entre -1 e 1. Não podem ser consideradas significativas, segundo critérios de Hair et al (2005), correlações que apresentam valores abaixo de 0,20, sendo moderadas entre 0,40 e 0,70 e alta,acima de 0,70.

Correlação interitens

Visando a avaliação da consistência interna de uma escala, Hair et al (2005) assinalam o valor de 0,30 como sendo significativo para a correlação interitens e correlações iguais ou superiores a 0,50 como significativas no que se refere as correlações item-fator e item com o total da escala.

KMO kaiser- meyer-olkin

Segundo Aranha e Zambaldi (2008), o KMO verifica o uso da análise fatorial como técnica adequada para verificação dos dados, sendo considerados aceitáveis valores entre 0,50 e 1,00. Método dos componentes principais. Método de rotação ortogonal

Corrar, Paulo e Dias Filho (2009), explanam que no método de componentes principais, após o levantamento de uma combinação linear entre as variáveis, com o máximo de variância presente em tal combinação, a variância já explicada é desconsiderada e busca-se formar outro agrupamento, com as variáveis não relacionadas na primeira combinação, até se esgotarem todas as possibilidades. Tal procedimento, tem como resultado, o levantamento de fatores ortogonais, ou seja, que não são correlacionados entre si (CORRAR; PAULO; DIAS FILHO, 2009).

R R2

Seu valor varia de -1 a +1 (NADAL; JULIANO; RATTON, 2003) e revela o quanto da variável é predito pelos fatores levantados na análise fatorial, sendo que, quanto maior seu valor, maior tal predileção (FREEDMAN et al ,2004).

Rotação VARIMAX

Busca reduzir ao máximo as colunas da matriz fatorial, permitindo a interpretação dos resultados da análise fatorial de forma mais direta, pois devido à sua natureza, há uma tendência a cargas fatoriais altas, próximas de -1 ou +1 indicando claramente um vínculo, positivo ou negativo entre o fator e a variável, ou a ausência deste, se as cargas fatoriais forem mais próximas de zero. (HAIR et al, 2005).

TESTE F –ANOVA

Busca a verificação dos efeitos das variáveis independentes em relação à variável dependente, ou seja, verificar a probabilidade de não haver relação entre as variáveis, com a hipótese testada H0 : R

2

= 0 e a hipótese alternativa H1: R 2

conclusão Quadro 7 – Conceitos usados para verificação das escalas das imagens e análise das correlações e regressões.

Conceitos Base Teórica

significativamente (sig < α), em termos estatísticos, maior que zero (CORRAR; PAULO; DIAS FILHO, 2009).

Teste de esfericidade de bartlett

No teste de esfericidade de Bartlett é levantada a hipótese de não haver correlação entre as variáveis, de modo que, no caso da análise fatorial, espera-se rejeitar tal hipótese, uma vez que é necessária a existência de correlação entre as variáveis de um mesmo fator (CHINELATO NETO; CASTRO; DE LIMA, 2005).

Para ser significativo em termos estatísticos, o teste deve apresentar resultado inferior a 0,05(HAIR et al, 2005).

VIF O fator de inflação da variância mede a multicolinearidade existente entre as variáveis independentes do modelo, sendo que o seu valor limite aceitável é de 10 (O’BRIEN, 2007).

Fonte: Elaborado pelo autor (2015)