METODOLOGIAS DE INVESTIGAÇÃO
3.9 Técnicas de inferência estatística
A inferência estatística é um processo de avaliação das características de uma amostra, de acordo com uma abordagem indutiva, e que tem o propósito de extrapolar para a população as características estudadas.
Perante os dados obtidos, tornou-se necessário escolher as técnicas estatísticas mais apropriadas, salientando-se a utilização dos testes não paramétricos.
Esta opção justificou-se devido às características da amostra não se enquadrarem nos pressupostos dos testes paramétricos101, pois as condições de simetria e de normalidade não cumprem com os pressupostos requeridos (Maroco, 2007:pág. 43).
Após uma análise exaustiva e abrangente, optou-se por aplicar as técnicas que constam na Tabela 3. 4. Apresentar-se-á uma breve descrição dessas técnicas.
101
Os testes paramétricos requerem a utilização de uma distribuição conhecida (normal) e a homogeneização das variáveis (Maroco, 2007). Como a amostra em estudo não apresenta variáveis numéricas, não foi possível aplicar a análise de variância (ANOVA) nem calcular o coeficiente de correlação de Pearson.
Tabela 3. 4: Métodos e técnicas estatísticas aplicadas
Método / Técnica estatística Item
Descritiva 1-Caracterização do hospital 1.1 Classificação 1.2 Localização geográfica 1.3 Habitantes 1.4 Utentes Teste binomial Crosstabulation intra-itens MCA* χ2 (Q2/Q1)
2- Caracterização da tipologia de Qualificação do Hospital 2.1 Hospital certificado
2.2 Hospital acreditado
2.3 Apenas alguns serviços qualificados
Análise de conteúdo
3-Carcaterização do referencial de qualificação 3.1referencial normativo 3.2 Entidade qualificadora 3.3 Data de qualificação 3.4 Data de renovação
ρspearman
Análise Factorial4- Fatores que influenciam a aquisição de instrumentos de medição 4.1Preço 4.2 Confiança no fornecedor 4.3 Certificação ISO 13485 4.4 Condições de manutenção 4.5 Conhecimento do produto 4.6 Registo nacional pelo ON
MCA* χ2
(Q5/Q1)
Odds ratio
5- Identificação de documentação relevante durante a fase de aquisição de instrumentos de medição
5.1 Certificado de verificação 5.2 Certificado de calibração 5.3 Relatório de ensaios
5.4 Relatório de avaliação da conformidade do produto 5.5 Nenhum certificado
MCA*
6- Relação profissional/instrumento de medição 6.1 Conhecimentos metrológicos dos instrumentos 6.2 Interpretação dos relatórios/certificados 6.3 Relação efeito adverso/efeito do instrumento 6.4 Relação entre o erro da medição e a indicação do resultado
ρspearman
(Q7/6/4) MCA* Crosstabulation inter-itens (Q7/Q1) K-S (Q7/Q5)7- Rúbricas orçamentais atribuídas aos instrumentos de medição 7.1 Manutenção preventiva 7.2 Manutenção curativa 7.3 Calibrações 7.4 Verificações Teste binomial MCA* Crosstabulation intra-itens Odds ratio Q8/Q1
8. Fatores metrológicos considerados relevantes 8.1 Rastreabilidade dos equipamentos médicos 8.2 Legislação nacional existente
8.3 Serviços externos de calibração 8.4 Calibrações internas
*
• Teste binomial
De acordo com Maroco (2007), o teste Binomial é um teste exato de significância estatística dos desvios de uma distribuição teoricamente esperada de observações em duas categorias de uma variável dicotómica. Trata-se de um teste não paramétrico, aplicado a amostras independentes que avalia a probabilidade de uma determinada ocorrência.
O teste Binomial recorre ao teste de hipóteses, que no presente trabalho foi aplicado de forma bilateral. Os testes de hipóteses baseiam-se na teoria da decisão, sendo assim uma forma de inferir sobre parâmetros de uma amostra/população com um determinado nível de significância. A sua aplicação permite aceitar ou rejeitar um determinado cenário, de acordo com o critério de aceitação estabelecido. Assim, ao serem admitidos erros Tipo I, está-se a aceitar que para um nível de significância de α, existe a probabilidade de rejeitar a hipótese nula (H0), sendo esta
verdadeira. Os erros Tipo II são aqueles cometidos nas situações em que não se rejeita H0,
quando esta é falsa.
Face à importância destes testes na metodologia aplicada, os mesmos foram utilizados em várias questões ao longo de todo o processo de análise dos resultados (Capítulo 4).
• Análise de correlação
Em análise estatística é frequente a necessidade de avaliar o tipo de relação entre as variáveis. O coeficiente de correlação é um parâmetro estatístico que permite avaliar a intensidade e o sentido da associação ou correlação existente entre duas variáveis (Guimarães e Cabral, 1998). Contudo, esta avaliação mede apenas a associação entre duas variáveis sem que nenhuma seja considerada como dependente de outra variável.
A aplicação da análise da correlação permite avaliar as alterações de uma variável em função das alterações de outra, conhecendo-se a percentagem dessa alteração. Assim, considerando a aplicação de técnicas não paramétricos durante a análise exploratória dos dados, fez-se uso do coeficiente de ró de Spearman cujos parâmetros variam entre -1 ≤ ρs ≤ 1.
Este coeficiente mede a intensidade da relação entre variáveis ordinais, não sendo sensível a assimetrias na distribuição (Pestana e Gageiro, 2005). Quando ρs apresenta sinal negativo, significa que as variáveis são inversamente proporcionais.
De acordo com o instrumento de medida, os fatores que influenciam a aquisição dos instrumentos de medição (Q4) e as rubricas orçamentais atribuídas aos instrumentos de medição (Q7), apresentam-se como um exemplo de aplicação.
• Rácio de produtos cruzados (Odds Ratio)
O rácio de produtos cruzados, habitualmente designado por odds ratio, é uma medida que permite conhecer a associação entre duas variáveis nominais (qualitativas), em que uma é designada por fator e a outra por acontecimento; o fator ocorre antes do acontecimento.
De acordo com Pestana e Gageiro (2009:pág.131), o odds de uma variável é o quociente entre duas das suas categorias, através do produto das probabilidades da diagonal principal sobre as probabilidades da diagonal secundaria (n11 n22/n12 n21), e mede a probabilidade de ocorrência de um acontecimento em relação ao outro. Considerando uma tabela de contingência 2X2, o
odds rácio θ = em que θ1 é o odds para a 1ª linha e θ2 é o odds para a 2ª linha.
Quanto mais o valor de θ se afastar da unidade, maior a probabilidade de dependência entre as variáveis e a intensidade da associação entre elas.
Uma razão de chances de 1, indica que a condição ou evento sob estudo é igualmente provável de ocorrer nos dois grupos. Uma razão de chances maior do que 1, indica que a condição ou evento tem maior probabilidade de ocorrer no primeiro grupo. Finalmente, uma razão de chances menor do que 1, indica que a probabilidade é menor no primeiro grupo do que no segundo. A razão de chances precisa ser igual ou maior que zero. Se a chance do primeiro grupo ficar próxima de zero, o odds rácio fica próximo de zero. Se a chance do segundo grupo se aproximar de zero, o odds rácio tende a aumentar para o infinito positivo.
As questões nº 1, nº 5 e nº 8 foram avaliadas com recurso ao rácio de produtos cruzados. • O teste do Qui-Quadrado
O teste de independência do Qui-Quadrado de Pearson, habitualmente designado pelo símbolo χ2
, é uma medida de associação aplicada a variáveis nominais e ordinais (Qualitativas) e que permite avaliar a existência de uma relação de dependência entre as variáveis. Esta medida de avaliação faz uso do teste de hipóteses como regra de decisão.
O teste de χ2, quando aplicado em associação com as tabelas de contingência, permite a utilização dos valores dos resíduos ajustados estandardizados como indicadores das células com comportamentos diferentes do esperado. Desta forma, é possível identificar os casos que na amostra contribuem para a relação de dependência (Pestana e Gageiro, 2005).
Esta medida de associação foi amplamente utilizada durante o trabalho exploratório, estando presente em todas as avaliações preconizadas.
• Teste K-S
O teste de independência de Kolmogorov-Smirnov (K-S) é uma medida não paramétrica que analisa a distribuição de uma variável ordinal nas categorias de uma variável dicotómica, representando a máxima diferença entre as distribuições acumuladas. Os testes podem ser unilaterais ou bilaterais, sendo esta opção aquela que foi aplicada no presente trabalho.
À semelhança do teste anterior, o teste de hipóteses também foi aplicado como regra de fundamentação da decisão.
• Análise de Correspondência Múltipla (MCA)
De acordo com Pestana e Gageiro (2005), a análise de correspondência múltipla, MCA, aplicada a variáveis qualitativas nominais é uma técnica exploratória (não confirmatória) usada na interpretação de tabelas de contingência, resultantes do cruzamento de várias (˃ 2) variáveis qualitativas nominais. Este estudo permite conhecer as variáveis que mais contribuem para a definição de cada uma das dimensões indicadas pelo próprio método.
Constitui opção preferencial as variáveis que apresentam uma contribuição superior à esperada, por dimensão. As medidas de descriminação variam entre 0 e 1, assumindo o valor 1 quando a discriminação é perfeita.
Segundo Maroco (2005: pág.338), o procedimento designado por optimal scaling102 possibilita a análise numérica de variáveis qualitativas (ordinais e nominais), sendo a cada uma atribuído um valor de optimal scaling que corresponde aos melhores valores dos componentes principais obtidos. A apresentação dos dados é feita em matriz (as linhas são os casos e as colunas são as variáveis).
Assim, esta técnica foi aplicada às questões 2, 5, 6, 7 e 8. Avaliou-se a existência de associação entre as variáveis e reuniu-se em componentes principais a respetiva informação.
Usou-se como critério de retenção de componentes a regra do engeinvalue103 superior a 1, ou seja, apenas foram considerados os componentes cujas variáveis apresentavam valores de
engeinvalue superior à unidade.
102
Técnica de análise instalada no SPSS para aplicação da MCA. Maroco (2007) atribui a esta técnica a designação de Categorical Principal Components Analysis (CAPTA).
103
Os valores próprios (engeinvalue) são valores médios e informam sobre a contribuição de cada uma das dimensões para explicar a variabilidade dos dados. Quanto maior for o seu valor, maior é a contribuição da dimensão em estudo.
• Análise Factorial Exploratória (AFE)
A análise Factorial é uma técnica amplamente utilizada na análise exploratória, pois permite combinar um conjunto alargado de variáveis em algumas dimensões (também designada por fatores) que possam vir a explicar o fenómeno em estudo. Essas dimensões dependem da associação entre as variáveis, sendo as variáveis agrupadas em termos correlacionais. Desta forma é possível estabelecer a existência de um fator comum (latente) entre elas (no caso de existir correlação).
Com esta técnica pretende-se que cada variável seja explicada pelos fatores latentes. Quando existem n fatores, o primeiro explica a maior percentagem do total da variância, o segundo fator corresponde à segunda maior percentagem do total da variância e assim sucessivamente. Se o somatório dos fatores for igual ao número de variáveis, o método não é recomendável.
A extração dos fatores a partir das variáveis iniciais pode ser efetuada através de vários métodos. No presente trabalho foi aplicado o método de extração de componentes principais e que consiste nas seguintes etapas: 1) preparação da matriz de correlação, 2) obtenção dos fatores iniciais e 3) rotação dos fatores.
Salienta-se que, à semelhança do que foi referido para a MCA, também na análise factorial foi aplicada a regra do eigenvalues superior à unidade, e que todas as variáveis com um peso factorial inferior a 0,5 foram retiradas da análise.
Na análise factorial a estimativa dos pesos fatoriais e as comunalidades são etapas fundamentais (Maroco, 2007). No caso das variáveis qualitativas, situação que corresponde à análise aplicada neste estudo, é também importante o valor da consistência interna de cada fator.
A análise factorial foi aplicada à questão nº4 do questionário.
3.10 Conclusões
A metodologia apresentada no capítulo que agora termina resumiu os principais conceitos que foram retirados da literatura dedicada às técnicas qualitativas e quantitativas em investigação, com aplicação ao objetivo em estudo. De acordo com os dados recolhidos, foram escolhidas as técnicas estatísticas mais adequadas, cujos resultados e comentários são apresentados no próximo capítulo.