Teste das Hipóteses

2.5.1 Análises Confirmatória e Exploratória

Uma análise confirmatória procura suportar uma modelo de relações pré definidas entre variáveis, enquanto uma análise exploratória, para além do teste das relações pré-definidas, procura examinar outras possíveis combinações que confiram um melhor ajustamento estatístico do modelo (Gefen et al, 2000, p51). Segundo Hair et al (Hair et al, 1998): “Confirmatory analysis: Use of multivariate technique to test (confirm) a prespecified relationship.”; “Exploratory analysis: Analysis that defines possible relationships in only the most general form and then allows the multivariate technique to estimate relationships. The opposite of confirmatory analysis, the researcher is not looking to confirm any relationships specified prior to the analysis, but instead lets the method and the data define the nature of the relationships. An example is stepwise multiple regression, in which the method adds predictor variables until some criterion is met.” (Hair et al, 1998, p 579-80).

Os estudos conduzidos no âmbito da presente tese envolvem análises confirmatórias e exploratórias dos resultados. O estudo sobre a compreensão da complexidade dinâmica consiste numa análise exploratória sobre o desempenho de sujeitos na realização de determinadas tarefas que incluem efeitos dinâmicos, e se esse desempenho é influenciado por algumas variáveis demográficas. O estudo sobre a abordagem BSC consiste num estudo empírico confirmatório sobre o impacto da utilização desta abordagem na construção dos modelos mentais e performance. Contudo, este estudo também envolve análises exploratórias, dado que, para além das variáveis consideradas no modelo, é analisado o impacto de outras variáveis (demográficas e de controlo da experiência).

2.5.2 Regressão Linear Múltipla e Modelação com Equações Estruturais

O teste das hipóteses formuladas nestes estudos empíricos, implica a validação da existência de eventuais relações de dependência entre uma variável dependente e um conjunto de variáveis independentes supostamente explicativas da primeira. Nesta situação, as técnicas de regressão linear múltipla (RLM) (método estimação de mínimos quadrados ordinários) e a

modelação com equações estruturais (MEE) (método estimação de máxima verosimilhança), são sugeridas para explorar este tipos de relações (Hair et al, 1998; Gefen et al, 2000).

Gefen et al (2000) comparam as técnicas de modelação de equações estruturais (LISREL) e regressão linear múltipla, com o objectivo de estabelecer um conjunto de recomendações para aplicação destas técnicas em análise de dados de pesquisas empíricas. A vantagem da técnica de MEE, consiste em permitir a modelação de relações entre diversas variáveis simultaneamente independentes e dependentes. “Contrary to first generation statistical tools such as regression, SEM enables researchers to answer a set of interrelated research questions in a single, systematic, and comprehensive analysis by modelling the relationships among multiple independent and dependent constructs simultaneously.” (Gefen et al, 2000, p3) “... structural equation modelling examines a series of dependence relationships simultaneously. It is particularly useful when one dependents variables become independents variables in subsequent dependence relationships.” (Hair et al, 1998, p 578). Este tipo de análise também pode ser feita através da RLM, implicando no entanto a utilização de mais do que um modelo de regressão, dado que esta técnica apenas permite relacionar uma variável dependente com diversas independentes de cada vez (Gefen et al, 2000, p9).

De acordo com Gefen et al (2000, p9), a modelação com equações estruturais é adequada para a análise confirmatória (implica a existência de uma teoria de base fixa sobre o relacionamento entre as variáveis), não sendo adequada para análise exploratória. A regressão linear múltipla é adequada para análises confirmatória e exploratória (Gefen et al, 2000, p9). Em síntese, a técnica de RLM é adequada pare a análise exploratória prevista no estudo sobre a compreensão da complexidade dinâmica, não existindo vantagem em aplicar a MEE porque não existem variáveis dependentes e independentes simultaneamente.

Contrariamente, no segundo estudo, como existem variáveis dependentes e independentes simultaneamente, a MEE confere a vantagem de suportar a análise simultânea dos efeitos de interacção no modelo inteiro, comparativamente à RLM que, não tratando todas as relações em simultâneo num único teste estatístico, envolve a formulação de duas regressões separadas para testar integralmente o modelo, em que uma regressão trata a semelhança do modelo mental como uma variável dependente e outra regressão trata a performance. Pelo que, neste

estudo, a RLM é aplicada para análises confirmatória e exploratória do modelo de hipóteses e a MEE é aplicada para a respectiva análise confirmatória.

2.5.3 Implicações da Dimensão da Amostra

Gefen et al (2000, p9), para a modelação com equações estruturais pelo método de estimação de máxima verosimilhança, recomendam uma dimensão mínima da amostra entre 100 e 150; Hair et al (1998, p604-5), relativamente a esta técnica, referem uma amostra mínima entre 50 e 100, e superior a 10 vezes o número de variáveis no modelo. A regressão linear múltipla (método estimação de mínimos quadrados ordinários) suporta amostras mais reduzidas, sendo recomendado uma dimensão mínima de 30 (Gefen et al, 2000, p9); de acordo com Hair et al (1998, p166), a dimensão mínima aceitável da amostra para aplicação da regressão linear múltipla corresponde a 5 vezes o número de variáveis independentes, e a dimensão satisfatória corresponde a 15/20 vezes o número de variáveis independentes.

O estudo sobre a compreensão da complexidade dinâmica (pesquisa na Galp Energia) envolve uma amostra com 31 ocorrências e 5 variáveis independentes. Aplicando a regra referida por Hair et al (1998, p166), resulta numa dimensão mínima de 25 e recomendada de 90/120. Considerando que a dimensão da amostra (31) encontra-se próxima da dimensão mínima recomendada, não é razoável procurar obter uma elevada significância estatística nos resultados. Não obstante, dado que o objectivo da análise é puramente exploratório, aplica-se a regressão linear múltipla neste estudo.

De acordo com a regra anterior (Hair et al, 1998, p166), a aplicação da regressão linear múltipla para teste das hipóteses do estudo sobre a abordagem do BSC (2 variáveis), requer uma dimensão mínima de 10 e satisfatória de 30/40. Como a amostra tem a dimensão de 73, podemos considerar que se trata de uma amostra de dimensão satisfatória. Relativamente á aplicação da modelação com equações estruturais neste estudo, as recomendações mencionadas indicam uma amostra mínima entre 50 e 150. Atendendo ao número muito reduzido de variáveis no modelo a testar (4 variáveis), podemos considerar como aceitável a dimensão da amostra (73), pelo que esta técnica é aplicada, utilizando o método de estimação de máxima verosimilhança.

2.5.4 Validação dos Modelos

As regressões são desenvolvidas com recurso às aplicações SPSS v. 12.0, e Eviews 3.1, através do método estimação de mínimos quadrados ordinários. A aplicação da modelação com equações estruturais é efectuada mediante a aplicação LISREL v 8.7, através do método de estimação de máxima verosimilhança.

Na modelação com equações estruturais, a apreciação do grau de ajustamento dos modelos resultantes é baseada nos parâmetros fornecidos pelo programa LISREL e de acordo com as heurísticas estabelecidas (Hair et al, 1998; Gefen et al, 2000, p42-6).

Com vista a proporcionar a necessária confiança na apreciação da significância estatística dos modelos resultantes da aplicação destas técnicas, os respectivos pressupostos são testados, nomeadamente: o teste de linearidade entre as variáveis independentes e dependentes, mediante inspecção visual do gráfico dos resíduos das regressões (Curto, 2005, p4); o teste de normalidade do resíduo, mediante o teste de Kolmogorov-Smirnov (Curto, 2005, p13) (fornecido pela aplicação SPSS) e o teste Jarque-Bera (Curto, 2005, p13) (através da aplicação Eviews); o teste de homoscedasticidade dos resíduos, mediante a aplicação do teste de White (Curto, 2005, p31) (Eviews); o teste de independência dos resíduos, mediante o teste Durbin-Watson (Curto, 2005, p47) (SPSS) para a auto correlação de primeira ordem, e teste de Breusch-Godfrey (Eviews) para a auto correlação de segunda ordem; teste de multicolinearidade das variáveis independentes, através dos diagnósticos proporcionados pelo SPSS, nomeadamente a regra do Factor de Inflação de Variância ser inferior a 10 (Curto, 2005, p21).

Eventuais problemas relacionados com os pressupostos de linearidade, normalidade, homoscedasticidade, e/ou independência, serão tratados e atenuados em conformidade com as recomendações de Curto (2005) e Hair et al (1998), nomeadamente mediante a transformação de variáveis.

2.5.5 Outras Técnicas Utilizadas

Para além das técnicas anteriores, a análises dos resultados também considera a comparação de elementos de estatística descritiva das diversas variáveis observadas, assim como o teste estatístico de diferença entre médias (ANOVA) de variáveis dentro de determinados grupos de tratamento (Reis, 2001).

Parte IV - Estudos Empíricos

1. Teste em Portugal da Compreensão de Conceitos Essenciais da Dinâmica de