OBJETIVOS, MODELO DE ANÁLISE E HIPÓTESES
4. TRATAMENTO DE DADOS
O tratamento de dados do questionário foi guiado de acordo com os objetivos definidos e com as caraterísticas das diferentes técnicas estatísticas de investigação utilizadas para o tratamento das perguntas fechadas do questionário, a estatística descritiva e a estatística inferencial.
Esta análise foi realizada através do software SPSS Statistics (v.19.0, SPSS Inc, IL). No que se refere à estatística descritiva, foram utilizadas algumas caraterísticas amos- trais e algumas representações gráficas que permitem colocar em evidência, de forma simples, propriedades relevantes das observações. No que respeita à estatís- tica inferencial, no estudo preditivo, foram utilizados vários métodos que possibili- tam tirar conclusões úteis para as populações em estudo a partir das observações. Assim, utilizou-se a análise fatorial (AF), com extração em componentes principais, para sumariar os fatores (atributos) que explicam a maior parte da variabilidade do posicionamento e do bem-estar. Em seguida, procedeu-se à análise de trajetórias através de regressões lineares múltiplas e à representação do modelo de análise. Finalmente, realizou-se um estudo comparativo através de testes de Wilcoxon- Mann-Whitney, Kruskal-Wallis e comparações múltiplas de Dunn.
Mais concretamente, no estudo descritivo, recorreu-se a medidas de localização (média, mediana e moda), medidas de dispersão (desvio padrão), medidas de for- ma (coeficientes de assimetria e de achatamento), tabelas de frequências e diagra- mas de barras.
Inicialmente, no estudo preditivo, para analisar a consistência interna geral do questionário, utilizou-se uma das medidas usuais – o coeficiente alfa de Cronba- ch. Este define-se como a proporção da variabilidade nas respostas que resulta de diferenças nos inquiridos (Pestana & Gageiro, 2003). Os valores desta escala foram apresentados anteriormente aquando da fiabilidade do questionário.
Para se poder utilizar o modelo fatorial deve existir correlação entre as variáveis, já que, nesse caso, é provável que as variáveis tenham fatores comuns. Para avaliar a correlação, e como se tem dados medidos numa escala de Likert 5 pontos, usou-se a matriz de correlação de Pearson. Segundo Marôco (2010), a técnica mais correta para variáveis qualitativas tipo-Likert com escala inferior a 5 é a que recorre às cor- relações de Spearman, embora muitos investigadores das ciências sociais utilizem as correlações de Pearson. Neste caso, para confirmar a proximidade dos valores, usou-se também a matriz de correlação de Spearman5 que forneceu resultados
semelhantes (para o efeito, recorreu-se ao Syntax do SPSS Statistics).
De seguida, foram analisados os pré-requisitos do modelo fatorial, a qualidade das correlações, através da medida de Kaiser-Meyer-Olkin (KMO) e do teste de esferi- cidade de Bartlett. A medida de KMO assume valores entre zero e um e compara as correlações simples com as correlações parciais observadas entre as variáveis. Marôco (2010) refere que um valor de KMO próximo de um indica correlação forte entre as variáveis, enquanto que um valor perto de zero indica uma correlação fraca entre as variáveis. Para Kaiser, os valores têm a seguinte interpretação para a análise fatorial: entre 1 e 0.9 é excelente, entre 0.8 e 0.9 é boa, entre 0.7 e 0.8 é mé- dia, entre 0.6 e 0.7 é medíocre, entre 0.5 e 0.6 é má e menor que 0.5 é inaceitável. O teste de esfericidade de Bartlett testa a hipótese nula de a matriz de correlações ser a matriz de identidade. A análise fatorial só faz sentido se se rejeitar esta hipótese. A análise fatorial foi efetuada com método de extração de fatores em componen- tes principais (ACP). Na extração dos fatores explicativos utilizaram-se os critérios do Scree Plot e de Kaiser (valores próprios maiores que 1), retirando-se todos os itens cujas saturações eram inferiores a 0.50 (Hair, Black, Badin, Anderson & Tatham, 2005). Como a solução encontrada para o modelo de análise fatorial nem sempre é facilmente interpretável, fez-se a rotação Varimax, para ampliar os valores dos pesos fatoriais mantendo a variância. Depois de feita a análise fatorial foi calculada a consistência interna de cada fator através do coeficiente alfa de Cronbach. Como sugere Pestana e Gageiro (2003), a partir dos fatores da análise fatorial cons- truíram-se índices, através da média aritmética dos elementos de cada fator. Os índices obtidos foram tratados como variáveis quantitativas, possibilitando a utilização de modelos de regressão linear múltipla para verificar a existência de relações lineares de causa-efeito entre as variáveis (análise de trajetórias). Neste caso, procedeu-se à representação dos modelos onde foram consideradas variá- veis independentes, uma variável mediadora e uma variável dependente e os co- eficientes de trajetória foram estimados pelos coeficientes de regressão estandar- dizados (β). Para a representação da significância dos coeficientes utilizaram-se as respetivas siglas (*) 0.01≤p<0.05; (**) 0.001≤p<0.01; (***) p<0.001; optou-se por não colocar o (ns) p≥0.05, tal como sugere Marôco (2010).
O ajustamento global do modelo foi calculado através do coeficiente de determi- nação (R2), considerando-se o ajustamento aceitável nas ciências sociais para valo-
res do coeficiente superiores a 0.5 (Marôco, 2010). Foram também determinados o erro, ou seja, a proporção da variabilidade total não explicada pelo modelo, dado por e=1-R2, e o coeficiente de trajetória, dado por √1-R2 .
De seguida, procedeu-se ao cálculo dos efeitos totais através dos efeitos diretos e indiretos, entre pares de variáveis. Os efeitos totais são estimativas da associação causal entre as variáveis. Assim, procedeu-se aos seguintes cálculos: o efeito dire- to foi calculado pelos betas estandardizados e o efeito indireto foi determinado através do produto dos respetivos betas estandardizados; o efeito total foi obtido pela soma do efeito direto e do efeito indireto. Por fim, calculou-se a proporção explicada causal através da razão entre o efeito total e o coeficiente de correlação. Para quantificar o ajustamento total do modelo, causal e não causal, existem várias medidas estatísticas. No entanto, o software utilizado não permite obter esses re- sultados, pelo que essas medidas não serão incluídas.
Finalmente, procedeu-se à validação dos pressupostos dos modelos de regressão. Assim, verificou-se a normalidade dos erros através do teste de Kolmogorov-Smir- nov, a homocedasticidade dos erros através do gráfico dos valores dos resíduos versus os valores preditos, a independência dos erros através do teste de Durbin- Watson e a multicolinearidade através do fator de inflação da variância (VIF). No estudo comparativo, utilizaram-se testes não paramétricos para comparar as distribuições de variáveis ordinais em duas ou mais amostras independentes. As- sim, recorreu-se ao teste de Wilcoxon-Mann-Whitney no caso de duas amostras independentes e ao teste de Kruskal-Wallis no caso de mais de duas amostras inde- pendentes. Neste último caso, aquando da rejeição da hipótese nula, realizaram-se testes de comparações múltiplas de Dunn para identificar quais os grupos com diferenças significativas.