Tratamento dos Dados

Os dados foram tratados por meio da técnica estatística de análise fatorial de forma a suportar o meta-modelo de análise do fenômeno da resistência apresentado na Figura 7.

A análise fatorial representa uma técnica estatística multivariada, que tem por objetivo reduzir e sumarizar os dados. Por meio desta técnica pode-se analisar a dependência entre as variáveis pesquisadas - normalmente representada pelas correlações ou covariâncias entre essas variáveis. É possível, portanto, buscar explicar as dependências por meio de um número reduzido de variáveis hipotéticas ou fatores resultantes das variáveis originais. Cabe destacar que também é possível identificar o quanto cada fator está associado a cada variável e o quanto o conjunto de fatores explica da variabilidade geral dos dados originais.

Tal técnica foi escolhida por permitir examinar um conjunto de relações interdependentes (MALHOTRA, 2006), uma vez que neste trabalho o meta-modelo proposto apresenta características de interdependência entre os vetores de resistência a sistemas de informação. A análise fatorial permitiu verificar, portanto, a validade e confiabilidade do meta-modelo.

A técnica utilizada seguiu as etapas descritas por Malhotra (2006), conforme relatado a seguir:

capítulo possui 29 questões, i.e. 29 variáveis. Segundo Malhotra (2006), o tamanho da amostra deve ser ao menos de quatro a cinco vezes maior que o total de variáveis. Dessa forma, o número mínimo de respondentes do questionário da pesquisa seria de 116 gestores de tecnologia da informação com pelo menos uma experiência de implantação de sistemas ERP. Sendo assim, o número obtido, de 169 respondentes válidos, atende plenamente a esse requisito, aproximando-se de quase seis vezes o total de questões do formulário.

• Determinação do método para extração de fatores – neste caso adotou-se o dos Componentes Principais (PCA), no qual os fatores são estimados com base na variância comum. Tal método é adequado a este trabalho de pesquisa por ser indicado quando a variância comum é o elemento de interesse (MALHOTRA, 2006). Ou seja, a avaliação dos vetores do modelo de resistência a sistemas de informação é realizada a partir das mesmas bases. Para verificar a adequação do método foram realizados os seguintes testes:

o (i) Matriz de Correlação – matriz quadrada na qual os elementos representam as correlações entre as variáveis analisadas, i.e. a correlação das variáveis entre si, o grau de associação linear entre duas variáveis; o (ii) Teste de Esfericidade de Barlett – verifica se a matriz de correlação é

uma matriz identidade, i.e. se cada variável se correlaciona perfeitamente apenas com ela mesma, o que representaria neste caso a inadequação da amostra. Para o teste ser válido os valores obtidos devem ser maiores que 0,05 (ARANHA e ZAMBALDI, 2008);

o Estatística Kaiser-Meyer-Olkin (KMO) – mede o grau de correlação parcial entre as variáveis. Possibilita, portanto, verificar a adequação da amostra e se a utilização da análise fatorial é apropriada. Novamente para este índice, recomenda-se valores maiores que 0,5 (HAIR et al., 1995); o Análise da diagonal principal da Matriz Anti-imagem – verifica a

capacidade de explicação dos fatores sobre cada uma das variáveis analisadas. Trata-se de uma medida da adequação de cada variável ao uso da análise fatorial. Dessa forma, valores muito baixos na diagonal poderão causar a eliminação da variável respectiva;

o Comunalidades – Verificam as parcelas das variâncias (correlações) de cada variável explicada pelos fatores comuns. Uma comunalidade maior representa um poder de explicação maior da variável analisada pelo fator. Neste caso, consideram-se aceitáveis valores maiores que 0,5 (ARANHA e ZAMBALDI, 2008);

• Determinação do número de fatores, - i.e. qual o número mínimo de fatores necessário para uma solução adequada. Usualmente, utiliza-se o critério de fatores com eigenvalues (autovalores) maiores que 1 (HAIR et al., 1995).

• Rotação dos valores – matriz de fatores que representa as correlações entre as causas da resistência a sistemas de informação (fatores) e as questões (variáveis); Neste trabalho foi utilizada a rotação ortogonal Varimax, que permite minimizar o número de fatores necessários para explicar cada variável, tornando mais simples a sua interpretação. Tal procedimento também objetiva maximizar a explicação das variáveis contidas num único fator. Busca-se, dessa forma, identificar os fatores mais independentes entre si;

• Interpretação dos fatores e suas respectivas variáveis realizada com base nos fatores mais expressivos e suas variáveis correspondentes.

Após a execução das etapas acima citadas, foi possível retornar ao referencial teórico e buscar uma triangulação que oferecesse uma melhor interpretação do modelo proposto.

Na segunda fase da pesquisa, após a validação e, neste caso, da ampliação dos fatores do meta-modelo proposto, foi utilizada a técnica de regressão múltipla. Este procedimento estatístico busca analisar as relações entre uma variável dependente – neste caso o fator de percepção de resistência – e suas variáveis independentes, identificadas pelos fatores do meta-modelo de análise do fenômeno da resistência a sistemas de informação (MALHOTRA, 2006).

homocedasticidade dos resíduos (CORRAR et al., 2007). Também foram calculados e analisados os seguintes índices: (i) coeficiente de correlação (R); (ii) o teste F derivado da tabela de ANOVA; (iii) teste t para os coeficientes angulares individuais; (iii) coeficiente de determinação (R²) e, finalmente, (iv) coeficiente de determinação ajustado (R² adj).

Cabe destacar que não foi necessário aplicar o teste de multicolinearidade, já que foi utilizado um modelo de fatores, i.e. não correlacionados entre si (JOHNSON; WICHERN, 2007). Apenas se uma rotação oblíqua tivesse sido aplicada aos fatores, estes teriam correlação diferente de zero. Como foi aplicada a rotação Varimax, no entanto, a ortogonalidade foi preservada (ARANHA e ZAMBALDI, 2008). Também não foi aplicado o teste de ausência de autocorrelação serial nos resíduos, visto que tal teste aplica-se apenas a séries de tempo (GUJARATI, 2006).

Para realizar a regressão, considerando que os testes necessários foram realizados e aprovados, foram mantidas no modelo final apenas as variáveis com valor p dos coeficientes abaixo de 0,05 (GUJARATI, 2006).