Tratamento estatístico dos dados

De posse dos dados, as análises foram realizadas nos softwares SPSS 16.0, Minitab 15.1 e Excel, utilizando técnicas gráficas para comparação entre as variáveis. Além de gráficos de estrutura direta, também foram gerados outros com cruzamento entre variáveis com o objetivo de analisar os dados em horizontes mais específicos.

Para verificar se as observações seguem ou não uma distribuição normal, e, portanto, decidir sobre a utilização da estatística paramétrica ou não-paramétrica, optou-se por utilizar o teste de Shapiro-Wilk. Esse teste é indicado para pequenas amostras, em geral, menores que 50 indivíduos.

A fidedignidade das observações nos testes aplicados foi estabelecida por meio do coeficiente de correlação de Spearman para medir o grau de associação entre duas variáveis.

Outra medida de concordância entre avaliadores, utilizada somente para variáveis categóricas, é o coeficiente de Kappa. Esse teste permite avaliar a concordância entre os juízes no que se refere às condições da tarefa e complexidade estrutural da tarefa de cada atividade proposta às equipes analisadas. Para essas variáveis, um observador assistiu às fitas correspondentes aos treinamentos de cada equipe e registrou suas observações conforme as categorias propostas por Nascimento; Barbosa (2000). Após oito dias da primeira observação, o mesmo observador realizou novamente a análise da mesma sessão de treinamento. Essas observações são comparadas para avaliar a fidedignidade do estudo também no que se refere às variáveis mencionadas. A medida de Kappa é baseada no número de casos em que a avaliação foi a mesma para os dois juízes. Essa medida tem seu valor máximo em 1, indicando perfeita concordância e valores próximos de 0, indicando nenhuma concordância, ou que a concordância observada se deu somente ao acaso. As hipóteses a serem testadas são:

0 : 0 : 1 0   K H K H

Ao rejeitar-se a hipótese nula H0, observam-se indícios de que a medida de concordância é estatisticamente maior que zero. Valores acima de 0,80 sugerem concordância quase perfeita entre avaliadores (LANDIS; KOCH, 1977).

Para comparação das co-variáveis “Idade” e “Tempo de Prática em Voleibol” entre os grupos de interesse, bem como para os resultados das variáveis dependentes relacionadas ao conhecimento declarativo e processual dos indivíduos que compõem a amostra, optou-se, nesse estudo, pela utilização de testes que considerassem a comparação das medianas, e não de médias, como em grande parte das análises estatísticas. Essa tomada de decisão se deve ao fato de que os testes que comparam as médias entre grupos são mais sensíveis a pontos discrepantes. Além disso, a estatística não-paramétrica aborda testes que podem ser ferramentas valiosas na tomada de decisões, com a vantagem de não demandar conhecimento prévio a respeito da distribuição populacional, ser mais simples e de fácil entendimento.

Nesse sentido, foram utilizados testes como o de Mann-Whitney que determinam se duas populações têm a mesma mediana (). Esse teste utiliza os postos das observações amostrais, ao invés dos valores específicos para detectar significância estatística. Uma generalização do procedimento usado por Mann- Whitney é o teste de Kruskal-Wallis, uma vez que compara duas ou mais populações. Neste caso, as hipóteses a serem testadas são tais que:

H0: As medianas populacionais são iguais (n); H1: Pelo menos uma das medianas se difere das demais.

Uma suposição para este teste é a de que as amostras de diferentes populações são aleatórias e independentes de distribuições contínuas, com as distribuições tendo a mesma forma. O teste de Kruskal-Wallis é mais poderoso que o teste de Mood para a mediana com dados de muitas distribuições, incluindo dados da distribuição normal, mas é menos robusto contra outliers. É uma alternativa não- paramétrica para a ANOVA de um fator (one-way).

O teste de Mood para mediana, também chamado de teste de escores sinalizados, ou simplesmente teste da mediana, disponível no software Minitab 15.1, testa as mesmas hipóteses e apresenta as mesmas exigências do teste de Kruskal- Wallis. Entretanto é mais robusto contra outliers. Sua técnica consiste em calcular a mediana global de todos os dados e em seguida, verificar o número de observações menores ou iguais e maiores do que essa mediana global, resultando em uma tabela 2 x k de valores, tal que k representa o número de grupos do fator. Em seguida, realiza-se um teste Qui-quadrado de associação, sendo que valores grandes de Qui- quadrado levam a rejeição da hipótese nula. Adicionalmente, os intervalos de confiança obtidos auxiliam na interpretação dos resultados.

Os testes de Mann-Whitney, Kruskal-Wallis e Teste da Mediana apresentam a pressuposição básica de que os grupos contidos no fator apresentem homogeneidade de variância. Para garantir que os resultados desses testes fossem fidedignos, aplicou-se, então, o Teste de Levene, que verifica se a hipótese nula é de igualdade de variâncias ou se a hipótese alternativa confirma a existência da diferença nas variâncias de pelo menos um dos grupos do fator. Novamente, é uma alternativa ao Teste F, que exige que os dados provenham de uma distribuição normal. O método computacional para Teste de Levene utilizado pelo software

Minitab 15.1 é uma modificação do procedimento usual de Levene (LEVENE, 1960; CONOVER; JOHNSON; JONHSON, 1981). Esse método considera as distâncias das observações de suas medianas amostrais, o que faz com que o referido teste seja mais robusto para amostras menores.

Para tomada de decisões, será levado em consideração um nível de significância de 0,05 em todos os testes.