Os dados primários recolhidos com questionário foram organizados em planilhas eletrônicas usando o software Excel® e posteriormente importados para os pacotes estatísticos: Statistica® e Statistical Package for the Social Sciences® (SPSS). Inicialmente efetuou-se um pré-tratamento dos dados com o intuito de verificar os dados faltantes, outliers, respostas em duplicidade e erros de digitação.
Na sequência, efetuaram-se os cálculos da assimetria e curtose, utilizando-se o Software Statistica®. O uso destas duas medidas, segundo Hair Jr. et al. (2009) tem a finalidade de avaliar a normalidade da distribuição. A assimetria tem por objetivo identificar o grau de afastamento na distribuição de frequências de uma variável da posição em que a média e mediana coincidem. Já a medida de curtose, de acordo com Kline (2011) tem a finalidade de verificar o grau de elevação ou achatamento de uma distribuição de frequências.
Finney e DiStefano (2006) afirmam que dados com coeficientes de até 2 de assimetria e até 7 de curtose podem ser considerados quase normais.
A linearidade da relação entre as variáveis foi avaliada de forma gráfica com diagramas de dispersão e também de maneira numérica pelos coeficientes de correlação e de regressão. Já a homocedasticidade ou homogeneidade da variância foi verificada através do teste de Levene.
3.5.1. Análise fatorial exploratória
A análise fatorial exploratória (AFE) geralmente é utilizada nos estágios mais embrionários da pesquisa, no sentido de literalmente explorar os dados. Nessa fase, procura-se investigar a relação entre um conjunto de variáveis, identificando padrões de correlação.
Além disso, segundo Tabachnick e Fidel (2001) ela pode ser utilizada para criar variáveis independentes ou dependentes que podem ser utilizadas posteriormente em modelos de regressão. Para Hair Jr. et al. (2009), a AFE tem a finalidade de melhor compreender os dados, sendo observado o tipo de distribuição das variáveis, a relação da linearidade entre elas e as medidas aleatórias de erros.
Nesta pesquisa, utilizando-se o SPSS, foi efetuada a AFE para cada constructo e ainda para cada dimensão. No intuito de definir a unidimensionalidade estabeleceram-se os seguintes critérios: confirmação da viabilidade da análise fatorial com os dados pelos testes de
84 Kaiser-Meyer-Olkin (KMO) e de Esfericidade de Bartlett; medida de adequação da amostra (MSA) a partir da matriz anti-imagem de correlações maior do que 0,7; comunalidade maior do que 0,5; extração de um único fator pelo critério de Kaiser; cargas fatoriais dos itens maiores do que 0,7; variância extraída pelo fator maior a 50%; e, confiabilidade da consistência interna, medida pelo alfa de Cronbach, maior do que 0,6. Por sua vez, o padrão de correlação entre as variáveis, na matriz de correlações, deve exibir a maior parte dos coeficientes com valor acima de 0,30 (HAIR Jr. et al., 2009).
Os Testes Kaiser-Meyer-Olkin (KMO) e de Esfericidade de Bartlett, indicam qual é o grau de suscetibilidade ou o ajuste dos dados à análise fatorial. Isto é, qual é o nível de confiança que se pode esperar dos dados ao usar o método multivariado de análise fatorial (HAIR Jr. et al. 2009). O primeiro deles (KMO) apresenta valores normalizados (entre 0 e 1) e mostra qual é a proporção da variância que as variáveis (questões do instrumento utilizado) apresentam em comum ou a proporção desta que são devidas a fatores comuns. Quanto mais próximo de 1, tanto melhor. Hair Jr. et al. (2009) sugerem 0,50 como patamar aceitável. Já Pallant (2007) sugere 0,60 como um limite razoável.
O segundo teste, o de Esfericidade de Bartlett, conforme Pereira (2001) é baseado na distribuição estatística de qui quadrado e testa a hipótese nula (H0) de que a matriz de correlação é uma matriz identidade (com valores iguais a 1 na diagonal e todos os outros iguais a zero), isto é, que não há correlação entre as variáveis. Valores de significância maiores que 0,10 indicam que os dados não são adequados para o tratamento com o método em questão; pois, a hipótese nula não pode ser rejeitada. Já valores menores que o indicado permite sua rejeição (HAIR Jr. et al. 2009).
A comunalidade, por sua vez, é a quantidade total de variância que uma variável original compartilha com todas as outras variáveis incluídas na análise. A variância, conforme Fávero et al. (2009), mostra qual é a parcela de explicação dada pelos fatores. As variáveis com comunalidades inferiores 0,50 têm pouco em comum com as outras e não são explicadas pelas componentes ou fatores devendo sair da análise (HAIR Jr. et al., 2009). Quanto à medida de adequação da mostra ou Measure of Sampling Adequacy (MSA) ela serve para quantificar o grau de intercorrelações entre as variáveis e a possível aplicação da análise fatorial, ou seja, avaliar a participação de uma determinada variável ou se ela pode ser explicada por outras.
A confiabilidade é o grau em que uma escala produz resultados consistentes entre medidas repetidas ou equivalentes de um mesmo objeto, relevando-se a ausência do erro.
85 Trata-se, segundo Pereira (2001) da análise das escalas de mensuração que permite determinar a extensão em que os itens estão relacionados com os demais e a fidedignidade do constructo.
De acordo com Corrar, Paulo e Dias Filho (2007), um coeficiente bastante utilizado é o alfa de Cronbach, que trata da consistência interna baseada na correlação média entre os itens.
Hair Jr. et al. (2009) sugerem o mínimo ideal de 0,7 para pesquisas aplicadas e 0,6 para pesquisas exploratórias.
Após verificar a adequabilidade da base de dados, efetuou-se a extração dos fatores utilizando o critério de Kaiser, que trunca a mesma quando o autovalor é igual ou menor que a média da diagonal principal da matriz de entrada. Como se utilizou a matriz de correlações os autovalores deviam ser maiores do que 1. O seu objetivo é determinar a quantidade de fatores que melhor representa o padrão de correlação entre as variáveis observadas (HAIR Jr. et al., 2009), e quanto mais fatores forem extraídos, maior será o grau de parcimônia, entretanto, menor será a quantidade de variância carregada por eles. Tabachnick e Fidel (2001) argumentam que se o fator deriva de um autovalor numericamente pequeno, ele está contribuindo pouco para explicar a variância havida nas variáveis originais.
3.5.2 Análise fatorial confirmatória
A análise fatorial confirmatória (AFC) é o procedimento desenvolvido para se testar hipóteses a respeito da estrutura de um conjunto de dados. Segundo Garcia e Martinez (2003), ela corrige deficiências do modelo exploratório e conduz a uma maior certeza das hipóteses que devem ser contrastadas através de modelos que expliquem os inter-relacionamentos existentes na estrutura de um questionário.
Neste estudo, como sugerido por Hair Jr. et al. (2009), utilizou-se a AFC para validar o modelo de mensuração com a finalidade de determinar se as relações são suportadas pelos dados, de acordo com os objetivos da pesquisa. O modelo deste trabalho foi composto por constructos latentes competências empreendedoras, comportamento organizacional, e comprometimento organizacional e os indicadores observáveis para cada constructo. Estes últimos, segundo Brei e Liberali Neto (2006), podem ser formativos ou reflexivos, isto é, os indicadores formam ou refletem o construto, como foi usado neste trabalho.
Inicialmente, com o uso do software AMOS® testou-se o modelo de mensuração para cada um dos construtos, incluindo as dimensões consideradas. Hair Jr. et al. (2009) e Kline (2011) evidenciam que o ajuste geral do modelo pode-se avaliar por um conjunto de medidas.
86 Na análise efetuada, verificou-se que os valores das cargas das dimensões de cada constructo sejam maiores de 0,5 e também foram avaliados os indicadores de ajustes.
As medidas de qualidade de ajuste classificam-se, segundo Hair Jr. et al. (2009) em:
a) medidas de ajuste absoluto, que determinam o grau em que o modelo de medida construído é capaz de predizer com menor erro possível a matriz de variância-covariância ou a matriz de correlação utilizada na modelagem. As medidas desta classificação utilizadas neste estudo com os respectivos valores aceitáveis apresentam-se no Quadro 15.
Quadro 15 - Medidas de ajuste absoluto
Classificação Medida Descrição Valores mínimos
recomendados
Medidas de ajuste absoluto
χ² Estatística qui-quadrado da razão de verossimilhança p > 0,05
Gl Graus de liberdade -o-
GFI (Goodness of Fit Index) Índice de qualidade de ajuste
Valores maiores indicam melhor ajuste,
sem referências estabelecidas.
RMSEA (Root Mean Square Error of Approximation) – Raiz do erro quadrático médio de aproximação.
Representa a discrepância entre as matrizes observadas e previstas, levando em consideração os graus de liberdade. Valores de 0,08 conferem 95%
de confiança.
< 0,100
Fonte: Hair Jr. et al. (2009).
b) medidas de ajuste incremental, que são indicadores de qualidade do ajuste que possibilitam comparar o modelo estimado com um modelo teórico nulo, ou seja, visa determinar se todos os indicadores estão associados a um único fator latente. As medidas desta categoria utilizados neste estudo estão evidenciadas no Quadro 16.
Quadro 16 - Medidas de ajuste incremental
Classificação Medida Descrição Valores mínimos
recomendados
Medidas de ajuste incremental
AGFI (Adjusted Goodness of Fit Index) – Índice ajustado de qualidade de ajuste.
> 0,900 NNFI ou
TLI
(Non-Normed Fit Index) ou (Tucker-Lewis Index) – Índice de ajuste não normado ou Índice de Tucker- Lewis
> 0,900
NFI (Normed Fit Index) – Índice de ajuste normado. > 0,900 Fonte: Hair Jr. et al. (2009).
c) medidas de ajuste de parcimônia, que se relacionam à qualidade (goodness) do modelo com o número de coeficientes necessários para alcançar este nível de ajuste. Um modelo é parcimonioso quando possui boa capacidade explicativa e não contem coeficientes desnecessários. Os índices desta classificação utilizados neste estudo encontram-se no Quadro 17.
87
Quadro 17 - Medidas de ajuste parcimonioso
Classificação Medida Descrição Valores mínimos
recomendados
Medidas de ajuste Parcimonioso
χ²/gl Medida de qui-quadrado normado < 3,00
CFI (Comparative Fit Index) – Índice de ajuste comparativo
> 0,900 IFI (Incremental Fit Index) – Índice de ajuste
incremental
> 0,900 RFI (Relative Fit Index) – Índice de ajuste relativo > 0,900 Fonte: Hair Jr. et al. (2009).
3.5.3 Modelagem de equações estruturais
A especificação do modelo de mensuração é uma das questões primordiais em modelagem de equações estruturais (MEE). Isto é, a definição dos tipos de variáveis, o estabelecimento de relações entre elas e a caracterização do tipo de modelo existente. Hair Jr.
et al. (2009) destacam que a construção do modelo pressupõe a definição de uma série de relações causais que deverão ser determinadas a partir de uma fundamentação teórica consistente.
Após a validação do modelo de mensuração geral a relação entre competências empreendedoras, comprometimento organizacional e comportamento intraempreendedor, com o desempenho foi realizada através da MEE (denominada originalmente em inglês – Structural Equation Modeling - SEM). Para Kline (2011) esta técnica oferece a possibilidade de investigar quão bem as variáveis preditoras (predictors) explicam a variável dependente (criterion) e, também, qual das variáveis preditoras é a mais importante. Byrne (2010) considera que sua função principal e a especificação e estimação de modelos de relações lineares entre variáveis.
Segundo Hair Jr. et al. (2009) a MEE compartilha três premissas básicas com outras técnicas multivariadas de análises de dados: a) independência das observações; b) amostra aleatórias de respondente; e, c) a linearidade de todos os relacionamentos. A Figura 06 apresenta a modelagem de equações estruturais proposta neste estudo.
88
Figura 06 - Modelagem estrutural
Fonte: Dados da pesquisa (2013).