“O truque na estatística multivariada, se existe, não está nos cálculos, fácil e rapidamente feitos num computador com software adequado instalado. O truque consiste em escolher o método apropriado ao tipo de dados, usá-lo corretamente, saber interpretar os resultados e retirar deles as conclusões corretas” (CORRAR, PAULO E DIAS FILHO apud REIS, 2001, p. 11)
A análise e interpretação dos dados representam o núcleo central da pesquisa, sendo a “aplicação lógica dedutiva e indutiva do processo de investigação” (BEST apud LAKATOS e MARCONI, 1991. p, 167).
Todos os instrumentos utilizados para coletas de dados ofereceram uma vasta gama de dados, que é característico da pesquisa quantitativa. As análises qualitativas, referentes às entrevistas, deram-se observando as técnicas de Análise de Conteúdo, Construção de Teorias e Análise de Discurso (ROESCH, 2007).
Quanto às análises quantitativas, correspondentes ao questionário, destaca-se que os dados foram analisados com auxílio de programas estatísticos como Statistical Package for
the Social Sciences (SPSS) e R. Quanto ao método estatístico, foram utilizadas as seguintes:
estatística descritiva e análise multivariada, entre elas a análise fatorial.
A estatística descritiva foi utilizada para descrever os dados relacionados, principalmente, à primeira e terceira parte do questionário. Em relação à estatística descritiva, foram utilizados cálculos de média, mediana e desvio padrão. A média é um valor que indica, em geral, onde está a maior concentração de respostas. Destaca-se que a média pode não
indicar o que é esperado quando, por exemplo, o coeficiente de variação é alto. A mediana, por sua vez, indica um valor que separa a metade inferior e superior das respostas, ou seja, se a mediana de uma variável for 4, indica que 50% dos inqueridos avaliam determinado quesito com valor 4 ou maior e a outra metade atribuem valor igual ou menor; já o desvio padrão indica a dispersão das respostas, em que o valor pode tender para mais ou para menos da média encontrada.
Outro método utilizado foi a análise multivariada, que contempla várias técnicas e métodos que envolvem todas as variáveis na interpretação do conjunto de dados obtidos. Segundo Corrar, Paulo e Dias Filho (2009, p. 2), a análise multivariada contempla um conjunto de métodos estatísticos que permite a “análise simultânea de medidas múltiplas” de determinado estudo, caracterizados por mais de duas variáveis correlacionadas entre si.
Dentre os métodos e técnicas da análise multivariada destaca-se a análise fatorial que, segundo Pereira (2003), busca “descrever, se possível, o relacionamento das covariâncias de muitas variáveis em termos de fatores”. Para Aranha e Zambaldi (2008, p. 31) a análise fatorial busca
“caracterizar um conjunto de variáveis diretamente mensuráveis, chamadas de
variáveis observadas, como a manifestação visível de um conjunto menor de
variáveis hipotéticas e latentes (não mensuráveis diretamente), denominadas fatores
comuns, e de um conjunto de fatores únicos, cada um deles atuando apenas sobre
uma das variáveis observadas”.
Corrar, Paulo e Dias Filho (2009) complementam afirmando que a análise fatorial é uma técnica multivariada de interdependência (onde não há uma determinação prévia das variáveis que são dependentes ou não) e exploratória (já que não há certeza de que as variáveis possuem estrutura de relacionamento e muito menos se essa estrutura pode ser interpretada de forma coerente), onde todas as variáveis são consideradas simultaneamente, correlacionando-se uma com as outras, objetivando estudar as inter-relações existentes e sumarização das variáveis.
Logo, a análise fatorial consiste em analisar as correlações entre as variáveis propostas no estudo, estimando um conjunto de dimensões comuns, chamadas fatores latentes. Dessa forma, torna-se possível, então, identificar fatores latentes e explicitar o grau em que cada variável é explicada pelas dimensões observadas.
Mól et al (2010, p. 38) apresenta em sua obra Quadro com as principais estatísticas-chave associadas à análise fatorial, das quais lista-se as que foram consideradas nesta dissertação.
Quadro 3 – Estatísticas da análise fatorial
Teste de esfericidade de Barlett Estatística de teste usada para examinar a hipótese de que as variáveis não sejam correlacionadas na população, ou seja, a matriz de correlação da população é uma matriz identidade, em que cada variável se correlaciona perfeitamente com ela própria (r=1), mas não apresenta correlação com as outras variáveis (r=0). A significância para o teste não deve ultrapassar 0,05.
Matriz de correlação O triangulo inferior da matriz que exibe as correlações simples entre todos os pares possíveis de variáveis incluídos na análise. Os elementos da diagonal, que são todos iguais a 1, em geral são omitidos.
Comunalidade Porção da variância que uma variável compartilha com todas as outras variáveis consideradas. É também a proporção de variância explicada pelos fatores comuns.
Autovalor (Eigenvalue) Representa a variância total explicada por cada fator. Carga dos fatores Correlação simples entre as variáveis e os fatores.
Escores fatoriais Escores compostos estimados para cada entrevistado nos fatores derivados.
Percentagem de variância Percentagem da variância total atribuída a cada fator.
Resíduos Diferenças entre as correlações observadas na matriz de correlação de entrada e as correlações reproduzidas, conforme estimadas na matriz de fatores.
Fonte: Adaptado de Mól et al (2010, p. 38)
Quanto a carga fatorial, em função do tamanho da amostra (maior que 200), optou-se como mínimo aceitável um valor acima de 0,364 (Field, 2009). A análise da confiabilidade dos dados coletados foi realizada considerando o modelo Alfa de Cronbach, em que o valor assumido está entre 0 e 1, em que quanto mais próximo de 1, maior fidedignidade (CORRAR, PAULO E DIAS FILHO, 2009). Nesta pesquisa será admitido um valor de 0,6 como mínimo ideal, tendo em vista que a pesquisa tem caráter exploratório (Idem, apud HAIR, 1998).
Destaca-se, ainda, que o resultado do modelo Alfa de Cronbach pode ser analisado segundo a perspectiva de Pereira (2004, apud CORRAR, PAULO E DIAS FILHO, 2009), em que, considerando o resultado como um coeficiente de correlação ao quadrado, o resultado do alfa implica que o valor estaria medindo, em percentual, o impacto real das variáveis.
A verificação da adequação da amostra foi realizada pelos Testes de Kaiser- Meyer-Olkin (KMO), de Esfericidade de Bartlett, bem como o cálculo das comunalidades. O índice Kaiser-Meyer-Olkin mede a adequação da amostra quanto à correlação entre as variáveis. Hair et al. (2005) recomendam que o índice deve ser superior a 0,50. Field (2009) aponta que valores entre 0,5 e 0,7 são medíocres (mas aceitáveis), entre 0,8 e 0,9 são ótimos, e valores acima de 0,9 são excelentes. Assim, valores acima de 0,9 podem indicar que a análise dos fatores é apropriada para os dados analisados.
O teste da esfericidade de Bartlett testa a probabilidade da matriz de correlações serem uma matriz identidade e, assim, indicar a inadequação (ou não) da análise fatorial confirmatória.
Por vezes, na análise fatorial, os resultados obtidos são de difícil interpretação e análise; para mitigar esse problema, o pesquisador pode utilizar a rotação de fatores. A rotação de fatores busca, pois, melhorar a análise/interpretação dos fatores obtidos por meio do método estatístico em questão e são classificadas em ortogonal (Varimax, Quartimax e Equamax) e oblíqua (oblimin direta e promax) (FIELD, 2009; FIGUEIREDO FILHO, SILVA JUNIOR, 2010).
Assim, quanto à rotação de fatores, optou-se pela rotação ortogonal Varimax, que “tenta agregar um menor número de variáveis sobre cada fator resultando em mais aglomerados de fatores interpretáveis” (FIELD, 2009, p.568).