Phylogenetic tree based on Hfq and 16S rRNA

De acordo com a literatura recomendada (HAIR et al., 2009; KLINE, 2005; HARRINGTON, 2009), ao propor uma escala, o pesquisador deve proceder avaliações como: julgamento criterioso de especialistas, estudos tanto exploratórios quanto confirmatórios com diferentes amostras, testes de confiabilidade, avaliações de dimensionalidade, potencial de

generalizações envolvendo conceitos de mensuração e psicometria, a partir de técnicas estatísticas multivariadas.

A análise multivariada refere-se a um conjunto de métodos estatísticos que torna possível relacionar simultaneamente múltiplas variáveis em uma única relação ou um conjunto de relações (CORRAR; PAULO; DIAS FILHO, 2009; HAIR et al., 2009). Estas técnicas são populares por permitir que se crie conhecimento, melhorando o processo de tomada de decisões (HAIR et al., 2009). É importante lembrar, no entanto, que o truque destas análises não está nos cálculos facilmente processados por programas estatísticos, mas em escolher e usar corretamente o método, saber interpretar os resultados e tirar conclusões certas (CORRAR; PAULO; DIAS FILHO, 2009).

A seleção da técnica multivariada adequada depende da resposta de 3 questões centrais: 1. Com base na teoria, as variáveis podem ser classificadas como dependentes ou independentes?; 2. Se sim, quantas delas são tratadas como dependentes em uma única análise; 3. Como essas variáveis são medidas? (HAIR et al., 2009). Sendo este estudo feito a partir de relação interdependente com uma estrutura de relações entre variáveis, a indicação é a técnica chamada Análise Fatorial Exploratória.

Esta técnica tem como propósito encontrar uma maneira de “resumir a informação contida em diversas variáveis originais em um conjunto menor de novas dimensões compostas ou variáveis estatísticas com uma perda mínima de informação” (HAIR et al., 2009, p. 104). Neste sentido, o objetivo do pesquisador pode ser agrupar casos (Análise Fatorial do Tipo Q) ou variáveis (análise fatorial do tipo R). Para a proposta deste trabalho, será realizada a análise fatorial do R. Para isto, foram tomadas várias decisões a partir dos passos sugeridos por Hair et al. (2009), representadas na figura 5.

Figura 5 – Estágios no processo de decisão da análise fatorial

Fonte: Elaboração própria a partir de Hair et al. (2009).

Planejamento Suposições fatores e avaliação Determinação de do ajuste geral Interpretação dos fatores Validação da análise fatorial

Na primeira etapa do processo, o planejamento, foram feitas três análises. A primeira foi a matriz de correlação entre as variáveis. A sua importância se dá pelo fato de que a análise fatorial é apropriada apenas quando as variáveis estão fortemente relacionadas (HAIR et al., 2009). A segunda análise foi referente ao tipo das variáveis utilizadas no teste. Segundo Hair et al. (2009) é mais prudente que sejam avaliadas escalas métricas. Por isso, excluiu-se da técnica de análise fatorial as variáveis V1, V2, V3, V4, V5 e V6 por serem não-métricas. A terceira análise nesta primeira etapa, foi em relação ao tamanho da amostra. Hair et al. (2009) sugere que a amostra mais aceitável tem uma proporção de 10 casos para cada variável testada. Assim, para este estudo, 460 casos seria uma amostra ideal.

A segunda etapa do processo são as suposições na análise fatorial. Neste ponto, Hair et al. (2009) ressalta que apesar do pesquisador se preocupar bastante em atender às exigências estatísticas, quando da utilização de técnicas multivariadas, na análise fatorial é mais importante a preocupação quanto ao caráter e composição das variáveis do que nas qualidades estatísticas. Dizem os autores,

de um ponto de vista estatístico, os desvios da normalidade, da homocedasticidade e da linearidade aplicam-se apenas porque eles diminuem as correlações observadas. Apenas a normalidade é necessária se um teste estatístico é aplicado para a significância dos fatores, mas esses testes raramente são usados. Na verdade, um pouco de multicolinearidade é desejável, pois o objetivo é identificar conjuntos de variáveis inter- relacionadas (HAIR et al., 2009, p. 109).

Assim, o teste de esfericidade de Bartlett fornece a significância estatística de que a matriz de correlação tem correlações significantes entre pelo menos algumas das variáveis. Outro teste importante é a medida de adequação da amostra (teste Kaiser-Meyer-Olkin) que permite verificar a qualidade das correlações entre as variáveis. Segundo Hair et al. (2009), ela é assim interpretada: 0,80 acima: admirável; 0,70 acima: mediano; 0,60 acima: medíocre; 0,50 acima: ruim; e abaixo de 0,50: inaceitável.

A terceira fase do planejamento da análise fatorial foi identificar o método de extração de fatores e a quantidade de fatores a excluir. A identificação dos fatores foi feita pelo método denominado Análise de Componentes Principais. Esta escolha se deu pelo fato de que a redução dos dados era uma questão fundamental da pesquisa (Hair et al., 2009) e havia grande interesse em determinar fatores que contivessem o maior grau de explicação da variância possível (CORRAR; PAULO; DIAS FILHO, 2009). Assim, o método escolhido para extração dos fatores foi a análise de componentes principais, uma vez que a intenção da pesquisa era de identificar o menor número de fatores que explicasse a parcela máxima da variância existente nas variáveis originais (CORRAR; PAULO; DIAS FILHO, 2009; HAIR et al., 2009)

Dentre as várias técnicas existentes para a escolha do número de fatores (critério autovalor, gráfico de declive, porcentagem de variância explicada), foi escolhido o critério da raiz latente ou autovalor, eigenvalue. A lógica desta técnica é que o autovalor corresponde a quanto o fator consegue explicar da variância, ou seja, “quanto da variância total dos dados pode ser associada ao fator. Como se trabalha com dados padronizados, cada variável tem média zero e variância igual a 1” (CORRAR; PAULO; DIAS FILHO, 2009, p. 86). Ou seja, os fatores com autovalores menor que 1 são menos significativos que a variável original. Portanto, apenas os fatores que apresentarem autovalores maiores que 1 são aceitos.

Na fase de interpretação de fatores, a rotação fatorial é a ferramenta mais importante pois melhora a interpretação, reduzindo algumas das ambiguidades da análise preliminar. Duas são as possibilidades de rotação: ortogonal e oblíqua. Para este estudo, o método rotacional ortogonal foi escolhido por simplificar as linhas e colunas da matriz fatorial, facilitando a interpretação dos dados (HAIR et al., 2009). A abordagem escolhida foi a rotação Varimax que tem como característica “o fato de minimizar a ocorrência de uma variável possuir altas cargas fatoriais para diferentes fatores, permitindo que uma variável seja facilmente identificada com um único fator” (CORRAR; PAULO; DIAS FILHO, 2009, p. 89).

Por último, foram avaliadas as confiabilidades da escala a partir de um teste de medida diagnóstica denominado Alfa de Cronbach. Segundo Hair et al. (2009) esta é a medida mais amplamente utilizada e tem como limite inferior aceito igual a 0,70.