E-learning solutions

A pesquisa quantitativa inicia-se com a análise descritiva dos dados, seguindo-se a aplicação do modelo de correlação linear de Pearson e do modelo de regressão linear múltipla. Para o processamento estatístico dos dados foi utilizado o programa estatístico Statistical Package for the Social Sciencies (SPSS), versão 15 para Windows.

Após inseridos os dados de cada instrumento, IPED e EPJO, as questões foram agrupadas por dimensão. A partir desse agrupamento foram efetuados os cálculos das médias aritméticas, medidas separatrizes (medianas e os percentis), moda, desvios-padrão e coeficientes de variação. As medidas de tendência central e de dispersão obtidas contribuíram para identificar e comparar as dimensões de práticas éticas nas demissões entre si e para mensurar as dimensões das três dimensões inerentes à percepção de justiça organizacional, referentes ao segundo objetivo.

Para responder ao terceiro objetivo específico, foi aplicado o coeficiente de correlação linear de Pearson entre as quatro dimensões de práticas éticas na demissão e as três dimensões de justiça organizacional. Em se tratando de duas variáveis, sendo uma dependente, geralmente denominada de Y, e outra independente, comumente denominada de X, o coeficiente de correlação linear de Pearson (r de Pearson) mensura a existência (se houver), a intensidade e o sentido da associação linear entre as variáveis. Seu valor pode variar de 0 a ± 1, sendo que um coeficiente de correlação igual ou muito próximo de zero indica ausência de associação entre as variáveis e igual ou muito próximo de +1 ou –1 indica quão forte é a associação. O sinal informa sobre o sentido positivo ou negativo da associação. (GUJARATI, 2006). A pesquisa realizada objetiva, então, identificar a provável existência e o grau de associação entre práticas éticas na demissão e percepção de justiça organizacional.

Para aprofundar os dados da associação, foram realizadas análises de regressão linear múltipla da percepção de justiça organizacional (variável dependente) e as práticas éticas na demissão (variável independente). A análise de regressão linear múltipla tem como principal

objetivo investigar a relação entre uma variável dependente, ou explicada, e as variáveis independentes, ou explicativas, de um determinado fenômeno, mostrando também a importância de cada variável independente para a predição da variável dependente. Trata-se de um modelo aditivo, no qual as variáveis preditoras somam-se na explicação da variável critério. O resultado de uma regressão linear múltipla é uma superfície que representa a melhor predição ou explicação de uma variável dependente a partir de diversas variáveis independentes. De acordo com Gujarati (2006), a equação da regressão linear múltipla pode ser representada por: Y = βo + β1 X + β2X2 + β3X3 + ... + βnXn + Єi, onde Y é a variável

dependente; β0 representa o intercepto entre a reta e o eixo ortogonal; os βi são os parâmetros

populacionais e Єi são os erros populacionais. Dado que a equação populacional não pode ser

observada diretamente, a solução encontrada é a sua estimação, a partir de técnicas que minimizem os erros entre os valores populacionais e os valores estimados, gerando a seguinte equação: pXp X X X i ˆ ˆ ˆ ˆ ... ˆ ˆ 3 3 2 2 1 1 0       Onde ˆié o estimador da Yi Os iˆ são os estimadores dos βi

e os  são os resíduos, estimadores do erro populacional, definidos como a diferença entre os valores observados e preditos, ou seja, i =



 ˆ . ii



A qualidade do modelo de regressão linear múltipla pode ser investigada pelo coeficiente de determinação R2, notadamente pelo coeficiente R2 ajustado. Segundo Gujarati (2006, p.65), R² “é uma medida resumida que diz o quanto a linha de regressão amostral se ajusta aos dados”. Com o intuito de tornar compreensivo esse conceito examina-se uma explicação heurística do R², tomando como base o diagrama de Venn. O referido diagrama será mostrado na Figura 4.

Figura 4 - Diagrama de Venn ou Ballentine Fonte: Gujarati (2006, p.66)

Na Figura 4, o círculo Y representa a variação da variável dependente Y e o círculo X representa a variação da variável explicativa X. A sobreposição dos dois círculos indica até que ponto a variação em Y é explicada pela variação em X. Quanto maior a sobreposição, maior a variabilidade de Y explicada pela variação em X. O R² é uma medida numérica dessa sobreposição. A área sobreposta é crescente da esquerda para a direita, ou seja, uma proporção cada vez maior da variação em Y é explicada por X, o que implica que o R² aumenta. Quando não há sobreposição, R² é zero; mas quando a sobreposição é completa, R² é 1, ou seja, 100% da variação em Y é explicada por X. Dessa forma, Gujarati (2006, p. 67) afirma que o coeficiente de determinação constitui o “indicador mais usado para medir a qualidade do ajustamento de uma linha de regressão”

O nível de significância

α

indica o grau de confiança na decisão tomada. Um nível de significância de 5% indica 95% de segurança na fidedignidade dos resultados; no entanto, há 5% de chance de a conclusão não estar correta. A probabilidade de obter resultados significativos é maior quando a magnitude do efeito é grande, isto é, quando as diferenças entre os grupos são grandes e a variabilidade dentro dos grupos é pequena (COZBY, 2003).

Os diversos pacotes estatísticos utilizam o nível descritivo do teste de hipótese, denominado de p-valor, que é definido como o menor nível de significância (α) que pode ser assumido para se rejeitar a hipótese nula (H0). Em um teste estatístico, normalmente, são formuladas duas hipóteses chamadas hipótese nula (H0) e hipótese alternativa (HA). A hipótese nula é aquela que é colocada à prova, enquanto a hipótese alternativa é aquela que será considerada como aceitável, caso a hipótese nula seja rejeitada. Para testar os parâmetros de um modelo de regressão linear múltipla, utiliza-se usualmente a análise de variância, na qual se compara a variação explicada com a variação não explicada da variável dependente. Essa relação tem distribuição F, com p e (n–p–1) graus de liberdade, sendo p o número de regressores e n o tamanho da amostra. No referido teste a hipótese nula refere-se à afirmativa de que todos os coeficientes estimados



ˆ₁,ˆ₂,ˆ₃,...ˆp



, exceto o intercepto, sejam iguais a zero, enquanto a hipótese alternativa é definida para o caso em que pelo menos um dos coeficientes de regressão estimados seja diferente de zero.

Rejeitar a hipótese nula implica em afirmar que existe “significância estatística” ou que o resultado obtido é “estatisticamente significante”. Ressalta-se que o nível de significância “α” é um valor arbitrado previamente pelo pesquisador, enquanto o nível descritivo (p-valor) é calculado de acordo com os dados obtidos. Fixado “α” e calculado o “p- valor” a decisão de aceitar ou rejeitar a hipótese nula (H0) baseia-se na comparação entre

esses dois valores, de forma que se o valor de “p” for menor que o nível de significância

arbitrado “α” deve-se concluir que o resultado é significante, pois o erro está dentro do limite

fixado. Por outro lado, se o valor de “p” for superior à “α” significa que o menor erro possivelmente cometido ainda é maior do que o erro máximo permitido, o que nos levaria a concluir que o resultado é não significante, pois o risco de uma conclusão errada estaria acima do que se deseja assumir. Segue abaixo um esquema que resume a regra de decisão descrita.

p-valor < α Rejeitar H0 Diferença Resultado estatisticamente

significante

p-valor > α Não rejeitar H0 Igualdade Resultado estatisticamente

não-significante

Segundo Paes (1998), a vantagem de utilizar o nível descritivo é devido à possibilidade de se “quantificar” a significância, ou seja, as respostas do tipo “sim ou não” tradicionais nos testes estatísticos são substituídas pelos valores da informação, no sentido de “quanto”. A autora mostra o seguinte exemplo:

Resposta usual p-valor

(*) ou p < 0,05 p = 0,0002 e p = 0,048 Não significativos p = 0,085 e p = 0,987

No primeiro caso, os dois resultados são “significantes”, porém o valor de 0,0002 expressa uma significância mais elevada que 0,048. Outro fato importante é que p=0,048 é um valor muito próximo do nível de significância usualmente utilizado (α=5%), o que pode causar dúvidas ou ressalvas na tomada de decisão. No segundo exemplo têm-se dois resultados não significantes, sendo que o segundo valor (p=0,987) praticamente não expressa significância estatística nenhuma, dado que o erro é de quase 100%. Já o primeiro valor (p=0,085) embora não seja significante ao nível de 5% é um valor bastante indicativo. Portanto, é mais confiável e informativo expressar as conclusões dos testes de significância estatísticas a partir dos valores exatos do p-valor do que simplesmente comparar os valores calculados dos testes com aqueles tabelados a 5%, ou outro valor de α fixado previamente.

Segundo Charnet et al. (1999), existem três tipos de ingresso de variáveis na regressão linear múltipla: forward – “passo a frente”, quando a equação começa vazia e cada variável independente ingressa, uma por uma, na equação; stepwise – “passo a passo” consiste na forma generalizada do método forward, que permite, alternadamente, eliminações e inclusões das variáveis independentes no modelo; backward - “passo atrás”, quando todas as variáveis

independentes são incluídas de uma única vez na equação e, depois são retiradas, uma a uma, até que se identifiquem os melhores preditores.

Essa pesquisa utilizou o método backward, objetivando delinear o modelo de regressão linear múltipla que melhor explica a variação do componente Y da escala de percepção de justiça organizacional em função da identificação das práticas éticas.

Freqüentemente, é necessário incorporar ao modelo de regressão linear múltipla uma informação de natureza qualitativa e, portanto, de difícil, ou mesmo impossível, quantificação. Nesses casos, utilizam-se as variáveis dummies para captar a influência de uma característica ou atributo qualitativo sob a variável explicada. Uma variável dummy assume apenas os valores 0 ou 1 para indicar se determinada condição é satisfeita (valor 1) ou não (valor 0) para cada indivíduo da amostra (GUJARATI, 2006). Nesta pesquisa foi utilizada uma variável dummy, referente à área de trabalho.

In document ICT, learning & value creation: strategies missing? (sider 65-69)