A abordagem quantitativa descritiva foi empregada para apresentar o perfil dos sujeitos da pesquisa quanto à região em que atua, à sua área de formação acadêmica, tipo de instituição (pública ou privada), natureza da missão acadêmica (politécnica ou universidade), cargo que ocupa e o número total de parcerias formais de cooperação entre a universidade e empresas industriais.
Para alcançar os objetivos da pesquisa, as respostas foram tratadas através de análise fatorial exploratória para identificação dos fatores determinantes e influenciadores do
fenômeno em análise (interação entre universidade e indústria), bem como para conferir validade ao instrumento de coleta que, como já discutido, foi construído especificamente para esta pesquisa. Também foram realizadas análises de correlação e covariância entre as variáveis explicativas (independentes) e as variáveis dependentes do estudo.
Para estas finalidades, a análise dos dados foi realizada por meio do uso do programa computacional de tratamento estatístico de dados Statistical Package for Social
Sciences (SPSS), em sua versão 21.0.
A segunda etapa de análise teve como objetivo avaliar o modelo estrutural proposto no estudo. Para tanto, recorreu-se à técnica de Modelagem de Equações Estruturais (SEM – Structural Equations Modeling) para realizar uma análise fatorial confirmatória, na qual, segundo Hair et al. (2009), o pesquisador está preocupado prioritariamente em confirmar a validade do modelo proposto para explicar o fenômeno sob investigação. Neste caso, o recurso computacional adotado foi o software Analysis of MOment Structures (AMOS), versão 20.0.0.
3.9.1 Etapas de análise dos dados
Inicialmente, visando a identificar padrões de respostas e o formato das distribuições das mesmas, foram adotadas análises de estatísticas descritivas – média, desvio- padrão, coeficiente de variação, curtose e assimetria.
As medidas de assimetria e curtose servem para comparar a forma da distribuição dos dados de uma pesquisa com uma forma teórica, como a distribuição normal (FÁVERO et al., 2009). A maior parte das variáveis do estudo atende ao requisito de normalidade da distribuição, com valores entre -1 e +1 para ambas as medidas (COSTA, 2011). Para aquelas que excederam tais limiares, atenção especial foi dada durante as etapas seguintes, pois isso é um indício de possíveis problemas na análise fatorial, em termos de cargas fatoriais e comunalidades. Adicionalmente, recorreu-se ao teste de Kolmogorov-Smirnov para confirmar a hipótese de normalidade das variáveis.
Em seguida, foram realizados testes de correlação entre as variáveis de cada construto, verificando assim, existência de colinearidade entre as mesmas. Segundo Hair et al. (2009), se o coeficiente de correlação é igual a 1, há colinearidade completa; se igual a 0, não há nenhuma colinearidade.
Em se tratando de modelos baseados em construtos refletivos, consideram-se ideais níveis de correlação entre 0,2 e 0,9. Se abaixo de 0,2, provavelmente os itens não
estarão variando bem em conjunto com os demais; e se acima de 0,9, diz-se que os itens são praticamente colineares, sendo recomendável a exclusão de um deles (COSTA, 2011).
O estudo dos coeficientes de correlação é importante para a decisão de se realizar uma análise fatorial, tendo em vista que a mesma somente é adequada quando a maior parte das correlações entre os indicadores é superior a 0,30 (HAIR et al., 2009).
A segunda etapa da análise dos dados se refere à avaliação de medida dos construtos do modelo proposto, através de Análise Fatorial Exploratória (Exploratory Factor
Analysis – EFA) e do cálculo dos coeficientes de confiabilidade da escala elaborada para cada
construto.
O objetivo da EFA é “identificar um número relativamente pequeno de fatores comuns que podem ser utilizados para representar relações entre um grande número de variáveis inter-relacionadas.” (FÁVERO et al., 2009, p. 236). Isso permite a simplificação (redução) dos fatores, mantendo suficiente capacidade explicativa do modelo proposto, a partir das cargas fatoriais obtidas para cada item.
O método dos componentes principais foi empregado para a extração dos fatores, dado que o objetivo inicial foi a redução dos dados originais para obter o mínimo número de fatores com o máximo de variância total explicada (HAIR et al., 2009). Este método, segundo Costa (2011), é mais utilizado para procedimentos exploratórios, como é o caso. Associado à extração por componentes principais, foi utilizado o método de rotação ortogonal Varimax, Adotou-se a abordagem rotacional Varimax, uma rotação ortogonal que facilita a interpretação dos fatores por tentar aproximar as cargas fatoriais de +/- 1 ou de 0.
A verificação da consistência interna entre os itens de cada construto é um passo indispensável para a construção de escalas, e a medida mais comumente adotada é o Alpha de
Cronbach (COSTA, 2011). Trata-se de uma medida de confiabilidade que avalia a
consistência interna, ou seja, mede a intercorrelação existente entre um conjunto de itens de um dado construto, ou da escala como um todo (COSTA, 2011), sendo geralmente considerado como limite inferior aceitável um valor de alpha igual a 0,7 ou, para o caso de procedimentos exploratórios, 0,6 (HAIR et al., 2009).
Uma vez concluída a fase da EFA, deu-se início à terceira etapa de análise dos dados, centrada na validade do modelo teórico proposto, por meio de análise fatorial confirmatória (Confirmatory Factor Analysis – CFA), com modelagem de equações estruturais.
Embora seja comum encontrar na pesquisa social recomendações de tamanho de amostra superiores a 200 elementos – às vezes 300 –, respeitadas algumas condições de
viabilidade mínimas, é possível trabalhar com amostras que possuem entre 100 e 150 elementos. Tais condições, de acordo com Hair et al. (2009), são (i) construtos com mais de três itens, e (ii) comunalidades maiores ou iguais a 0,6.
A modelagem de equações estruturais é uma técnica estatística aplicada para testar a validade de modelos teóricos que definem relações de causalidade hipotéticas entre variáveis (MARÔCO, 2010). Uma de suas vantagens é tornar possível analisar as relações de dependência simultaneamente. Por meio destes testes foi possível avaliar os índices de ajustamento do modelo.
Os índices de ajustamento têm duas principais finalidades: (i) avaliar a extensão em que o modelo consegue predizer a matriz de covariância observada, o que, em última análise, significa aferir o grau de aderência entre a teoria de que se valeu o pesquisador e os dados reais da amostra (também chamado de ajustamento absoluto); e (ii) aferir a relação entre a qualidade do ajuste de um modelo e sua complexidade interna para, em seguida, comparar com a mesma relação presente em um modelo alternativo (ajustamento parcimonioso) (HAIR et al., 2009). Os índices de ajustamento adotados neste estudo foram o qui-quadrado relativo (X²/Gl), RMSEA, GFI, AGFI, CFI, NFI e TLI.
Por fim, foram realizadas análises de regressão linear múltipla, em que se observaram as relações entre as variáveis independentes e sua capacidade para explicar a variável dependente, testando sucessivos modelos para obter aquele com melhor poder preditivo. O quadro 18 relaciona as análises estatísticas aplicadas aos respectivos objetivos e questões de pesquisa.
Quadro 18 – Objetivos, questões de pesquisa e análises estatísticas utilizadas
Fonte: Elaborado pelo autor.
Objetivos da Pesquisa Questões de Pesquisa Variáveis Análise Estatística
1. Investigar a percepção dos gestores acadêmicos de pesquisa sobre a influência dos
fatores relacionados à reputação da universidade na propensão à cooperação com
a indústria para pesquisa e inovação.
Como os gestores acadêmicos de pesquisa percebem a influência da reputação da universidade sobre a propensão a cooperar
com a indústria?
ReputUniv_1 até ReputUniv_6
Estatística Descritiva
2. Investigar a percepção dos gestores acadêmicos de pesquisa sobre a influência dos
determinantes contextuais, exógenos à universidade, na propensão à cooperação com
a indústria para pesquisa e inovação.
Como os gestores acadêmicos de pesquisa percebem a influência dos determinantes contextuais sobre a propensão à cooperação
com a indústria?
DetContext_1 até DetContext_6
Estatística Descritiva
3. Verificar a percepção dos gestores acadêmicos de pesquisa sobre a influência dos
benefícios advindos da cooperação com a indústria na propensão da universidade a
cooperar.
Como os gestores acadêmicos de pesquisa percebem a influência dos benefícios advindos da cooperação com a indústria na
propensão da universidade a cooperar?
BenefCoop_1 até BenefCoop_4
Estatística Descritiva
4. Verificar a percepção dos gestores acadêmicos de pesquisa sobre a influência das
barreiras à cooperação com a indústria na propensão da universidade a cooperar.
Como os gestores acadêmicos de pesquisa percebem a influência das barreiras que dificultam a cooperação com a indústria na
propensão da universidade a cooperar?
BarrCoop_1 até
BarrCoop_7 Estatística Descritiva 5. Investigar a percepção dos gestores
acadêmicos de pesquisa sobre a influência dos aspectos de governança do relacionamento de cooperação na propensão da universidade a
cooperar.
Como os gestores acadêmicos de pesquisa percebem a influência dos aspectos referentes
à governança dos relacionamentos entre universidade e indústria na propensão da
universidade a cooperar?
GovernRel_1 até GovernRel_9
Estatística Descritiva
A reputação da universidade se relaciona com a propensão à cooperação de pesquisa com a
indústria, na percepção dos gestores acadêmicos de pesquisa? Todas acima, e PropenCoop_1 até PropenCoop_6 Análise de correlação, Análises Fatoriais Exploratória e Confirmatória, Modelagem de Equações Estruturais e Regressão Linear Múltipla Os determinantes contextuais se relacionam
com a propensão à cooperação com a indústria, na percepção dos gestores
acadêmicos de pesquisa? Todas acima, e PropenCoop_1 até PropenCoop_6 Análise de correlação, Análises Fatoriais Exploratória e Confirmatória, Modelagem de Equações Estruturais e Regressão Linear Múltipla Os benefícios advindos da cooperação de
pesquisa com a indústria se relacionam com a propensão da universidade a cooperar com a
indústria, na percepção dos gestores acadêmicos de pesquisa? Todas acima, e PropenCoop_1 até PropenCoop_6 Análise de correlação, Análises Fatoriais Exploratória e Confirmatória, Modelagem de Equações Estruturais e Regressão Linear Múltipla As barreiras à cooperação com a indústria se
relacionam com a propensão da universidade a buscar parcerias de cooperação, na percepção dos gestores acadêmicos de
pesquisa? Todas acima, e PropenCoop_1 até PropenCoop_6 Análise de correlação, Análises Fatoriais Exploratória e Confirmatória, Modelagem de Equações Estruturais e Regressão Linear Múltipla A governança do relacionamento de
cooperação se relaciona com a propensão da universidade a cooperar com a indústria, na
percepção dos gestores acadêmicos de pesquisa? Todas acima, e PropenCoop_1 até PropenCoop_6 Análise de correlação, Análises Fatoriais Exploratória e Confirmatória, Modelagem de Equações Estruturais e Regressão Linear Múltipla Objetivo Geral. Verificar a relação entre cada
um dos fatores antecedentes da cooperação entre universidade e indústria e a propensão da universidade a cooperar, conforme a percepção dos gestores acadêmicos de
4 ANÁLISE DOS RESULTADOS
Neste capítulo são apresentados os resultados obtidos a partir da análise dos dados da pesquisa. São apresentados e discutidos o perfil dos respondentes, as estatísticas descritivas das amostras, as análises de correlação entre os indicadores avaliados para cada amostra, as análises fatoriais exploratória e confirmatória que validaram as escalas propostas; também é abordado o modelo de equações estruturais explicativo das relações entre construtos estudadas neste trabalho e, por fim, discutem-se os resultados da análise de regressão linear que analisou as relações entre variáveis independentes e dependente.