Erfaringer med trekantsamarbeid

Após a verificação dos pressupostos da análise multivariada, buscou-se avaliar se houve congruência entre as medidas efetuadas e a teoria subjacente, por meio da avaliação da qualidade das medições (NETEMEYER et al., 2003, p. 1). Neste tópico, estão descritos os procedimentos utilizados para esse fim.

6.4.4.1 Análise da dimensionalidade

Toda análise da qualidade da medição perpassa pela avaliação do número de dimensões subjacentes a um construto. A dimensionalidade de uma escala indica o número de causas comuns subjacentes, ou seja, o número de fatores latentes nos dados (NETEMEYER et

al., 2003, p. 18). Com o intuito de avaliar este pressuposto, empregou-se a Análise Fatorial

Exploratória, conforme sugestão de Hair Jr. et al. (2005) e Tabachnick e Fidel (2001, p. 585). Partindo-se da extração por componentes principais, com o intuito de reduzir o conjunto de dados ao menor número possível de fatores com perda mínima de informação (MALHOTRA, 2001, p. 507), identificaram-se fatores latentes com base no critério de autovalores maiores

que 1 e screeplot (conjugando-se julgamentos conceituais sobre as escalas) e usando a rotação

direct oblimin (permitindo fatores correlacionados).

Buscando avaliar a qualidade da AFE, empregaram-se neste trabalho três medidas: 1) o valor Kaiser-Meyer-Olkin (KMO) de adequação da amostra, que deveria ser maior que 0,6 (MALHOTRA, 2001);

2) as comunalidades das variáveis (h2), que deveriam ser superiores a 0,40, para indicar que o fator extraído é capaz de explicar parcela considerável da variância dos indicadores (NICOLAO; ROSSI, 2003, p. 12); e

3) variância extraída superior a 60% (TABACHNICK; FIDEL, 2001, p. 644).

6.4.4.2 Análise da confiabilidade

Quando são desenvolvidos questionários, como é o caso deste estudo, é importante assegurar que os dados obtidos por meio deles efetivamente reflitam informações válidas e confiáveis. A análise de confiabilidade é uma tentativa de avaliar se as escalas produzem medições coerentes dos construtos quando medidas repetidas dos objetos são efetuadas. É possível avaliar essa condição por meio da avaliação da consistência interna, como destacam Netemeyer et al. (2003, p. 46), usando o coeficiente alfa de Cronbach ( ), comumente empregado para esse fim, que foi utilizado nessa pesquisa. Estas medidas indicam o percentual de variância das medidas que estão livres de erros aleatórios. O alfa de Cronbach pode variar de 0 a 1, sendo que quanto mais próximo de 1 maior a confiabilidade da escala. Segundo Hair Jr. et al. (2005), um valor acima de 0,70 reflete uma fidedignidade aceitável, embora reconheçam que esse valor não é um padrão absoluto. Já para Malhotra (2001) o valor de corte a ser considerado é 0,60, sendo esse o critério utilizado para esse estudo.

6.4.4.3 Validade de construto: convergente, discriminante e nomológica

Na etapa de avaliação da validade convergente, o intuito foi verificar o quanto as medidas são livres do erro total (CHURCHILL; IACOBUCCI, 2002, p. 413), incluindo neste caso erros sistemáticos que afetam todos os indicadores de maneira uniforme (NETEMEYER

et al., 2003, p. 71).

Para auferir a validade de construto das medidas, aplicou-se métodos de solução de equações simultâneas com variáveis latentes, com o intuito de verificar o grau de correspondência entre o instrumento concebido e os construtos teóricos (NETEMEYER et al.,

2003, p. 76), pois estes são capazes de avaliar problemas de mensuração complexos e entre múltiplos relacionamentos de dependência em uma única ferramenta (TABACHNICK; FIDEL, 2003, p. 655). Neste caso, usualmente o termo modelagem de equações estruturais refere-se a procedimentos de ajuste de equações entre variáveis latentes e observadas a uma estrutura de covariância, usando métodos que, em regra, assumem a normalidade multivariada e exigem amostras relativamente grandes para obter estimativas confiáveis (HAENLEIN; KAPLAN, 2004, p. 283). De fato, dentre as aplicações da área de Administração, principalmente em marketing, o “LISREL tem sido empregado para estimação de parâmetros em praticamente todas as aplicações de equações estruturais” (FORNELL; BOOKSTEIN, 1982, p. 440).

Tais condições, todavia, dificilmente são obtidas na prática, o que resulta na penalização do ajuste do modelo (KLINE, 1998, p. 128), soluções impróprias e estimativas sub-estimadas dos pesos e erros padrão (TABACHNICK; FIDEL, 2001, p. 692). Como neste estudo a amostra em cada grupo é relativamente pequena, uma estimativa por meios tradicionais poderia implicar penalidades do modelo (MOOIRJAART; MONTFORT, 2004).

A despeito de a amostra de fabricantes alcançar um patamar genérico aceitável de 200 casos (HAIR Jr. et al., 2005), usando o número de parâmetros na matriz de correlação seriam necessários 920 elementos em cada sub-amostra, considerando já um número reduzido de 40 variáveis no modelo (40 x 41 / 2). Usando o critério menos rigoroso, de cinco observações para cada parâmetro estimado no modelo estrutural, seriam necessários 420 questionários em cada sub-amostra (TABACHNICK; FIDEL, 2001, p. 660). Desse modo, para além de malogrado o uso de um procedimento tradicional, devido ao tamanho da amostra, tais condições vêem ainda deterioradas em razão de possíveis desvios da normalidade. Assim, uma opção plausível teve que ser determinada por consequência.

Uma alternativa que tem se tornado popular neste cenário são os métodos de estimação de múltiplos estágios, especialmente o método de estimação por Mínimos Quadrados Parciais (Partial Least Squares - PLS) (HAENLEIN; KAPLAN, 2004). Conforme comentam Fornell e Bookstein (1982, p. 441), tais modelos têm se tornado populares, pois não fazem suposições sobre a distribuição das variáveis observadas ou latentes e têm exigências bem inferiores em termos do tamanho da amostra. Chin (1998) sugere que o tamanho mínimo da amostra a ser utilizada em um estudo com PLS seja de 5 a 10 vezes o bloco de indicadores do construto com maior número de indicadores formativos ou o construto que tenha o maior número de variáveis independentes (maior quantidade de setas que chegam). Neste estudo, isso significa uma amostra mínima de 50 elementos para testar o

modelo, permitindo um teste adequado do modelo em ambos os grupos. Por tal razão, o PLS foi o método eleito para aplicação neste estudo.