Para analisar a influência da jornada flexível de trabalho na QVT, foi adotada a análise fatorial e a regressão múltipla como técnicas estatísticas. A primeira possibilitou a adequação do modelo teórico à realidade abordada. A segunda permitiu quantificar o grau de influência que a flexibilidade pode exercer sobre a qualidade de vida.
Segundo Hair et al. (2005), o processamento da análise fatorial requer que, para cada variável do modelo, tenham-se no mínimo cinco questionários aplicados. Assim, para um modelo com 16 variáveis, como é o caso do instrumento utilizado para a QVT, seriam necessários 85 respondentes. Desse modo, foi preciso adotar procedimentos para a retirada de algumas variáveis.
A exclusão das questões foi feita com base nos processos apontados por Corrar, Paulo e Dias Filho (2007) .Os autores afirmam que o valor das comunalidades de cada variável deve ser próximo a um, para obter-se um maior grau de explicação. Desse modo, foram retiradas inicialmente as variáveis que apresentaram comunalidade abaixo de 0,50, uma vez que elas não apresentaram poder explicativo significante.
Outro procedimento de exclusão apresentado por Corrar, Paulo e Dias Filho (2007) teve como base os valores apresentados na matriz anti-image. Essa matriz indica o poder de explicação dos fatores em cada uma das variáveis analisadas. Para tanto, os números verificados foram aqueles localizados na diagonal da parte inferior da tabela. As questões que apresentaram valor abaixo de 0,50 foram consideradas insuficientes para o processamento da análise. Assim, esses procedimentos estatísticos indicaram variáveis que foram retiradas do modelo, sem causar danos ao mesmo.
Com base nos valores das comunalidades e da matriz anti-mage, as variáveis menos significantes foram excluídas. À medida que cada questão era desconsiderada, uma nova análise fatorial era processada para verificar o novo comportamento do instrumento. Esse procedimento foi repetido de modo a obter um instrumento com índices de comunalidades significantes.
Tabela 17 - Comunalidades do modelo de Qualidade de Vida no Trabalho
Initial Extraction A minha remuneração na EaD é necessária para que eu possa viver
dignamente dentro das minhas necessidades pessoais. 1,000 ,809
A minha remuneração na EaD é suficiente para manter o meu padrão
cultural, social e econômico na sociedade em que vivo 1,000 ,812
Sinto-me seguro no meu ambiente de trabalho 1,000 ,825
No meu trabalho não sofro constantes injúrias 1,000 ,833
Meu ambiente de trabalho é vulnerável a doenças 1,000 ,617
Por não estar próximo presencialmente da coordenação do curso, temo
que oportunidades de crescimento surjam, e eu não seja lembrado 1,000 ,743 Tenho contato freqüênte com todos os tutores do curso no qual
trabalho 1,000 ,825
Considero-me amigo da maioria das tutores do curso no qual trabalho 1,000 ,842 Expresso meus pontos de vistas aos coordenadores, sem medo de
represálias 1,000 ,841
Possuo um bom grau de privacidade no meu ambiente organizacional 1,000 ,705 Em meu trabalho, tenho a possibilidade de utilizar uma larga escala de
capacidades e de habilidades 1,000 ,560
Extraction Method: Principal Component Analysis. Fonte: Dados da pesquisa
Ao final do processo, foram retiradas seis variáveis do modelo inicial. As onze questões restantes detiveram um poder de explicação de 76,47% referente à variância dos dados.
Em uma análise de fatores, é importante considerar o teste de Kaiser-Meyer-Olkin (KMO). Segundo Corrar, Paulo e Dias Filho (2007), esse teste indica o grau de explicação dos dados, tendo como base os fatores detectados na análise fatorial. Caso o KMO indique um grau explicativo inferior a 0,50, significa que os fatores encontrados na análise fatorial não conseguem descrever de modo satisfatório as variações dos dados originais. O processamento das onze variáveis mais significativas, referentes ao modelo de QVT, apresentou um KMO de 0,52, sendo dessa forma, um índice aceitável, para fins de pesquisa.
Outro detalhe que se levou em consideração foi a escolha da rotação dos fatores. Optou-se pela rotação Varimax, dada a sua grande utilização na academia. Ela é caracterizada por minimizar a ocorrência da variação e possuir altas cargas fatoriais para diferentes fatores, permitindo, dessa forma, que uma variável seja facilmente identificada em um único fator (CORRAR; PAULO; DIAS FILHO, 2007).
Os fatores resultantes da análise fatorial coincidiram, em parte, com as dimensões da adaptação feita ao modelo de Walton (1975). A seqüência dos fatores foi disposta da seguinte forma:
� Fator 1: Condições de trabalho;
� Fator 2: Constitucionalismo e capacidades pessoais; � Fator 3: Integração social na organização;
� Fator 4: Compensação justa e adequada;
� Fator 5: Interação social e condições de trabalho.
O primeiro fator contemplou duas variáveis da dimensão “condições de trabalho”. Ambas abordaram as questões do ambiente físico.
O fator dois foi composto por duas variáveis da dimensão “constitucionalismo” e uma, da dimensão “uso e desenvolvimento das capacidades pessoais”. Os critérios envolvidos foram: privacidade, liberdade de expressão e variedade de habilidade, constituindo, dessa forma, um componente significante na análise de fatorial.
O terceiro fator, denominado “Interação social na organização”, é composto por duas variáveis do critério relacionamento.
O fator quatro levou o nome da dimensão: “compensação justa e adequada” pelo fato de ser constituído por questões que dizem respeito à remuneração adequada do colaborador.
O quinto e ultimo fator, por sua vez, não apresentou peso fatorial muito significativo ao unir duas variáveis pertencentes a dimensões distintas, no tocante ao modelo teórico. A primeira variável referia-se à “integração social na organização”, e segunda, às “condições de trabalho”.
Ao final da análise fatorial, foi aplicado o Alfa de Crombach em cada fator separadamente. Essa técnica avalia a medida de confiabilidade da amostra, que varia de 0 a 1, sendo o valor 0,50 considerado o limite inferior de aceitabilidade (HAIR et al., 2005). Todos os fatores apresentaram índices satisfatórios, com exceção do fator cinco, segundo se observa na tabela 18:
Tabela 18 - Alpha de Crombach dos fatores da Qualidade de Vida no Trabalho Fator encontrados na Análise Fatorial Alpha de Crombach
Fator 1 0,567
Fator 2 0,607
Fator 3 0,800
Fator 4 0,671
Fator 5 0,490
Fonte: Dados da pesquisa
Chama-se também a atenção para o terceiro fator, que proporcionou um índice de confiança fraco, pois apresentou um valor ligeiramente acima de 0,7, considerado limite superior para uma boa confiabilidade na visão de Hair et al. (2005).
Assim, a análise fatorial transformou as onze variáveis mais significantes do modelo de QVT em cinco fatores. Cada fator forneceu scores que viabilizaram a aplicação da regressão múltipla.
O objetivo principal da regressão é verificar a existência de dependência estatística de uma variável, denominada dependente em relação a uma ou mais variáveis independentes. Quando o estudo apresentar mais de um componente independente, aplica-se a regressão múltipla. Esta técnica multivariada permite a realização de projeções a partir dessa relação descoberta (CORRAR; PAULO; DIAS FILHO, 2007).
Assim, para verificar a influência que a flexibilidade exerce sobre a qualidade de vida no trabalho, adotaram-se como variáveis dependentes cada fator da QVT, separadamente. E como variáveis independentes, foram selecionadas três questões acerca dos componentes da jornada de trabalho, com base nos objetivos do estudo. Foram elas: a liberdade para mudar de turno; a flexibilidade na saída e na chegada ao trabalho; e a liberdade de trabalhar em casa.
Porém observou-se que essas variáveis independentes são de natureza qualitativa, por admitir respostas: sim e não. Segundo Corrar, Paulo e Dias Filho (2007), a análise de regressão não permite que variáveis não métricas sejam incluídas no processo diretamente. Entretanto pesquisas demonstram que a variável dependente pode ser influenciada por outras, de natureza essencialmente qualitativa.
Nesses casos, Corrar, Paulo e Dias Filho (2007) apresentam o seguinte procedimento: criar variáveis independentes dummy, também chamadas de binárias ou categóricas. Elas são usadas para indicar a presença ou ausência de algum atributo, assumindo apenas os valores: 1 e 0. O número 1 indica a presença da característica e o 0 indica a ausência.
Desse modo, para que a regressão fosse possível, foi necessário transformar as questões acerca da jornada de trabalho em variáveis dummy, uma vez que todas elas eram de natureza qualitativa. Ao final, foi viável processar a regressão múltipla entre os fatores da QVT e as variáveis dummy da jornada de trabalho.
A aplicação da regressão linear múltipla apresentou influência da flexibilidade apenas no segundo fator da QVT, denominado “constitucionalismo e capacidades pessoais”. O coeficiente de correlação foi aproximadamente 0,50. Esse índice representa um leve grau de associação entre a variável dependente e as variáveis independentes. Assim, quanto mais perto do número “um”, maior será a relação.
Além disso, a regressão demonstrou também um erro-padrão da estimativa de 0,92. Esse índice é “uma espécie de desvio-padrão em torno da reta de regressão. Quanto menor o erro-padrão da estimativa, melhor o modelo estimado” (CORRAR; PAULO; DIAS FILHO, 2007 p.143). Com essas informações conclui-se que a análise apresentou um desvio-padrão demasiadamente baixo, pois esse número pode variar muito, ultrapassando o algarismo um.
Para que a regressão seja significativa, o valor de Sig precisa necessariamente ser menor que alfa. O alfa é o nível de significância adotado, sendo α = 0,05. Assim, o Sig encontrado foi igual a 0,003, sendo, dessa forma, válido para a elaboração do modelo numérico de previsão.
Para melhorar a significância da pesquisa, a variável independente referente à flexibilidade na saída e na chegada ao trabalho foi retirada. Isso beneficiou consideravelmente os resultados da regressão múltipla.
No que se refere ao modelo de regressão, Corrar, Paulo e Dias Filho (2007) afirmam que ele é utilizado principalmente com o propósito de previsão, por meio da determinação de uma função matemática que busca descrever o comportamento de variáveis que se relacionam. Corrar, Paulo e Dias Filho (2007) continuam apresentando o seguinte modelo estatístico para a regressão linear múltipla:
Y = ß0 + ß1X1 + ß2X2 + ... + ßnXn Em que:
Y é a variável dependente;
X1, X2 ... Xn são as variáveis independentes; ß1, ß2 ... ßn são os parâmetros da regressão.
Para escrever o modelo de regressão, tomou-se como base a tabela de coeficientes proporcionada pela regressão:
Tabela 19 - Coeficientes de regressão Variáveis
Coeficientes B Std. Erro
Constante ,014 ,378
Trabalhar em em.casa (variável dummy) 1,085 ,333
Mudar de turno (variável dummy) -1,043 ,400
Fonte: Dados da pesquisa
Assim, com base nos coeficientes ß pode-se montar o seguinte modelo de regressão: Y = 0,14 + 1,09X1 – 1,04X2
A princípio o modelo encontrado induz a seguinte afirmação: a presença da variável
dummy “mudança de turno” provoca um força negativa ao fator “constitucionalismo e
capacidades pessoais” dos tutores; por outro lado, a presença do atributo: “trabalhar em casa” contribui positivamente para o fator analisado. Porém Corrar, Paulo e Dias Filho (2007, p.151) afirma: “A avaliação de uma boa ou má regressão múltipla está sempre atrelada à situação dos resíduos” por esse motivo, antes de tirar qualquer conclusão acerca do modelo montado, será aplicada a análise de residual com base nos seguintes testes: normalidade, homoscedasticidade e multicolinearidade.
Em primeiro lugar tem-se a normalidade dos resíduos. Para que a regressão seja válida, o conjunto de resíduos produzidos em todo o intervalo das observações deve apresentar distribuição normal, isso indica que os casos amostrados se dispõem normalmente em toda a extensão da população. Essa avaliação é feita com base no procedimento denomidado teste Kolmogorov-Smirnov (K-S), em que o Sig deve ser maior que α (geralmente estabelecido em 5% ou 1%) (CORRAR, PAULO E DIAS FILHO, 2007). Assim, conforme se observa na tabela 20, a normalidade dos resíduos foi atendida, pois o Sig é igual a 0,52.
Tabela 20 - Teste de distribuição normal - Kolmogorov-Smirnov Test
Standardized Residual
N 55
Normal
Paramétricos(a,b) Média Desvio Padrão ,98130676 ,0000000 Maior Diferença nos
Extremos Absoluto Positivo ,110 ,080
Negativo -,110
Kolmogorov-Smirnov Z ,815
Asymp. Sig. (2-tailed) ,520
O gráfico 16 também demonstra a tendência da distribuição normal que a amostra apresenta:
0,0 0,2 0,4 0,6 0,8 1,0
Observed Cum Prob 0,0 0,2 0,4 0,6 0,8 1,0 E x p e c te d C u m P ro b
Dependent Variable: Standardized Residual Normal P-P Plot of Regression Standardized Residual
Gráfico 16– Normalidade de Resíduos Fonte: Dados da pesquisa
Partindo para a segunda avaliação, tem-se a homoscedasticidade que consiste na variância que os resíduos mantêm em todo o espectro das variáveis independentes. Para que esse teste seja atendido a variância dos resíduos deve estar constante, essa constância é vista através do valor do Sig, que deve ser maior ou igual a 0,01 (CORRAR, PAULO E DIAS FILHO, 2007). Com base na tabela 21 pode-se afirmar que o as exigências da homoscedasticidade foram atendidas (Sig = 1) em outras palavras, a variância residual é constante para todas as observações referentes a cada conjunto de valores das variáveis independentes.
Tabela 21 – Índices ANOVA da Homoscedasticidade Modelo Soma de Squares DF Média Square F Sig. 1 Regressão ,000 1 ,000 ,000 1,000(a) Resido 52,000 53 ,981 Total 52,000 54
Vale ressaltar que a elaboração do gráfico da homoscedasticidade não é apropriada para a presente pesquisa, dada a utilização da escala Likert com apenas cinco níveis de concordância e as variáveis dummy que representam a presença e a ausência de algum atributo.
Por fim, o terceiro teste aplicado ao modelo de regressão elaborado foi a multicolinearidade dos resíduos que tem o objetivo de examinar a correlação existente entre as diversas variáveis independentes. “A situação ideal para todo pesquisador seria ter diversas variáveis independentes altamente correlacionadas com a variável dependente, mas com pouca correlação entre elas próprias” (CORRAR, PAULO E DIAS FILHO, 2007, p. 157).
A multicolinearidade gerou a tabela 22 que traz o valor da tolerância. Hair (2005) interpreta esse dado da seguinte forma: quando a tolerância apresentar valores abaixo de 0,10, a multicolinearidade é problemática; valores entre 1 e 0,10, a multicolinearidade é aceitável e valores até 1, não há multicolinearidade. Assim, com base na tabela gerada pode-se dizer que a equação de regressão analisada possui uma multicolinearidade aceitável, pois apresenta tolerância de 0,874 para todas as variáveis do modelo.
Tabela 22 – Teste da multicolinearidade de resíduos Modelo Unstandardized Coeficientes Standardized Coeficientes t Sig. Estatísticas de colinearidade
B Std. Error Beta Tolerância VIF
1 (Constant) ,014 ,378 ,038 ,970
Mudança de
turno -1,043 ,400 -,346 -2,606 ,012 ,874 1,144
Trabalho.em.
casa 1,085 ,333 ,432 3,253 ,002 ,874 1,144
Fonte: Dados da pesquisa
Os resultados favoráveis dos testes da análise de resíduo permitem afirmar que a equação, encontrada na regressão múltipla, é dotada de credibilidade. Assim, a “mudança de turno” influencia negativamente o fator “constitucionalismo e capacidades pessoais” dos tutores; por outro lado, o “trabalho em casa contribui de forma positiva para o fator analisado.