Para avaliação do modelo proposto com base nas variáveis definidas para cada construto, utilizou-se a técnica de modelagem de equações estrutu- rais. Conforme proposto por Hair et al. (2005), tal técnica é uma extensão de di- versas técnicas multivariadas e permite representar conceitos não observados e estimar múltiplas e inter-relacionadas relações de dependência e sua utilização.
Um modelo de equações estruturais permite a incorporação de vari- áveis latentes, ou seja, que não são medidas diretamente. Pode-se dizer que uma variável latente representa um conceito teorizado, não observável, mas que pode ser aproximado por variáveis mensuráveis (manifestas). No presente estudo, as variáveis mensuráveis foram coletadas por meio do questionário aplicado aos 265 gestores e, após depuração do mesmo, chegou-se ao núme- ro final de 242 questionários válidos respondidos.
A figura do modelo teórico proposto no presente estudo constitui o que é chamado em equações estruturais de diagrama de caminho (FIGURA 12).
Figura 12 - Diagrama de caminhos do modelo teórico proposto
Capacidade de Gestão do Conhecimento Desempenho Empresarial Inovação Práticas de Recursos Humanos H1 H4 H5 H3 H2
O diagrama de caminhos da Figura 12 apresenta os relacionamen- tos entre as variáveis latentes propostas. Destaca-se que as variáveis latentes são classificadas em dois grupos: de primeira ou de segunda ordem. As variá- veis de primeira ordem são aquelas que são diretamente associadas aos itens avaliados no questionário. Já as variáveis latentes de segunda ordem são aquelas formadas a partir de um conjunto de variáveis latentes de segunda or- dem. Nesse sentido, as variáveis latentes inovação, práticas de RH e capaci- dade de gestão do conhecimento se configuram como de segunda ordem. Po- de-se avaliar um modelo teórico expandido onde ficam evidenciadas as variá- veis latentes de segunda ordem desse estudo (FIGURA 13).
Figura 13 - Modelo teórico proposto
As Práticas de RH são expressas nas variáveis latentes de primeira ordem treinamento, compensação, avaliação de desempenho, seleção e parti- cipação. Já a Gestão do Conhecimento é expressa na aquisição, compartilha-
mento e aplicação. A Inovação é expressa na inovação administrativa e na ino- vação técnica. As variáveis latentes de primeira ordem, por sua vez, são ex- pressas nos próprios itens medidos no questionário. Destaca-se que o desem- penho empresarial também é uma variável de primeira ordem (FIGURA 13).
Partindo-se do conceito de que uma variável dependente é um efeito presumido ou resposta a uma mudança na variável independente e esta, por sua vez, é a causa presumida de uma mudança na variável dependente (HAIR et al., 2005), observa-se, no diagrama de caminhos da Figura 13, que o cons- truto inovação está teorizado como dependente das Práticas de RH e da Ges- tão do Conhecimento, estas últimas atuando como variáveis independentes. O Desempenho Empresarial, por sua vez, é dependente das variáveis indepen- dentes Gestão do Conhecimento e da Inovação. Foi avaliada no modelo a por- ção (R2) da variabilidade das variáveis dependentes, que são explicadas pelas respectivas variáveis independentes (MESQUITA, 2010).
O modelo de equações estruturais se divide em dois modelos: o mo- delo de mensuração e o modelo estrutural. No modelo de mensuração, as vari- áveis manifestas, coletadas no questionário, constituem indicadores para as variáveis latentes (construtos). O relacionamento de tais itens com as respecti- vas variáveis latentes constitui o modelo de mensuração e o relacionamento entre as duas variáveis latentes, o modelo estrutural.
São estimados coeficientes para cada tipo de relacionamento. Tais coeficientes funcionam como as cargas fatoriais da análise fatorial exploratória, representando a correlação simples entre o item medido no questionário e o construto (modelo de mensuração) ou entre os construtos (modelo estrutural). Dessa forma, os coeficientes são números que variam de -1 a 1 e, quanto mai- ores em magnitude, maior o relacionamento entre o item e seu respectivo cons- truto.
Segundo Joreskog e Sorbom (1993), apud Brei e Liberalli Neto (2006), existem três possíveis aplicações da modelagem de equações estrutu- rais: 1) estritamente confirmatória; 2) utilização de modelos alternativos e 3) geração de modelos. Na primeira aplicação, o pesquisador tem um único mo- delo que é aceito ou rejeitado, baseado em sua correspondência ou não com os dados. O segundo caso é um pouco mais frequente que o primeiro, mas ainda restrito a situações em que há mais de um modelo a priori. A terceira si-
tuação parece ser a mais comum e ocorre quando o modelo inicial não se ajus- ta aos dados. Nesses casos, o modelo é modificado pelo pesquisador e é no- vamente analisado com os mesmos dados, com o objetivo de descobrir um modelo que tenha sentido em termos teóricos e que apresente correspondên- cia estatística razoável com os dados coletados.
Destaca-se que a modelagem utilizada neste estudo pode ser defini- da como geração de modelos, ou seja, foi avaliada a significância estatística do modelo proposto com o intuito de comprovar ou não as hipóteses formuladas; todavia, o modelo seria modificado com o intuito de descobrir um que possuís- se sentido teórico e razoável correspondência estatística. Conforme sugerido por Kline (2005), apud Milan (2012), é justificável que se procedam a reespeci- ficações no modelo, pois é pouco provável que um modelo especificado, em um primeiro momento, se torne uma representação plausível dos dados.
Conforme proposto por Hair et al. (2005), existem três pressupostos para estimação de um modelo estrutural pelo método LISREL: a) independên- cia das observações, b) amostras aleatórias de respondentes e c) linearidade. Em adição a tais pressupostos, ressalta-se que tal modelagem se mostra sen- sível ao desvio dos dados em relação à normal multivariada, situação onde ta- manhos maiores de amostra se mostram necessários.
Um método alternativo de utilização para a estimação das equações estruturais é o PartialLeastSquares (PLS), visto que se mostra mais flexível, não exigindo normalidade multivariada das variáveis e ainda trabalhando com um tamanho de amostra mais reduzido que o método LISREL (CHIN, 1998). Conforme apresentado anteriormente, os itens mensurados no questionário não seguem uma distribuição normal, o que reforça a utilização do PLS>.
Optou-se, neste estudo, pelo método PLS e o software utilizado para tal etapa foi o SmartPLS 2.0; e o modelo foi inserido tal qual foi concebido na argumentação teórica e apresentado na Figura 14.
Henseler (2009) indica que a avaliação de um modelo, utilizando o método PLS (estimado pelo SmartPLS 2.0), deve ser realizada em duas etapas conforme Figura 14.
Figura 14 - Avaliação do modelo estimado
Fonte: HENSELER, 2009.
A primeira etapa constitui a avaliação do modelo de mensuração. O primeiro critério a ser avaliado é a confiabilidade da consistência interna. Em geral, o critério tradicional utilizado é o Alfa de Cronbach, o qual fornece uma estimativa para a confiabilidade. Todavia, tal medida tende a subestimar a con- fiabilidade da consistência interna das variáveis latentes em modelos utilizando o PLS. Chin (1998) indica que a mesma deve ser avaliada prioritariamente se- gundo a confiabilidade composta e que tal valor deve ser superior a 0,7. Chur- chill (1979), apud Henseler (2009), recomenda eliminar indicadores do modelo de mensuração se sua carga é menor que 0.4 e se sua retirada aumenta signi- ficativamente a confiabilidade composta.
Conforme indicado por Henseler (2009), após a avaliação da confia- bilidade do modelo de mensuração, é importante avaliar sua validade. Nesse sentido, dois subtipos são usualmente verificados: validade convergente e vali- dade discriminante. A validade convergente significa que a série de indicadores representa um mesmo construto, que pode ser demonstrado pela sua unidi- mensionalidade. Para verificar a validade convergente, Fornell e Larcker (1981) sugerem o uso da variância extraída (AVE), indicando que esta deve ter o valor mínimo de 0,5. Valores acima desse patamar indicam que a variável latente está habilitada a explicar mais de 50% da variabilidade dos seus indicadores.
No processo de validação do modelo de mensuração, a última etapa realizada foi a de validação discriminante. Tal validação possui um conceito complementar ao da validação convergente: espera-se que dois conjuntos de indicadores (que representam dois conceitos teoricamente diferentes) não for-
Avaliação do modelo de mensuração
• Consistência e validade dos construtos reflexivos • Validade dos construtos formativos
Avaliação do modelo estrutural
• Explicação da variabilidade dos construtos endógenos • Relevância de predição
mem um fator unidimensional. Dois critérios para realização da validação dis- criminante são propostos: avaliação das cargas cruzadas dos indicadores e validação discriminante dos construtos.
Na avaliação das cargas cruzadas dos indicadores, espera-se que cada item possua carga mais alta com o construto ao qual pertence do que com qualquer outro (HENSELER, 2009). Para a validação discriminante dos construtos utilizou-se a proposição feita por Fornell e Larcker (1981). Nesse método, são obtidas as raízes quadradas das AVEs e seus valores são compa- rados com as correlações entre os diversos construtos. Quando a AVE é supe- rior às correlações, pode-se afirmar que existe a validade discriminante.
A segunda etapa da validação de um modelo de equações estrutu- rais, conforme Henseler (2009), baseia-se na avaliação do modelo estrutural. Nesse sentido, foi obtido o coeficiente de determinação (R2) para as relações entre as variáveis dependentes e suas respectivas variáveis independentes. O coeficiente R2 encontrado funciona da mesma forma que a verificada na re- gressão linear, ou seja, é um número que pode variar de 0 a 1 (0 a 100%), on- de valores mais próximos de 1 indicam que uma maior porção da variabilidade da variável dependente é explicada por suas variáveis independentes.
Após o ajuste do modelo, foram utilizadas estatísticas descritivas e a análise CHAID (Chi-Square Automatic Interaction Detector) para avaliação da existência de diferenças significativas entre os construtos considerados no es- tudo e variáveis de perfil da empresa. Tal técnica, proposta por Kass (1980), permite avaliar o relacionamento entre uma variável dependente e outras em nível categórico ou contínuo e o resultado é apresentado em forma de árvore, onde são apresentadas as variáveis preditoras que mais estejam associadas à variável dependente. Os subconjuntos resultantes apresentam uma maior ho- mogeneidade, internamente, em relação à variável dependente e com a maior heterogeneidade possível entre os subconjuntos formados. Os critérios de divi- são ou agrupamento utilizados nessa técnica foram fixados em 5%, ou seja, os subconjuntos possuem significativa diferença ao se utilizar o teste qui-quadrado (ao nível de 5%).
4 APRESENTAÇÃO DOS RESULTADOS
A seguir, são apresentados os resultados obtidos a partir da pesqui- sa realizada.