Interaction of stress and syllabication conditions

Em análises multivariadas de dados, um dos problemas mais recorrentes, resulta de omissões ou da recusa de resposta por parte dos respondentes dos questionários gerando os denomimados dados em falta, e que assumem relevância, quando apresentam um padrão não aleatório ou quando mais de 10% dos itens estão em falta (HAIR et al., 2009; JACCARD e WAN, 1996).

Considerando que a MEE é uma técnica sensível à dimensão da amostra e à ocorrência de dados em falta na mesma, para efeitos de análise dos dados em falta, foi aplicada a

missing value analysis (MVA) do SPSS 17.0.

Neste estudo, não foram identificados dados ausentes, pois os procedimentos de pesquisa foram planejados e implementados de modo a evitar que os respondentes dessem respostas ambíguas ou que ocorresse a omissão de respostas válidas. Deste modo, não foi necessário promover nenhum tratamento específico para dados ausentes.

As avaliações que estão fora dos padrões, usualmente se caracterizam pela falta de coerência ou apresentam valores extremos, podem ensejar o surgimento de casos denominados de outliers (HAIR et al.,2009). Nesta circunstância, Tabachnick e Fidell, (2007) recomendam a aferição do grau em que essas respostas são oriundas da população de interesse, com o propósito de decidir se devem ou não ser consideradas nas estimativas produzidas.

Segundo Kline (2011), quando se considera cada variável de modo isolado, pode ocorrer o aparecimento de outliers univariados. Para identificar tais ocorrências, foi utilizado um limite moderado, segundo o intervalo Z que, considerando um valor p<0,001, resulta em um valor de: |Z|>2,58 (TABACHNICK E FIDELL, 2007). De acordo com este critério, nenhum outlier uni variado foi detectado.

Para determinação de casos extremos denominados de multivariados foi empregado a distância de Mahalanobis (D2) como forma de avaliar se os casos estão efetivamente díspares em relação ao disciplinamento do banco de dados (KLINE, 2011). Tabachnick e Fidell (2007) recomendam o estabelecimento de níveis bastantes conservadores para a caracterização de um caso multivariado e classificam como outlier multivariado a ocorrência de um caso com probabilidade inferior a 0,1%. Portanto após a avaliação de cada caso, foram detectados e eliminados 26 outliers multivariados.

164

6.3.2. Pressupostos dos métodos de análise

Nesta pesquisa foi considerado o padrão de distribuição das variáveis para atendimento aos pressupostos exigidos para a aplicação de MEE: normalidade, linearidade e multicolinearidade. Uma variável é normalmente distribuída quando a maioria dos valores se encontra em torno da média, diminuindo progressivamente na medida em que se afastam dela, simetricamente nos dois sentidos. Além da normalidade uni variada, é necessário que os dados cumpram o requisito de normalidade multivariada. Neste caso, optou-se pela utilização da estimativa normalizada associada ao coeficiente de Mardia para avaliar a significância do achatamento multivariado (MARDIA, 1970). Para Tabachnick e Fidell (2007), para utilização da MEE, a não existência de multicolinearidade, caracterizada por variáveis com uma distribuição de valores idêntica a que se obtêm, pela formação de uma combinação linear de outras variáveis, presentes na amosta, também é um pressuposto a ser atendido.

6.3.2.1 Análise da normalidade

Com o propósito de analisar a normalidade dos dados foram realizados testes estatísticos com o software AMOS para verificação de assimetria e curtose de cada uma das variáveis observadas consideradas no modelo. Para testar a existência de diferenças estatisticamente significantes com referência à normalidade multivariada foram também realizados testes univariadaos e multivariados de assimetria e de curtose.

No que se refere à normalidade univariada, em termos de assimetria, os valores acima de |3,00| refletem assimetria elevada, enquanto que para o caso dos valores de curtose acima de |8.00| significam situações extremamente graves. Bollen (1989) considera a existência da normalidade multivariada, quando o coeficiente de Mardia ( ) é inferior a p*(p+2), onde p é o número de variáveis observadas no modelo.

Em nível univariado, verifica-se que, para as variáveis analisadas, não existem desvios significativos da normalidade, ou seja, estatisticamente, diferentes de zero. Em contrapartida os testes multivariados apresentaram evidências de violação da normalidade. Para completar a análise foram realizados testes não paramétricos de Kolmogorov-Smirnov e de Shapiro-Wilk,

165 relatados em Chakravarti et al. (1967) e Shapiro e Wilk (1965), com SPSS que confirmram a existência de violações à normalidade.

Uma amostra com quatrocentos e cinquenta questionários válidos foi submetida ao teste de normalidade. Os resultados referentes à avaliação da amostra indicaram que os valores máximos absolutos de assimetria e curtose foram 0,457 e 1,496, respectivamente. Estes valores estavam bem abaixo dos seus pontos de corte considerados, sendo três para assimetria e oito para a curtose, conforme sugerido por Kline (2011), o que implica que as variáveis observadas na amostra foram distribuídas com boa aproximação da normalidade. Por outro lado, o valor de 468 para o coeficiente de Mardia ( ), indicou a necessidade de utilização de transformações nos dados originais.

Com o objetivo de solucionar a limitação, seguindo recomendações de Hair et al. (2009) e Tabachnick e Fidell (2007), foram, aplicadas transformações nas variáveis para atenuar o problema da falta de normalidade dos dados e/ou da heterocedasticidade. As transformações dos dados, usualmente mais empregadas, envolvem a raiz quadrada, o arco seno da raiz quadrada ou a logarítmica (ZAR, 1999). A aplicação da transformada escolhida foi selecionada entre as alternativas apresentados na Tabela 6.2. A aplicação da transformada arco seno ou transformada angular, arco seno = 𝑎 (√𝑥/ ), onde x é a varável medida, n o tamanho da amostra e Y o valor da vriável transformada, resultou na maior redução do coeficiente de Mardia, sendo sua utilização normalmente recomendada para dados de contagem que seguem a distribuição binomial e que sejam expressos em porcentagens ou proporções (ZAR, 1999).

Tabela 6.2 Coeficiente de Mardia ( após a utilização das transformações de variáveis.

Fonte: Elaborado pelo autor com o software AMOS

Esta transformação é apropriada para este tipo de dados da pesquisa, com características de assimetria negativa, porque produz um espalhamento dos valores em ambas as extremidades da distribuição em comparação com a região central, ensejando a homogeneização das

166 variâncias, sendo, portanto, a transformada escolhida, pois demonstrou o melhor valor de normalidade para a distribuição dos dados mostrados. Este efeito deve-se à forma da função seno, uma função que retorna o número (em radianos) cujo seno está no intervalo 0 a 1.

Foi obtido um coeficiente de Mardia ( ) no valor de 56,46 para o modelo corrigido, em consonância com a referência de Bollem (1989). Deste modo, pode-se considerar que a tendência de normalidade multivariada dos dados foi estabelecida, tornando-se adequada a utilização do método de estimação por máxima verossimilhança na análise de satisfação dos clientes de serviços de comunicações móveis. Este procedimento ensejou uma expressiva uma redução dos desvios identificados promovendo nas variáveis com curtose e assimetria significativamente diferentes de zero, de modo que após a transformação, as variáveis tiveram assimetria e curtose póxima de zero, respectivamente.

6.3.2.2 Análise da linearidade

As técnicas baseadas em análise fatorial e de regressão fundamentam-se na análise de relações lineares entre as variáveis (HAIR et al., 2009). Relações não lineares podem ser identificadas por meio dos diagramas de dispersão e dos gráficos de resíduos padronizados (ARBUCKLE, 2000). Numa relação linear entre duas variáveis, os resíduos se distribuirão de forma aleatória ao longo da linha reta traçada entre os vetores do gráfico.

A verificação gráfica da linearidade evidenciou a presença de relações lineares em todas as dimensões do modelo proposto. Considerando que o coeficiente de Pearson é um indício do ajuste linear entre as variáveis, foi testada também a linearidade dos relacionamentos dos indicadores por meio do coeficiente dessa estimativa, sendo as variáveis consideradas como aceitáveis dentro do parâmetro de associação linear (NORUSIS, 2004).

6.3.2.3 Análise da multicolineariedade

A aplicação da avaliação da multicolinearidade entre as variáveis foi realizada por meio de verificação de Tolerância, onde, para Hair et al., (2009), pequenos valores de Tolerância ou elevados de FIV caracterizam colinearidade elevada, sendo usual a utilização de valores de referência para a Tolerância na ordem de 0,10, o que corresponde a um valor de FIV acima de

167 dez (NORUSIS, 2004). Foram encontrados valores de FIV bastante próximos da unidade, razão pela qual se pode concluir pela inexistência de multicolinearidade entre as variáveis.

A multicolinearidade também foi verificada por meio da análise da correlação, que avalia a intensidade da associação entre duas variáveis métricas (MALHOTRA, 2006). Para Kline (2011), na análise de de correlações bivariadas, valores para correlações acima de 0,85 e R2 acima de 0,9, indicam que as duas variáveis em análise são redundantes. A correlação foi medida por meio do coeficiente de correlação de Pearson, relatado em Moore, (2007), que resume a intensidade de associação entre duas variáveis métricas. Nenhum dos casos apresentou valor maior que 0,809 para este coeficiente. Não foram identificadas, no estudo, variáveis com valores para estes parâmetros, acima das referências.