4.5.1. Análise descritiva, inferencial e fatorial
A análise descritiva, inferencial e fatorial dos dados foi feita através do programa informático SPSS 18 para Windows (Statistical Package for the Social Sciences). Começou-se por avaliar a sensibilidade dos Questionários utilizados para averiguar as suas propriedades psicométricas.
86 Para além da mediana, moda, desvio padrão, número máximo e número mínimo, foi explorada a distribuição dos itens através da análise do Skewness e do Kurtosis1
Seguidamente, avaliou-se a fidelidade dos questionários através do alfa de Cronbach2
Depois de verificar a validade para a Análise Fatorial através do teste de Kaiser-Meyer-Olkin3 (KMO), passou-se à referida análise para os itens dos questionários.
A Análise Fatorial, como técnica de análise exploratória de dados, tem como objetivo descobrir e analisar a estrutura de um conjunto de variáveis interrelacionadas. No entanto, é importante referir que produz um de muitos modelos explicativos possíveis (Maroco, 2007), pelo que se utilizaram todas as rotações possíveis para a eventualidade de não-correlação entre fatores, nomeadamente, as rotações Varimax, Quartimax e Equamax (rotações ortogonais); e as duas rotações não-ortogonais possíveis, pressupondo que os fatores estavam correlacionados, nomeadamente a Direct Oblimin e a Promax.
Verificou-se a distribuição dos itens em relação à normalidade através do teste de Kolmogorov-Smirnov4e procedeu-se, seguidamente, à análise inferencial através dos teste t- student5, que é um método que determina diferenças entre médias quando são comparados grupos distintos.
4.5.2. Análise de Modelos Estruturais
A Análise de Equações Estruturais (AEE) permite ao investigador testar um conjunto de relações causais simultaneamente, após ter especificado um modelo teórico inicial, através da produção de estatísticas de adequação e estimativas dos parâmetros (ITS, 2001).
A AEE recorre a uma nomenclatura própria. Assim, as variáveis manifestas são aquelas que se assumem terem sido medidas diretamente e sem erro. Já aquelas não-observadas ou latentes,
1 O Skewness e do Kurtosis são medidas que avaliam a assimetria e a forma da distribuição e recomendam a eliminação de itens com valor absoluto superior a dois.
2 O coeficiente alfa (a) de Cronbach é uma medida de fiabilidade interna que é determinada pela fórmula a= k/k – 1 (1 – soma das variâncias de cada item/variância total de k itens). O valor do alfa aumenta com o número de itens mais elevado e com correlações entre itens mais fortes. Um alfa inferior a 0,50 é inaceitável, entre 0,50 e 0,60 é mau, entre 0,60 e 0,70 é razoável, entre 0,70 e 0,80 é bom, entre 0,80 e 0,90 é muito bom, e um valor igual ou superior a 0,90 é excelente (De Vellis, 1991). 3 A medida de adequação de Kaiser-Meyer-Olkin (KMO) compara as correlações simples com as correlações parciais observadas entre as variáveis. Um KMO próximo de zero indica ausência de correlação fiável entre as variáveis, o que é dissuasor do recurso à análise fatorial. Um valor inferior a 0,50 é inaceitável, entre 0,50 e 0,60 é mau, 0,60 e 0,70 é razoável, entre 0,70 e 0,80 é bom e igual ou superior a 0,90 é excelente (Olkkonen & Saastamoinen, 2000).
4 O teste de Kolmogorov-Smirnov (K-S) é utilizado para testar se uma amostra provém de uma distribuição particular (neste caso , de uma distribuição normal). O valor estatístico do K-S é baseado na diferença entre as distribuições cumulativas observadas e teóricas.
87 não foram diretamente medidas pelo investigador, mas sim inferidas pelas covariâncias ou correlações entre as variáveis medidas presentes na análise.
A AEE permite a representação gráfica das relações entre variáveis observadas e não- observadas. Os círculos ou as ovais representam as variáveis latentes, ao passo que os retângulos ou os quadrados representam as variáveis medidas. Os erros residuais nunca são observados, pelo que se representam em círculos ou ovais.
Nesta representação gráfica, as relações causais (de causa para efeito) são apresentadas sob a forma de setas unidirecionais, sendo as correlações apresentadas sob a forma de setas bidirecionais.
A AEE envolve três elementos básicos: (1) a especificação de um modelo de medida, (2) a especificação de um modelo estrutural e (3) a estimação dos coeficientes do modelo e sua validação.
A especificidade de um modelo é o exercício de afirmar formalmente um modelo (Hoyle, 1995) e, ao especificá-lo, estabelecem-se relações diretas, indiretas ou não-direcionais entre variáveis. Na AEE, os efeitos causais, as variâncias e as covariâncias são parâmetros que podem ser fixados (normalmente entre zero e um) ou livres (normalmente estimados a partir dos dados).
Os elementos principais que constituem a AEE são: o modelo de medida (onde as variáveis latentes são formadas a partir de indicadores observados) e o modelo estrutural (que inclui relações entre variáveis latentes e manifestas). Assim, a AEE combina um modelo de medida validado por uma análise fatorial confirmatória, ao passo que o modelo estrutural é uma regressão múltipla ou uma análise de trajetórias (path analysis).
O objetivo da estimação é a obtenção de valores numéricos para os parâmetros desconhecidos. Utilizam-se, de modo geral, métodos interativos como a máxima verosimilhança (maximum likelihood) ou os mínimos quadrados generalizados (generalized
least square)6. Cada método de estimação fornece estimativas de erros-padrão e um teste de
Qui-quadrado (2).
Para determinar as adequações dos Modelos de Medida e dos Modelos Estruturais, avaliam-se os seguintes indicadores: O Goodness-of-fit 2, o Comparative Fit Index (CFI) e o Root Square Mean Error of Approximation (RMSEA).
O Goodness-of-fit 2 fornece uma base comum de decisão acerca da adequação de um
modelo (Loehlin, 1998), mas se a amostra for muito grande ( como é o caso desta investigação), o 2 tem tendência para uma probabilidade próxima do zero, levando à
6 Estes métodos de estimação são os mais utilizados e têm como objetivo procurar os parâmetros que reproduzem melhor a matriz de variância-covariância estimada na amostra.
88 suspeita que o modelo não se adequa aos dados observados. Por esta razão, utilizam-se os outros indicadores para determinar a adequação dos dados ao modelo (Hu & Bentler, 1995; Schumacker & Lomax, 1996; Arbuckle & Wothke, 1999; Byrne, 2001; Kelloway, 1998). A tabela 9 ilustra os índices de medida, os seus níveis de aceitabilidade e cutoffs críticos utilizados. O software computacional utilizado neste procedimento foi o AMOS (v. 19, Arbuckle, 2010).
Tabela 9. Índices de Adequabilidade aos dados ao Modelo (Browne & Cudeck, 1993).
Critérios Nível de aceitação
Goodness-of-fit 2 NS (p>0.05)
Comparative Fit Index (CFI) 0-Sem adequação
>0.90-Adequação muito boa 1-Adequação perfeita Root Square Mean Error of
Approximation (RMSEA) 0-Adequação perfeita 0-0.5-Adequação muito boa 0.05-0.08-Adequação aceitável 0.08-0.10-Adequação sofrível >0.10-Inaceitável
(NS; p>0.05)
Parsimonious Comparative Fit
Index (PCFI)
0-Sem adequação 1-Adequação perfeita
Akaike Information Criterion (AIC) É utilizado para a comparação entre modelos e o modelo que se
ajusta melhor é o que tiver o menor AIC.
Bayes Information Criterian (BIC) É utilizado para a comparação entre modelos e o modelo que se
ajusta melhor é o que tiver o menor BIC.
Goodness of Fit Index (GFI) O GFI deve ser < ou =1; um GFI=1 indica uma adequação perfeita.
4.5.3. Operacionalização do Modelo de Medida
O modelo de medida fica definido através da operacionalização das variáveis latentes e das variáveis manifestas que se organizaram a partir da revisão da literatura e da Análise Fatorial exploratória.