Data and Measurement

Na fase da análise dos dados, os questionários coletados, foram organizados e codificados, por meio de uma planilha do Excel e utilizou-se o software Stata14 para a realização e análise dos dados. Codificados os dados, foram excluídos 33 questionários, destes, 15 questionários foram eliminados por conterem rasuras, respostas em branco ou por terem respondido a mesma nota para todos os itens, os outros 18 foram eliminados por constarem outros respondentes. Ao final, a amostra contou com 309 empresas, com um total de 47,53% de taxa de retorno de resposta. Nesta etapa, procurou- se eliminar os itens que não capturassem adequadamente o constructo, itens com baixa relevância, itens redundantes e

itens que não estivessem em conformidade com a teoria existente de capacidade de absorção (DEVELLIS, 2011).

Primeiramente, foi realizada a correlação para averiguar a associação entre os itens. A matriz de correlação policórica de entrada foi utilizada na obtenção dos valores próprios derivados. Os valores maiores que 1.0 são utilizados para determinar o número de dimensões latentes não-triviais que existem nos dados de entrada (HAIR et al., 2014; BROWN, 2015).

A análise da correlação, segundo Hair et al. (2014), avalia a associação entre duas variáveis, para tanto, a significância dos itens deve variar de 1% e 5% para que haja correlação entre os itens. Com todos os 24 itens correlacionados, podemos perceber inicialmente uma alta correlação entre os itens, com apenas os itens A1_10 e A1_19 apresentando correlações baixas.

Portanto, em primeira análise, a matriz policórica, que indica a correlação entre os itens de escala, apresentou índices de coeficientes baixos, indicando uma possível exclusão, para item A1_19, como demonstra a Figura 8Figura 8, oferecendo correlações entre 0.19 a 0.31.

A baixa carga do item A1_19 pode configurar um primeiro passo para a exclusão do item da escala, entretanto, não deve ser a única análise a ser feita. Outros testes devem ser realizados para avaliar se o item deve mesmo ser excluído da escala.

161 ura 8 – Ma triz de c orr elaç ão poli córi ca c onten do os 24 it ens ciais nte: Dad os d a pesq uis a, 2 01 5.

A1_1 A1_2 A1_3 A1_4 A1_5 A1_6 A1_7 A1_8 A1_9 A1_10 A1_11 A1_12 A1_13 A1_14 A1_15 A1_16 A1_17 A1_18 A1_19 A1_20 A1_21 A1_22 A1_23 A1_24 A1_1 1,00 A1_2 0,56 1,00 A1_3 0,50 0,45 1,00 A1_4 0,43 0,59 0,43 1,00 A1_5 0,47 0,53 0,55 0,61 1,00 A1_6 0,55 0,59 0,51 0,57 0,56 1,00 A1_7 0,40 0,54 0,35 0,52 0,52 0,50 1,00 A1_8 0,46 0,44 0,49 0,46 0,44 0,45 0,57 1,00 A1_9 0,45 0,47 0,40 0,41 0,35 0,48 0,55 0,56 1,00 A1_10 0,31 0,44 0,23 0,27 0,26 0,33 0,49 0,46 0,52 1,00 A1_11 0,42 0,42 0,39 0,37 0,37 0,41 0,53 0,55 0,58 0,54 1,00 A1_12 0,54 0,42 0,34 0,44 0,37 0,44 0,49 0,54 0,56 0,49 0,54 1,00 A1_13 0,42 0,50 0,28 0,38 0,35 0,43 0,47 0,41 0,52 0,42 0,49 0,60 1,00 A1_14 0,48 0,44 0,34 0,36 0,29 0,41 0,50 0,39 0,48 0,40 0,47 0,59 0,70 1,00 A1_15 0,52 0,54 0,35 0,41 0,36 0,41 0,47 0,38 0,48 0,43 0,44 0,60 0,66 0,73 1,00 A1_16 0,42 0,55 0,35 0,45 0,40 0,46 0,51 0,42 0,44 0,36 0,39 0,52 0,63 0,64 0,69 1,00 A1_17 0,46 0,48 0,32 0,45 0,35 0,45 0,49 0,41 0,42 0,46 0,48 0,51 0,61 0,64 0,63 0,64 1,00 A1_18 0,51 0,55 0,38 0,56 0,42 0,50 0,54 0,43 0,45 0,41 0,47 0,52 0,54 0,54 0,65 0,62 0,68 1,00 A1_19 0,22 0,30 0,21 0,21 0,23 0,21 0,24 0,24 0,25 0,27 0,29 0,18 0,19 0,26 0,25 0,27 0,31 0,31 1,00 A1_20 0,48 0,45 0,35 0,44 0,32 0,45 0,49 0,43 0,54 0,46 0,41 0,45 0,40 0,45 0,50 0,44 0,50 0,54 0,43 1,00 A1_21 0,44 0,51 0,41 0,48 0,34 0,45 0,43 0,39 0,48 0,38 0,37 0,44 0,43 0,32 0,42 0,45 0,43 0,46 0,37 0,68 1,00 A1_22 0,49 0,50 0,43 0,47 0,43 0,47 0,57 0,39 0,51 0,36 0,48 0,53 0,55 0,54 0,49 0,49 0,54 0,56 0,35 0,62 0,62 1,00 A1_23 0,55 0,53 0,34 0,51 0,42 0,45 0,48 0,42 0,52 0,45 0,44 0,62 0,51 0,52 0,55 0,49 0,52 0,54 0,28 0,61 0,54 0,58 1,00 A1_24 0,54 0,46 0,41 0,39 0,48 0,48 0,41 0,46 0,49 0,38 0,41 0,51 0,50 0,42 0,44 0,43 0,49 0,45 0,28 0,49 0,50 0,54 0,67 1,00

A estimativa de Kaiser-Meyer-Olkin (KMO) foi realizada para a verificação da relevância do item A1_19 na escala, determinando o ajuste do item aos dados. A estimativa KMO indica que, valores mais próximos a 1.0, são mais adequados à análise fatorial, quando o valor do item for baixo, este item deve ser eliminado. O item A1_19 apresenta uma estimativa de 0.7944 para o fator A1_19, abaixo do esperado, que seria acima de 0.8, os demais itens carregam acima de 0.9 (MINGOTTI, 2005).

Figura 9 - Análise das correlações dos itens

Fonte: Dados da pesquisa, 2015.

O próximo passo foi a realização da análise fatorial exploratória, utilizando-se todas as variáveis e fatores (dimensões) possíveis a serem extraídos, para a identificação das correlações entre as variáveis.

Análise fatorial exploratória

Com o intuito de avaliar a correlação dos itens, verificando a existência do constructo capacidade de absorção, foi realizada a análise fatorial exploratória. A análise fatorial é uma técnica de análise multivariada, em que há o esforço do pesquisador em obter a correlação entre as variáveis. A análise fornece ferramentas para identificar as correlações entre um grande número de variáveis e os conjuntos de variáveis que são altamente relacionadas entre si, conhecidas como fatores. Estes grupos de fatores, que são por definição, altamente relacionadas entre si, representam dimensões dentro dos dados. Os pesquisadores utilizam a análise fatorial para sintetizar o número de variáveis, com o intuito de as dimensões orientarem a criação de novos constructos (HAIR et al., 2014).

De acordo com Hair et al. (2014) a análise exploratória é utilizada na fase de busca de estrutura entre um conjunto de variáveis ou como um método de redução de dados. Nesta perspectiva, todos os dados extraídos são considerados, sem que haja restrições a priori sobre a estimativa dos componentes ou o número de componentes a serem extraídos.

Nesta primeira análise fatorial exploratória estimou-se para todas as variáveis o máximo número de fatores a serem extraídos. Na estimação da análise fatorial sem limitar o numero de dimensões a serem retidas, a análise indicou a presença de 2 fatores com forte carga, indicador de retenção dos fatores, carregando acima de 1. Os demais fatores obtiveram cargas inferiores a um, conforme apresenta o Quadro 32.

Quadro 32 - Análise fatorial com o máximo de fatores a serem extraídos

Factor Eigenvalue Difference Proportion Cumulative Factor1 9.70815 8.41294 0.7437 0.7437 Factor2 1.29521 0.42028 0.0992 0.8429 Factor3 0.87493 0.07983 0.0670 0.9099 Factor4 0.79510 0.26699 0.0609 0.9708 Factor5 0.52811 0.22149 0.0405 1.011 Factor6 0.30662 0.05912 0.0235 1.034 Factor7 0.24751 0.03642 0.0190 1.053 Factor8 0.21109 0.02551 0.0162 1.069 Factor9 0.18558 0.06028 0.0142 1.084 Factor10 0.12530 0.01870 0.0096 1.093 Factor11 0.10660 0.06310 0.0082 1.101 Factor12 0.04350 0.03559 0.0033 1.105 Factor13 0.00791 0.00878 0.0006 1.105 Factor14 -0.00087 0.03348 -0.0001 1.105 Factor15 -0.03435 0.00769 -0.0026 1.103 Factor16 -0.04204 0.02533 -0.0032 1.099 Factor17 -0.06737 0.04878 -0.0052 1.094 Factor18 -0.11615 0.01532 -0.0089 1.085 Factor19 -0.13146 0.01358 -0.0101 1.075 Factor20 -0.14504 0.02398 -0.0111 1.064 Factor21 -0.16902 0.02075 -0.0129 1.051 Factor22 -0.18977 0.03799 -0.0145 1.037 Factor23 -0.22776 0.02995 -0.0174 1.019 Factor24 -0.25771 - -0.019 1.000 Fonte: Elaborado pela autora, 2015.

Para avaliar o número de fatores a serem retidos, foi realizado o teste de scree plot, conforme demonstra o Gráfico 3Gráfico 3 O gráfico de scree plot é utilizado para identificar o

número de fatores que pode ser extraído antes da quantidade que a variância única domine a estrutura de variância comum. O gráfico scree plot traça as raízes latentes contra o número de fatores em sua ordem de extração, a forma da curva resultante é utilizada na avaliação do ponto de corte. O ponto pelo qual a curva começa a endireitar é considerado na indicação do número máximo de fatores a serem extraídos (ACOCK, 2014; HAIR et al., 2014).

De acordo com Brown (2015) o gráfico scree plot permite uma avaliação do valor aproximado, em conformidade com a inclinação da curva. Em média o gráfico indica 2 a 4 fatores.

Gráfico 3 - Gráfico de Scree plot

Fonte: Dados da pesquisa, 2015.

Para reforçar o valor dos fatores a reter, a segunda análise fatorial exploratória, que difere da primeira pela retirada do item A1_19, indicou a presença de 4 fatores. Nesta rodada, a fatorial apresentou muitos sinais trocados, que seriam justificáveis caso as questões possuíssem redações em sentidos opostos, o que não ocorreu na escala. A unicidade consiste na determinação da variância dos itens que não foi explicada pelos

fatores, variando de 0 a 1. No item A1_19 a unicidade foi de 0.8511, representando um erro muito elevado, o que atribui uma correlação muito baixa ao item, portanto, a presença do item causa ruído à amostra e enfraquece a correlação (HAIR et al., 2014).

Desta forma, esta segunda análise fatorial apresentou a confirmação da necessidade da exclusão do item A1_19, reforçando a baixa correlação do item com os demais. A exclusão do item A1_19 da escala, por baixa correlação entre os demais itens, pode ser entendida pelo escopo da pesquisa. Quando aplicado à outras empresas, como, por exemplo, indústrias, grandes empresas ou empresas de tecnologia; o incentivo ao desenvolvimento de protótipos, pode ser melhor aplicável, enquanto na pesquisa com pequenas e médias empresas de comércio e serviços, o item deve ser excluído, por fraca significância, já que não é prática destas empresas o desenvolvimento de protótipos, como era esperado. Retirando o item A1_19 da matriz de correlação policórica, a correlação entre os itens aumenta como pode ser visto na Figura 10.

Figura 10 - Matriz de correlação policórica após a retirada do item A1_19

Rodou-se a análise fatorial com 4, 3, 2 e 1 fatores, o item a A1_19 sempre apresentou a unicidade elevada. Ao final da segunda análise fatorial exploratória, obteve-se a exclusão do item A1_19. Quando há mais de um fator, torna-se útil rotacionar a solução inicial para verificar se há outra solução com melhor interpretação. Há duas maneiras de rotacionar os dados. A primeira é uma rotação ortogonal, em que os fatores são forçados a não se correlacionarem entre si. A segunda é uma rotação oblíqua em que permite que os fatores se correlacionem (ACOCK, 2014).

Portanto, considerando a correlação entre os fatores, optou-se pela utilização da análise fatorial com rotação oblíqua.

Análise fatorial exploratória com rotação oblíqua

O objetivo de todos os métodos de rotação consiste em simplificar as linhas e colunas da matriz de fatores para facilitar a interpretação. Os métodos de rotação ortogonal (Quartimax, Varimax, Equimax) possuem o objetivo de investigação para a redução de dados: seja redução de variáveis ou de um conjunto de medidas não correlacionadas para utilização posterior em técnicas multivariadas. O método é consolidado como uma abordagem analítica para a obtenção de uma rotação ortogonal de fatores. Os métodos de rotação oblíqua são semelhantes às rotações ortogonais, pois, ambos possuem o objetivo de simplificação, entretanto, as rotações oblíquas permitem fatores associados, com a característica adicional de fatores correlacionados, enquanto, os métodos ortogonais mantêm a independência entre os fatores rotacionados (ACOCK, 2014; HAIR et al, 2014).

Os estudos balizadores da construção da escala proposta utilizaram métodos distintos para a estimativa dos fatores, por exemplo, Flatten et al. (2011) analisou os dados por meio da estimativa de máxima verossimilhança com rotação oblíqua Promax. Lichenthaler (2009) utilizou a rotação ortogonal

Varimax na estimativa do constructo e Camisóm e Forés (2010) não apresentaram a utilização de análise rotacionada no desenvolvimento da escala. A escolha de uma rotação ortogonal ou oblíqua deve ser feita com base nas necessidades de um determinado problema de pesquisa (HAIR ET AL, 2014).

Portanto, na escolha da rotação dos dados, considerou-se o método de rotação oblíqua o método mais adequado para a meta de obtenção dos fatores teoricamente significativos. Assim sendo, a próxima etapa da pesquisa incidiu na análise fatorial exploratória com rotação oblíqua, sem o item A1_19, excluído anteriormente. A análise com rotação oblíqua rodou com 1, 2, 3 e 4 fatores/dimensões, para a verificação das melhores soluções para o teste. Na análise lado a lado, verificou-se que as cargas ficaram muito próximas (Figura 11Figura 11).

As cargas em verde indicam os maiores valores encontrados em cada item para cada fator, em vermelho estão as cargas mais baixas. Com 4 dimensões, há apenas 3 cargas cruzadas. Analisando os indicadores de ajuste AIC e BIC, temos que, o Critério de Informação de Akaike (AIC) admite a existência de um modelo “real” dentre um grupo de modelos avaliados (BOZDONGAN. H, 1987). Por sua ver, o Critério Bayesiano de Schwarz (BIC) pressupõe a existência de um “modelo verdadeiro” que descreve a relação entre a variável dependente e as diversas variáveis explanatórias entre os diversos modelos possíveis. Assim o critério é definido como a estatística que maximiza a probabilidade de se identificar o verdadeiro modelo dentre os avaliados (Wolfinger, 1993).

Desta forma, os indicadores de ajuste de Schwarz’s (BIC) e Akaike’s (AIC) sugerem, que o modelo com menor AIC e BIC , são os modelos com melhor ajuste. Analisando os modelos com 1, 2, 3 e 4 fatores, haverá menor resíduo, na

proposição com 4 fatores/dimensões, indicando ser a melhor alternativa, nesta etapa.

Figura 11 - Análise fatorial exploratória sem o fator A1_19

Alguns itens apresentam a carga cruzada, fator indicativo, mas não suficiente para exclusão, entretanto, uma nova fatorial exploratória foi rodada e os itens que apresentam cargas baixas foram excluídos. Segundo Hair et al. (2014), itens com carga inferior a 0.5 devem ser eliminados por não serem significativos, portanto, os itens que apresentaram carga muito baixa, foram excluídos: A1_ 1, A1_7, A1_12, A1_24, conforme apresenta a Figura 12.

Figura 12 - Análise fatorial exploratória sem os itens excluídos A1_ 1, A1_7, A1_12, A1_24

Novamente alguns itens apresentaram carga cruzada e outros itens carga abaixo de 0.5. Hair et al. (2014), indica que quando uma variável persiste em cargas cruzadas, esta deve ser eliminada, desta forma, o item com carga cruzada A1_ 08 foi excluído, bem como, os itens com carga baixa A1_02 e A1_23. Após a exclusão dos itens, como mostra a Figura 13, uma nova fatorial foi rodada para a avaliação dos resultados.

Figura 13 - Análise fatorial exploratória com os itens finais de escala.

Fonte: Dados da pesquisa, 2015.

A Figura 14 demonstra a última rodada da análise fatorial exploratória, na qual podemos observar, que os itens cruzados e com carga baixa foram eliminados da análise com 4 fatores. A solução com 3 fatores poderia ser uma possibilidade estatística, entretanto, não se ajusta à teoria de capacidade de absorção, pois, carrega as dimensões assimilação e aplicação juntamente. Por não possuir respaldo teórico, a proposição foi descartada. Desta forma, ao final da etapa de análise fatorial

Fator 1 A1_3 0.5562 0.7008 0.5893 0.6133 A1_4 0.6428 0.7247 0.6604 0.6305 A1_5 0.5835 0.7812 0.7883 0.8154 A1_6 0.6683 0.6939 0.5831 0.5932 A1_9 0.6884 0.3508 0.4036 0.5970 0.5396 A1_10 0.5639 0.4445 0.5577 0.5432 A1_11 0.6498 0.3892 0.3205 0.4501 0.5995 A1_13 0.7420 0.8029 0.7511 0.7117 A1_14 0.7401 0.9028 0.8821 0.8444 A1_15 0.7682 0.8455 0.8312 0.8247 A1_16 0.7432 0.7054 0.7411 0.7587 A1_17 0.7549 0.7271 0.6899 0.6919 A1_18 0.7725 0.5397 0.3008 0.5261 0.5510 A1_20 0.7050 0.4825 0.7652 0.7607 A1_21 0.6683 0.6215 0.7342 0.8002 A1_22 0.7452 0.3400 0.4783 0.4961 0.4983 704.007 763.74 469.407 585.141 345.154 513.154 280.155 496.689

AIC BIC AIC BIC AIC BIC AIC BIC

exploratória, os testes indicam e corroboram a literatura existente de que a escala de capacidade de absorção deve conter 4 fatores/dimensões.

Análise fatorial Confirmatória

Após terem sido rodadas as análises fatoriais exploratórias, ficou estabelecida a existência de 4 fatores para o constructo proposto. O próximo passo consiste na análise fatorial confirmatória, que segundo Hair et al. (2014) ocorre quando o pesquisador tem pensamentos preconcebidos sobre a estrutura real dos dados, com base em suporte teórico ou pesquisa anterior, envolvendo variáveis que devem ser agrupados em conjunto, em determinado fator ou o número preciso de fatores. Nesses casos, o pesquisador requer a análise fatorial confirmatória para avaliar o grau em que os dados satisfazem a estrutura esperada.

Para a realização da análise fatorial confirmatória, utilizou-se o estimador Asymptotic distribuition free, mais adequado para distribuição tipo anormal categórica ordinal, utilizada no presente estudo, composta por 24 variáveis categóricas ordinais, com 7 categorias cada, conforme escala de Likert utilizada na pesquisa survey aplicada (ACOCK, 2014).

Os resultados da análise confirmatória indicam cargas acima de 0.85, resultado bastante positivo. Entretanto, nenhum índice de ajuste foi satisfatório. Os índices de qualidade do modelo auxiliam na identificação do modelo mais apropriado ao constructo estudado, comprovam se o modelo com as cargas e resíduos são satisfatórios, indicando os fatores que fornecem o melhor ajuste para os dados (BROWN, 2015).

A raiz quadrada média do erro de aproximação (RMSEA) indica valores inferiores a 0.07 como valores aceitos. O CFI considera como ideais os valores maiores do que 0.95; o TLI valores maiores do que 0.95 e o SRMR valores

menores de 0.08 (HOOPER; COUGLHLAN; MULLER, 2008). A análise fatorial confirmatória indicou dois modelos ideais, com alta correlação, conforme os índices de qualidade do modelo dispostos no Quadro 33.

Quadro 33 - Indicadores de qualidade do modelo

RMSEA CFI TLI SRMR