Os dados coletados em campo foram primeiramente tabulados. De acordo com Mattar (2008), esse procedimento visa transformar os dados coletados de forma a permitir a realização de análises e interpretações, determinando o número de casos ocorridos em cada categoria.
Para o tratamento dos dados utilizou-se o pacote estatístico SPSS 19. Primeiramente, foi aplicada a Análise Univariada (estatística descritiva), e posteriormente, as Análises Multivariadas Fatorial e de Cluster, as quais permitem o agrupamento de variáveis similares e a investigação da dependência entre variáveis com base nos dados amostrais.
Algumas abordagens conceituais sobre os métodos estatísticos utilizados são apresentadas a seguir.
3.3.1. Análise Fatorial
A análise fatorial tem como principal objetivo descrever a variabilidade de um conjunto de dados utilizando um número menor de variáveis não observáveis, denominados fatores comuns, que estão relacionadas ao conjunto de dados através de um modelo linear. Neste modelo, parte da variabilidade dos dados é atribuída aos fatores comuns e o restante atribuída às variáveis que não foram incluídas no modelo, ou seja, o erro aleatório (MINGOTI, 2005; JOHNSON; WICHERN, 2008).
Tal análise encontra os fatores de agrupamento através dos quais as variáveis originais são agrupadas em novos subconjuntos de variáveis não correlacionadas, as quais sumarizam as informações principais das variáveis originais. A partir do momento em que os fatores, ou variáveis latentes, são identificados, seus escores (valores numéricos) podem ser obtidos para cada elemento amostral.
Mattar (2008) salienta que esse método estuda o inter-relacionamento entre um conjunto de variáveis observadas de forma simultânea. Dessa forma, uma análise fatorial dos dados permite identificar sua estrutura (elencar fatores chave para um conjunto grande de atributos, determinando a estrutura básica de um conjunto de medições), reduzir seu volume (os fatores que resultam de um grande número de variáveis podem ser processados e analisados mais facilmente) e ainda a construção de escalas (reagrupamento das variáveis em fatores independentes, aos quais podem ser atribuídos pesos diferentes). Dentre os possíveis usos desta análise para pesquisas de marketing citados pelo autor, são relevantes para este estudo: identificação de atributos-chave do produto que determinam a preferência de consumo, identificação de similaridades entre produtos diferentes e o desenvolvimento de perfis de consumidores que reflitam atitudes, opiniões, interesses, percepções, preferencias, etc., a fim de predizer melhor o comportamento de compra e de consumo.
Para determinar a adequação da análise fatorial, examinou-se a matriz de correlação utilizando o teste Barlett de esfericidade. Tal teste fornece a probabilidade estatística de que a matriz de correlação tenha correlações significativas entre pelo menos algumas variáveis. Analisando os p-valores apresentados no Apêndice, pode-se observar presença significativa de correlações entre as variáveis para as três carnes.
Outra medida para quantificar o grau de inter-correlações entre as variáveis e adequação da análise fatorial é a medida de adequação da amostra (MSA), a qual permite avaliar o quão adequada é a aplicação da análise fatorial, e cujos valores são apresentados na Erro! Fonte de
eferência não encontrada.. Esse índice varia de 0 a 1, alcançando 1 quando cada variável é
prevista sem erro pelas outras variáveis.
Tabela 3. Interpretação da MSA.
MSA Análise Fatorial
0,8 ou acima Ótimo
0,7 ou acima Bom
0,6 ou acima Regular 0,5 ou acima Ruim Abaixo de 0,5 Inaceitável Fonte: HAIR et al., 2005.
Uma ferramenta muito importante na interpretação de fatores é a rotação fatorial, que significa rotacionar os fatores em torno da origem até que alguma outra posição mais interessante seja alcançada. O caso mais simples de rotação é a denominada rotação ortogonal, na qual os eixos são mantidos a 90º. Também é possível rotacionar os eixos sem o ângulo de 90º, esta é denominada rotação oblíqua.
Considerando a rotação ortogonal, o método mais utilizado é o VARIMAX, o qual se concentra na simplificação das colunas da matriz fatorial, ou seja, maximiza a soma de variâncias de cargas exigidas da matriz fatorial. Segundo Johnson eWichern (2008), o método VARIMAX busca a melhor rotação dos eixos de modo que a nova matriz de cargas fatoriais tenha o maior número de coeficientes nulos.
Dada a escolha do número de fatores a serem utilizados, torna-se possível rotacionar os eixos e calcular as cargas fatoriais referentes a cada um dos fatores. Tais valores, obtidos a partir da extração utilizando Análise de Componentes Principais e rotação Varimax, podem ser encontrados no Apêndice deste trabalho.
A escolha dos valores levou em consideração as recomendações de Hair et al. (2005) de que somente valores com carga acima de 0,30 devem ser considerados, levando em conta uma amostra maior que de 350 indivíduos, e quando isso ocorre com mais de um fator, considera-se
aquele que possui o maior valor. As cargas fatoriais podem ser interpretadas como a correlação da variável com o respectivo fator.
3.3.2. Análise de Cluster
A análise de cluster, também denominada de análise de agrupamentos ou análise de conglomerados, é uma técnica multivariada utilizada quando o objetivo do estudo é agrupar unidades experimentais de acordo com as suas características. Tal técnica visa agrupar indivíduos, com características internas homogêneas e externas heterogêneas, em divisões da população não conhecidas a priori, de forma que elementos pertencentes a um mesmo grupo sejam similares entre si em relação às variáveis que neles foram medidas (homogeneidade interna), e os elementos de diferentes grupos sejam heterogêneos com respeito às mesmas características (heterogeneidade externa) (MINGOTI, 2005).
Hair Jr. et al. (2005) salientam que a análise de agrupamentos se assemelha à análise fatorial, uma vez que ambas objetivam avaliar a estrutura. Contudo, a primeira se interessa pelo agrupamento de objetos, enquanto a segunda agrega variáveis.
A fim de formar os grupos descritos acima, faz-se necessário medir a similaridade entre indivíduos, formar os agrupamentos, agregando as observações que são mais similares, e por fim definir o número de grupos (clusters) que serão considerados na análise e, para então alocar as unidades experimentais nesses grupos.
Para o presente estudo, o método hierárquico de Ward foi utilizado para definir o número de grupos considerados na análise. Após a definição do número de clusters, o método não hierárquico k-means foi empregado para alocar as unidades experimentais em cada grupo. Em seguida, as características de cada grupo formado puderam ser interpretadas.
O método de Ward consiste num procedimento de agrupamento hierárquico que busca unir unidades experimentais a partir da variância, de modo a minimizar o desvio-padrão entre os dados de cada grupo. A formação dos grupos ocorre por etapas. A princípio, têm-se um grupo para cada unidade experimental. Neste estágio inicial o erro interno e o desvio-padrão são nulos para todos os grupos, pois cada vetor que compõe cada grupo é o próprio vetor médio do grupo. Nas etapas seguintes, verificam-se todas as possibilidades de junção e o agrupamento escolhido é o que causa menor aumento do erro interno do grupo. Dessa forma, define-se o número de grupos que será considerado no estudo.
Uma classe de regras de parada que é relativamente simples examina alguma medida de similaridade ou distância entre agrupamentos em cada passo sucessivo, com a solução de agrupamento definida quando a medida de similaridade excede a um valor especificado ou quando os valores sucessivos entre etapas dão um salto repentino. Quando um grande aumento acontece, o
pesquisador seleciona a solução anterior sob o argumento de que sua combinação provocou uma queda substancial de similaridade.
Seja centroide o ponto central de cada grupo, tem-se a partir do número de grupos definido pelo método de Ward, o algoritmo k-means, que busca alocar cada unidade experimental no grupo cujo centroide esteja mais próximo. O algoritmo é composto das seguintes etapas:
a) Divisão dos itens em k conjuntos iniciais;
b) Seguir prosseguimento através da lista de itens, alocando cada item ao grupo cujo centroide é mais próximo (fazendo uso da distância euclidiana);
c) Realização do cálculo do centroide para o grupo que recebe o novo item e do cálculo do centroide para o grupo de onde o item é excluído;