O objetivo é rodar PLS-PM e avaliar o modelo estrutural: VIF, betas, r, r*beta, f², R², R² ajustado e mapa de prioridade para avaliar o modelo estrutural, ou seja, envolve analisar a capacidade preditiva do modelo e as relações entre os construtos.
Para avaliação do modelo estrutural é proposto cinco passos: avaliar o modelo estrutural para questões de colinearidade, avaliar a significância e relevância das relações no modelo, avaliar o tamanho do feito f², avaliar R² (coeficiente de determinação), avaliar a relevância preditiva Q² e avaliar o tamanho do efeito q² (HAIR et al., 2017) conforme disposto no Quadro 13.
Objetivo Parâmetro Explicação Referencial Teórico
Multicolinearidade Fator de inflação de
variância (VIF) VIF < 5
Field (2009) , Hair et al. (2017)
Tamanho do efeito ( f²) efeito f²
os valores de 0,02, 0,15 e 0,35 são considerados como pequeno, médio e grande respectivamente
Cohen (1988)
Significância Estatística Teste Student t
Significâncias extraídas pelo teste t de Student: * p < 0,05; ** p < 0,01; *** p < 0,001; não significante (NS) Hair et al. (2009) Coeficiente de determinação (R²) Variável dependente é explicada pelas independentes os valores de 2% , 13% e 26% são considerados como pequeno, médio e grande respectivamente
Cohen (1988)
Relevância Preditiva (Q²)
valores maiores que zero sugere que o modelo tem relevância preditiva para um determinado construto
dependente
Q² igual a 0,02 é considerado pequeno, Q² igual a 0,15 é considerado médio e Q² igual a 0,35 é considerado grande
Hair et al. (2017)
Tamanho do efeito q² efeito q²
os valores de 0,02, 0,15 e 0,35 são considerados como pequeno, médio e grande respectivamente
Hair et al. (2017)
Quadro 13 - Avaliação do modelo estrutural Fonte: Elaborado pela autora
Figura 9 - Modelo de Computação em Nuvem Fonte: Elaboração da autora (saída do PLS)
Significâncias extraídas pelo teste t de Student: * p < 0,05; ** p < 0,01; *** p < 0,001; não significante (NS)
É necessário avaliar o modelo estrutural sobre a questão de colinearidade, utiliza-se o valor do fator de inflação da variância (VIF) maior que 10 é motivo de preocupação (FIELD, 2009), porém Hair et al. (2017), coloca como valor aceitável VIF < 5, assim um alto valor de VIF indica um alto grau de multicolinearidade entre as variáveis independentes.
Na Tabela 10 observa-se o VIF abaixo de 5, entretanto, com valores acima de 1 já é sinal de alguma multicolinearidade sendo que quanto maior o valor do VIF menos interpretáveis serão os coeficientes estruturais.
O f² indica o efeito, os quais os valores de 0,02, 0,15 e 0,35 são considerados como pequeno, médio e grande, respectivamente (COHEN, 1988).
Tabela 10 - Medidas da Importância Relativa dos Preditores
beta (*) r (correlação) r * beta VIF f² Efeito f²
Beneficios -> Adoção CN 0,184 0,408 0,075 1,312 0,051 pequeno
Riscos -> Adoção CN -0,360 -0,391 0,141 1,030 0,249 médio-grande
Compatibilidade -> Adoção CN 0,203 0,312 0,063 1,071 0,076 pequeno Complexidade -> Adoção CN -0,201 -0,317 0,064 1,110 0,072 pequeno
Observação -> Adoção CN 0,17 0,259 0,044 1,203 0,047 pequeno
Testagem -> Adoção CN 0,168 0,220 0,037 1,043 0,053 pequeno
Vantagem Relativa -> Adoção CN 0,184 0,383 0,070 1,189 0,057 pequeno Fonte: Elaborada pela autora Nota: (*) todos os betas são significantes a 1%
Na Tabela 11 há a significância dos parâmetros sendo que o valor p < 0,05 indica que há significância estatística. Neste estudo os valores obtidos de p foram todos menores que 0,05 apresentando significância.
Tabela 11 - Significância dos Parâmetros
Amostra
Original Erro Padrão Estatística T Valor P
Beneficios -> Adoção CN 0,184 0,068 2,704 0,007 Riscos -> Adoção CN -0,360 0,058 6,202 0,000 Compatibilidade -> Adoção CN 0,203 0,073 2,775 0,006 Complexidade -> Adoção CN -0,201 0,066 3,049 0,002 Observação -> Adoção CN 0,170 0,060 2,804 0,005 Testagem -> Adoção CN 0,168 0,062 2,691 0,007
Vantagem Relativa -> Adoção CN 0,184 0,059 3,138 0,002
Fonte: Elaborada pela autora
Nota: Intervalo de confiança de 95%
O Gráfico 3 mostra o efeito total das variáveis latentes preditoras da Adoção CN, o qual se observa que o de maior efeito negativo é o Risco Percebido e o de maior efeito positivo é o Benefício Percebido.
Neste caso, quanto maior o risco percebido pelo respondente, menor a disposição para adotar a CN e quanto maior o benefício percebido, maior a disposição para adotar a CN.
Gráfico 3 - Mapa de Importância Desempenho Fonte: SmartPLS 3.2
O coeficiente de determinação (R²) “medida da proporção da variância da variável dependente em torno de sua média que é explicada pelas variáveis independentes ou preditores” (HAIR et al., 2009, p. 150) e o coeficiente ajustado de determinação (R² ajustado) é a “medida modificada do coeficiente de determinação que considera o número de variáveis independentes incluídas na equação de regressão e o tamanho da amostra” (HAIR et al., 2009,
p. 150).
Considera-se o R² ajustado e calculado como exposto na Figura 10, em que n é tamanho da amostra e k é o número de variáveis latentes independentes usadas para prever a variável independente.
R² ajustado = 1 - (1 - R²) x n-1
n-k -1 Figura 10 - Cálculo do R² ajustado Fonte: Hair et al. (2017, p. 199)
Tabela 12 – Coeficiente de Determinação (R²) e Ajustado (R² ajustado) R² R² ajustado Beneficios -> Adoção CN Riscos -> Adoção CN Compatibilidade -> Adoção CN Complexidade -> Adoção CN Observação -> Adoção CN Testagem -> Adoção CN
Vantagem Relativa -> Adoção CN
0,494 0,467
Fonte: Elaborada pela autora
Cohen (1988) sugere a seguinte classificação quanto ao f² e R² conforme a Figura 11.
Efeito pequeno f2 = 0,02 R2 = 2%
Efeito médio f2 = 0,15 R2 = 13%
Efeito grande f2 = 0,35 R2 = 26%
Figura 11 - Classificação f² e R² Fonte: Cohen (1988)
Com base nisso, R² de 49,4% representa um efeito grande no modelo proposto.
Adicionalmente ao coeficiente de determinação (R²) há o indicador de relevância preditiva (Q²), no qual os valores maiores que zero sugere que o modelo tem relevância preditiva para um determinado construto dependente (HAIR et al., 2017) e valores iguais a zero ou abaixo indicam falta de relevância preditiva.
Sendo que o valor de Q² igual a 0,02 é considerado pequeno, Q² igual a 0,15 é considerado médio e Q² igual a 0,35 é considerado grande (HAIR et al., 2009).
Na Tabela 13 tem a relevância preditiva (Q²) da variável latente (VL) dependente Adoção CN.
Tabela 13 - Relevância Preditiva (Q²)
VL Dependente Q² Predição
Adoção CN 0,278 Médio-Grande
Fonte: Elaborada pela autora (saída do blindfolding do SmartPLS)
O tamanho do efeito q² permite avaliar a contribuição de uma variável latente independente sobre o valor Q² de uma variável latente dependente, sendo que valores de 0,02, 0,15 e 0,35
representam relevância preditiva pequena, média e grande, respectivamente (HAIR et al., 2017).
Realizada a operação de retirar cada variável latente independente uma a uma e calculado o q² conforme a Figura 12.
Figura 12 - Cálculo do q² Fonte: Hair et al. (2017, p. 207)
Na Tabela 14 há o tamanho do efeito q² para cada relação.
Tabela 14 - Tamanho do efeito q²
Relação Q² (VL Ind.
Incluída)
Q² (VL Ind.
Excluída) q² q² efeito
Beneficios -> Adoção CN 0,278 0,267 0,015 pequeno
Riscos_ -> Adoção CN 0,278 0,204 0,102 médio
Compatibilidade -> Adoção CN 0,278 0,256 0,030 pequeno
Complexidade_ -> Adoção CN 0,278 0,262 0,022 pequeno
Observação -> Adoção CN 0,278 0,264 0,019 pequeno
Testagem -> Adoção CN 0,278 0,266 0,017 pequeno
Vantagem Relativa -> Adoção CN 0,278 0,264 0,019 pequeno
Fonte: Elaborada pela autora