Para a análise dos fatores de uma escala, podem ser utilizados dois métodos: Análise
dos Componentes Principais ou Análise Fatorial. “Se você estiver interessado numa solução
teórica não contaminada por variabilidade de erro, a análise fatorial deve ser sua escolha. Se você quiser simplesmente um resumo empírico do conjunto de dados, a análise de
componentes principais é uma escolha melhor” (TABACHNICK; FIDELL, 2007, p. 608).
De acordo com Hair et al. (2005), na maioria dos casos tanto a ACP, quanto a AF, chegam aos mesmos resultados se o número de variáveis superar 30 ou se as comunalidades excederem 0,60 para a maior parte das variáveis.
No entanto, Hair et al. (2005) dizem que é interessante rodar a Varimax com o método de componentes principais quando se quer reduzir itens e depois validar a estrutura fatorial com a rotação oblíqua Promax e utilizando eixos principais.
Inicialmente utilizou-se a ACP, mas depois se optou pela utilização da Análise Fatorial para identificar fatores não observados diretamente pelos itens da pesquisa. “A análise fatorial supõe que as variáveis observadas (medidas) são combinações lineares de algumas variáveis-fontes subjacentes (fatores). Isto é, ela supõe a existência de um sistema de fatores subjacentes e um sistema de variáveis observadas” (KIM; MUELLER, 1978, p. 7-8).
Conforme observa King (1986), “no modelo da análise fatorial, há muitas variáveis observadas cujo objetivo é gerar fatores subjacentes não observados” (KING, 1986, p. 682), permitindo reduzir a quantidade de variáveis observadas em um número menor de fatores, ou seja, em elementos representativos da combinação linear das variáveis estatísticas originais (HAIR et al., 2005).
Conforme determinado por Kim e Mueller (1978), “a análise fatorial se baseia no pressuposto fundamental de que alguns fatores subjacentes, que são em menor número que as variáveis observadas, são responsáveis pela covariação entre as variáveis” (p. 12).
É importante salientar o fato de a literatura diferenciar duas principais modalidades de análise fatorial: exploratória e confirmatória (TABACHINICK; FIDELL, 2007).
A Análise Fatorial Exploratória (AFE) geralmente é utilizada nos estágios iniciais da pesquisa, no sentido de explorar a relação entre um conjunto de variáveis, identificando padrões de correlação. Também é utilizada para criar variáveis independentes ou dependentes que podem ser utilizadas em modelos de regressão. Já Análise Fatorial Confirmatória (AFC) é utilizada para testar hipóteses. O pesquisador, baseado em uma teoria, testa se determinadas variáveis são representativas de um conceito/dimensão. (FIGUEIREDO FILHO; SILVA JUNIOR, 2010, p.164).
Conforme Schawb, “o método de rotação se refere ao método matemático que rotaciona os eixos no espaço geométrico. Isso torna mais fácil determinar quais variáveis são carregadas em quais componentes” (SCHWAB, 2007 apud FIGUEIREDO FILHO; SILVA JUNIOR, 2010).
Para Tabachinick e Fidell (2007), existem dois tipos principais de rotação: ortogonal e oblíqua. As rotações ortogonais são mais simples de reportar e de interpretar. Entretanto, deve-se assumir que os construtos são independentes (na prática esse pressuposto é mais difícil de ser respeitado). Já as rotações oblíquas permitem que os fatores sejam correlacionados, porém, são mais difíceis de interpretar. Normalmente, as duas formas de rotação produzem resultados semelhantes, principalmente quando o padrão de correlação entre as variáveis utilizadas é claro (PALLANT, 2007; HAIR et al., 2005).
Conforme Pallant (2007), a rotação ortogonal Varimax é mais frequentemente utilizada e busca diminuir a quantidade de variáveis que apresentam altas cargas em cada fator. Uma das rotações oblíquas mais utilizadas é a Promax, baseada na Varimax. Ela utiliza a matriz rotacionada pela Varimax e eleva as cargas. O resultado é um conjunto de cargas que reflete a estrutura simples melhor que na solução Varimax, principalmente quando os traços latentes são altamente correlacionados (MCLEOD et al., 2000).
Para verificar se os dados eram fatoráveis, utilizou-se a estatística KMO e Teste de Esfericidade de Bartlett (BTS), que indicam o nível de confiança esperado dos dados tratados pelo método de análise fatorial (Hair et al., 2005).
Palant (2007) sugere 0,6 como um limite razoável para a estatística KMO. Diferentemente, Friel (apud BEAVERS et al., 2013) sugere a seguinte escala para interpretar o valor da estatística KMO: entre 0,90 e 1 excelente; entre 0,80 e 0,89 bom; entre 0,70 e 0,79 mediano; entre 0,60 e 0,69 medíocre; entre 0,50 e 0,59 ruim e entre 0 e 0,49 inadequado. Já Hair et al. (2005) sugerem 0,50 como patamar aceitável. A estatística de Teste de Esfericidade Bartlett (BTS) deve ser estatisticamente significante (p<0,05).
Hair et al. (2005, p.108) defendem que “o pesquisador deve ver a comunalidade de cada variável para avaliar se ela atende a níveis de explicação aceitáveis”. Quando as comunalidades estão abaixo de 0,50, segundo os autores, podem-se tomar as seguintes atitudes: (1) interpretar a solução como ela é e simplesmente ignorar essas variáveis, ou (2) avaliar cada variável para possível eliminação.
Pelo critério de Kaiser devem ser extraídos apenas os fatores com valor de eigenvalue acima de um, pois fatores com valores inferiores contribuem pouco para explicar a variância nas variáveis originais. Hair et al. (2005) sugerem o valor de 0,60 como sendo um valor aceitável para a variância explicada.
Os valores do alfa de Cronbach (Consistência Interna) são baseados nas intercorrelações das variáveis. O alfa de Cronbach é utilizado para avaliar se o conjunto das respostas é confiável e se a amostra está livre de vieses. Valores aceitáveis devem ser iguais ou superiores a 0,7, sendo que para pesquisas exploratórias, valores em torno de 0,60 são aceitáveis. O cálculo de alfa de Cronbach deve ser feito para avaliar a consistência interna dos fatores de uma escala (HAIR et al., 2005).
Para a análise dos dados referentes à Dignidade Organizacional, que apresentou 237 respostas válidas, utilizou-se a Análise Fatorial Exploratória, tendo em vista que o instrumento utilizado inicialmente foi elaborado a partir da percepção de empregados, havendo a necessidade de verificar-se sua validade em relação à percepção do cliente, objeto desta pesquisa. Já para a análise de dados da escala VOPC foi empregada a análise fatorial confirmatória (AFC), por meio da aplicação do software Partial Least Square (PLS), uma vez que essa escala já contava com um conjunto de fatores resultantes do estudo de Guardani (2008).
O primeiro aspecto observado no modelo de mensuração (AFC) foram as Validades Convergentes, obtidas pelas observações das Variâncias Médias Extraídas (Average Variance
Extracted - AVE). Utilizou-se o critério de Fornell e Larcker (HENSELER et al., 2009), isto é, os valores das AVEs devem ser maiores que 0,50 (AVE > 0,50).
A AVE é a porção dos dados (nas respectivas variáveis) que é explicada por cada um dos construtos ou Variáveis Latentes (VL), respectivos aos seus conjuntos de variáveis ou quanto, em média, as variáveis se correlacionam positivamente com os seus respectivos construtos ou VL. Assim, quando as AVEs são maiores que 0,50, admite-se que o modelo converge a um resultado satisfatório (FORNELL; LARCKER, 1981). A AVE é a média das cargas fatoriais elevada ao quadrado. Assim, para se elevar o valor da AVE devem-se eliminar as variáveis com cargas fatoriais (correlações) de menor valor.
Como se está lidando com correlações e regressões lineares, é preciso avaliar se essas relações são significantes (p ≤ 0,05), pois, para os casos de correlação se estabelece a hipótese nula (Ho) como r = 0 e para os casos de regressão se estabelece com Ho: Г = 0 (coeficiente de caminho = 0).
Se p > 0,05 se aceitam as Ho e deve-se repensar a inclusão de VLs ou Variável Observada (VO) no Modelo de Equação Estrutural (MEE). Explicando mais, o software calcula testes t de Student entre os valores originais dos dados e aqueles obtidos pela técnica
de reamostragem, para cada relação de correlação VO – VL e para cada relação VL – VL.
A avaliação da Validade Discriminante (VD) é entendida como um indicador de que os construtos ou variáveis latentes são independentes um dos outros (HAIR et al., 2005). O critério de Fornell e Larcker (1981): Comparam-se as raízes quadradas dos valores das AVEs de cada constructo com as correlações (de Pearson) entre os construtos (ou variáveis latentes). As raízes quadradas das AVEs devem ser maiores que as correlações entre os dos construtos.
Executado os procedimentos, é de praxe colocar os valores das raízes quadradas dos valores das AVEs na diagonal principal da tabela de relação das VL e destacá-las com algum tipo de cor.
Para analisar as relações entre os Valores Organizacionais Percebidos pelos Clientes e Práticas de Dignidade Organizacional Percebidas pelos Clientes foi realizada a análise de Equações Estruturais mediante a aplicação do PLS.
4 RESULTADOS
Este capítulo foi organizado de acordo com os objetivos específicos de validação da escala de Práticas de Dignidade Organizacional percebidas pelos Clientes e de teste e validação da escala de Valores Organizacionais Percebidos pelos Clientes, bem como do objetivo principal de identificar a relação entre as práticas de Valores Organizacionais e as Práticas de Dignidade Organizacional, a partir da percepção do cliente.
4.1 Validação da escala de Práticas de Dignidade Organizacional Percebidas pelos