Bulgular ve Yorum

A análise exploratória apenas define possíveis relações de forma geral. O pesquisador não busca “confirmar” quaisquer relações especificadas anteriormente, mas deixa o método e os

dados definirem a natureza das relações. Já a análise confirmatória é o uso de uma técnica multivariada para testar uma relação pré-especificada (HAIR JR. et al, 2005, p. 466).

Segundo Hair Jr. et. al (2005, p. 109), uma das formas de confirmar as relações obtidas da teoria ou de uma análise exploratória é avaliando a repetitividade dos resultados, seja com uma amostra particionada do conjunto de dados originais, seja com uma amostra separada. A comparação de resultados é sempre problemática, mas uma forma de confirmação também pode ser realizada submetendo as relações a uma análise por modelagem de equações estruturais.

A Modelagem de Equações Estruturais (MEE) é uma técnica multivariada que combina aspectos de regressão múltipla (examinando relações de dependência) e análise fatorial (representando conceitos não medidos – fatores – com múltiplas variáveis) para estimar uma série de relações de dependência interrelacionadas simultaneamente (p. 468).

Neste estudo, tanto as relações teóricas quanto as obtidas pela análise fatorial exploratória foram submetidas à avaliação pela técnica de MEE.

Modelo de mensuração e método de estimação

Modelo de mensuração é um submodelo em MEE que especifica os indicadores para cada construto e avalia a confiabilidade de cada construto para estimar as relações causais. É semelhante à análise fatorial, porém é o pesquisador que especifica quais variáveis são indicadoras de cada construto, com as demais variáveis sem carga, exceto aquelas em seu construto especificado (HAIR JR. et al, 2005, p. 469).

O modelo pode ser formativo ou reflexivo. Jarvis et al (2003) apresentam as diferenças entre os modelos no Quadro 29.

Quadro 29 – Diferenças entre modelos formativos e reflexivos

A direção de causalidade é do construto para a

variável medida A direção de causalidade é da medida para o construto

Medidas devem ser correlacionadas (medidas devem possuir confiabilidade e consistência internas)

Não há razão para esperar que as medidas sejam correlacionadas (não há necessidade de que tenham consistência interna)

A retirada de um indicador do modelo não altera o

significado do construto A retirada de um indicador do modelo deve alterar o significado do construto

Considera os erros de medida nos itens Considera os erros de medida no construto

Construto possui um significado excedente Construto possui um significado excedente O escore da escala não representa adequadamente

o construto O escore da escala não representa adequadamente o construto

FONTE: JARVIS et al, 2003, p. 201 (adaptado)

Neste estudo, o modelo é reflexivo, pois os construtos (tanto o sucesso na carreira e o comprometimento, quanto os fatores de primeira ordem) não são formados pelo conjunto das variáveis de medida, eles existem de forma independente, e algumas variáveis medidas guardam uma parcela da variável latente. O fato de não medir um dos itens não altera o construto, mas o conjunto adequado de itens ajuda a dar consistência ao que se está interpretando como variável latente.

O modelo foi estimado pelo método dos Mínimos Quadrados Parciais PLS-PM (Partial Least

Squares Path Modeling). Segundo Bido et al (2010), este método tem as seguintes vantagens

em relação a outras opções:

- Regressão múltipla não seria possível com variáveis latentes;

- PLS-PM estima o modelo de mensuração (relação entre os indicadores e as variáveis latentes) e o modelo estrutural (relações entre as variáveis latentes) simultaneamente; - LISREL tem suposição de normalidade dos dados (ZWICKER et al, 2008).

Para este método, foi utilizado o software SMART PLS 2.0 M39.

Modelo estrutural

Segundo Hair Jr. et al (2005, p. 469), o modelo estrutural “é o conjunto de uma ou mais relações de dependência conectando os construtos hipotetizados do modelo”.

Ilustração 11 – Exemplo de modelo estrutural PSC x ICCO no SMART PLS

Como o objetivo é avaliar a relação entre PSC e ICCO, o modelo estrutural proposto está representado na Ilustração 11. Os círculos representam variáveis latentes (ou “fatores”). D1, D2 e D3 são fatores de segunda ordem ou dimensões de conjuntos de fatores da PSC. A PSC é um fator de terceira ordem no modelo estrutural. A ilustração também apresenta os modelos de mensuração de F4 e F_ICCO_1 para ilustrar como os modelos de mensuração se configuram no modelo estrutural proposto.

Bootstrapping

Segundo Hair Jr. et al (2005, p. 466), bootstrapping é uma forma de reamostragem na qual os dados originais são repetidamente amostrados com substituição para estimação do modelo.

Para avaliação do modelo estrutural, a técnica bootstrapping, no SMART PLS, apresenta os resultados do teste da distribuição t de Student considerando várias amostras. De acordo com o valor de t pode-se definir se os coeficientes padronizados (path coefficients) são significantes. A hipótese nula H0 é que os coeficientes sejam iguais a zero. Para altos valores de n (quantidade de casos da amostra), o t de Student superior a 1,96 indica que há menos de 5% de risco de rejeitar H0. Quanto maior o t, menor o risco de rejeitar H0 e, portanto, com H0 rejeitada, a correlação é significante.

Critérios de convergência:

- Cargas fatoriais: das variáveis no fator superiores a 0,5;

- Variância extraída: AVE (Average Variance Extracted) superior a 0,5; - Confiabilidade: alfa de Cronbach superior a 0,60;

- Confiabilidade Composta (composite reliability): é uma medida de consistência interna dos indicadores do construto, descrevendo o grau em que eles indicam o construto latente em comum – superior a 0,7.

Critério de discriminância:

- Validade discriminante: os indicadores devem ter cargas fatoriais mais altas nas suas respectivas variáveis latentes (raiz quadrada da AVE) do que em relação às outras variáveis latentes (esta informação é obtida da matriz de correlação entre as variáveis latentes no SMART PLS)

Critérios de validade nomológica:

- No caso da PSC, os resultados para a amostra da Pesquisa A (alunos, professores e funcionários de uma universidade) e para a amostra da Pesquisa B (professores de 10 universidades) devem apresentar resultados semelhantes;

- Todas as correlações devem ser significantes – t de Student, através de Bootstrapping, superior a 1,96. Para amostras próximas a 100 (como é o caso da Pesquisa B), o t de