Lozan ve Sevr Antlaşmasının Karşılaştırılması

Ressalta-se que esta técnica estatística análise fatorial foi utilizada nas variáveis dependentes de criação de valor e de desempenho.

A análise fatorial é uma técnica estatística multivariada amplamente utilizada em administração. O uso dessa técnica tem como objetivo criar conjuntos de variáveis com o objetivo de facilitar o entendimento em relação a uma situação empírica. Tabachinick e Fidell (2007) relatam que é um processo alternativo de mensuração e identificação de variáveis que caminham juntas, ou seja, variáveis que apresentam a mesma estrutura subjacente.

Dancey e Reidy (2006) entendem que a forma prática de realizar uma análise de fatores é construir uma amostra na qual se tenha um conjunto de valores resultados de um certo número de variáveis observadas.

Para Zeller e Carmines (1980), a análise fatorial refere-se a uma variedade de técnicas relacionadas e desenhadas para tornar as variáveis observadas mais facilmente interpretáveis. Assim, por meio da análise fatorial, pode-se criar um processo de agregar mais informações. Contudo, tende a exigir do pesquisador um maior grau de conhecimento e sofisticação técnica.

Segundo Mingoti (2007), quando se tem uma quantidade de variáveis, correlacionadas entre si, é possível, a partir da análise fatorial, a identificação de um número menor de novas variáveis não correlacionadas e de sumarizar essas informações, também chamadas de variáveis latentes ou simplesmente fatores.

Quando existe uma ligação sistemática e coerente entre as variáveis ocorre uma relação entre elas. Em estatística, usa-se essa relação para determinar se existe uma associação estatística entre as variáveis. Cabe ressaltar que uma associação estatística não necessariamente corresponde a uma relação causa efeito entre as variáveis. Nesse sentido, Anderson, Sweeney e Williams (2002) explicam que pode apenas indicar como ou até que ponto as variáveis estão associadas umas com as outras.

Assim sendo, a análise fatorial corresponde a uma técnica estatística de associação, em que há a possibilidade de se poder agrupar em menor corpo o conjunto de variáveis. Portanto, em relação às variáveis, fornece como fonte de dados a direção e a força de associação das variáveis. Em síntese, transforma um conjunto de variáveis originais em variáveis latentes ou fatores.

Assim, o objetivo da análise fatorial é apresentar um grande número de variáveis em função de um número mínimo de fatores. Desse modo, as variáveis originais de criação de valor e desempenho foram transformadas por meio da análise fatorial em variáveis latentes de criação de valor e desempenho.

Inicialmente, buscou-se identificar as condições a serem satisfeitas para o cálculo da análise fatorial, que foram verificadas por meio dos pressupostos.

Conforme Hair et al.( 2009) e Fávero et al. (2009), as condições para a aplicação dessa técnica estatística econométrica estão relacionadas a seguir:

 1º pressuposto - tamanho da amostra - a amostra deve ter, no mínimo, 50 casos, conforme Fávero et al. (2009), e a razão entre o número de observações e quantidade de variáveis deve ser igual ou superior a cinco. Com esta pesquisa têm-se 165 casos e a razão de 12,69 (165/13) observações/variáveis, para as variáveis dependentes de criação de valor e a razão de 18,33 (165/9) observações/variáveis, para as variáveis dependentes de desempenho. Portanto, o pressuposto foi atendido.

 2º pressuposto – correlação – a maior parte dos coeficientes de correlação deve apresentar valores acima de 0,30, conforme Fávero et al. (2009). Portanto, de acordo com a tabela 8 – Matriz de correlação de pearson entre a variáveis de criação de valor e a tabela 9 - Matriz de correlação de pearson entre a variáveis de desempenho, também foi atendido esse pressuposto.

A tabela 8 apresenta a correlação de pearson para as variáveis de criação de valor.

Tabela 8– Matriz de correlação de pearson entre as variáveis de criação de valor

Correlações Alav- Op AVA Inv.Tot. Alav Fin. EBITDA. AT. Tx.Cresc. Rec. FCL EVA Inv.A Fixo Marg.L Op. CDG Cust Med K Rent KP Alav-Op. 1 AVA -0,062 1 Inv.Tot. -0,025 -0,035 1 Alav-Financ. 0,001 0,015 0,012 1 EBITDA.AT. -0,076 0,558 -0,151 0,038 1 Tx.Cresc.Rec. -0,065 0,086 -0,053 -0,042 -0,02 1 FCL -0,023 -0,146 -0,179 -0,139 0,397 -0,13 1 EVA -0,009 -0,058 0,954 0,005 -0,112 -0,045 -0,091 1 Inv.A.Fixo. -0,016 -0,040 0,993 0,013 -0,164 -0,043 -0,196 0,949 1 Marg.L.Op. -0,081 0,522 -0,126 -0,092 0,89 0,013 0,537 -0,095 -0,14 1 CDG 0,006 0,009 0,669 0,024 -0,067 -0,039 -0,054 0,565 0,682 0,007 1 Cust.Med.K -0,061 0,004 0,123 0,004 -0,17 0,008 -0,370 -0,018 0,097 -0,157 0,114 1 Rent.KP -0,052 0,876 -0,025 0,004 0,475 0,100 -0,153 -0,055 -0,031 0,454 0,028 0,061 1 Fonte - Elaborado pelo autor da tese.

Por meio da tabela 8, observa-se que existe correlação significativa entre as variáveis que comporão a análise fatorial.

A tabela 9 apresenta a correlação de pearson para as variáveis de desempenho.

Tabela 9– Matriz de correlação de pearson entre as variáveis de desempenho

Correlações CT.PL ROE ROI ROA ML MB At.Operac. CDG At.Inve st. CDG At. Financ. CDG CT.PL 1 ROE 0,031 1 ROI -0,406 0,706 1 ROA -0,423 0,594 0,774 1 ML -0,254 0,743 0,704 0,818 1 MB -0,318 -0,100 0,121 0,303 0,083 1 At.Operac.CDG -0,139 -0,034 0,168 -0,173 -0,133 -0,194 1 At.Invest.CDG -0,050 0,082 0,126 0,092 0,057 0,181 -0,529 1 At.Financ.CDG -0,039 -0,083 0,032 -0,034 -0,057 0,059 0,041 0,568 1 Fonte - Elaborado pelo autor da tese.

Por meio da tabela 9, observa-se que existe correlação significativa entre as variáveis que comporão a análise fatorial.

Portanto, esse pressuposto também foi atendido por meio da análise da correlação de Pearson, tanto para as variáveis de criação de valor, quanto para as variáveis de desempenho.

 3º pressuposto – teste de Kaiser-Meyer-Olkin (KMO) – Hair et al. (2009) apontam para a necessidade de um padrão mínimo de 0,50 de adequabilidade, sendo, quanto maior, melhor.

A tabela 10 apresenta a avaliação do teste KMO para as variáveis de criação de valor.

Tabela 10– Teste de kaiser-Meyer-Olkin (KMO) entre as variáveis de criação de valor KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,672

Bartlett's Test of Sphericity Approx. Chi-Square 3997,126

df 78

Sig. ,000

Com base nos dados da pesquisa, as variáveis de criação de valor apresentaram média de adequação da amostra de 0,672, conforme apresentado na tabela 10. Portanto, como o desejável é ser superior a 0,50 para validação do teste, esse pressuposto foi atendido.

A tabela 11 apresenta a avaliação do teste KMO para as variáveis de desempenho.

Tabela 11– Teste de kaiser-Meyer-Olkin (KMO) entre as variáveis de desempenho KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,520

Bartlett's Test of Sphericity Approx. Chi-Square 1828,763

df 36

Sig. ,000

Fonte - Elaborado pelo autor da tese.

Com base nos dados da pesquisa, as variáveis de desempenho apresentaram média de adequação da amostra de 0,520, conforme apresentado na tabela 11. Novamente, como o desejável é um resultado maior que 0,50 para validação do teste, esse pressuposto também foi atendido.

 4º pressuposto - teste de esfericidade de Bartlett (BTS) - apresenta o nível de adequação da análise fatorial para o conjunto de dados, ou seja, um teste estatístico que meça a significância geral de todas as correlações em uma matriz de correlação. Nível de significância abaixo p<0,05 é o ideal, conforme Hair et al. (2009).

Portanto, no que se refere às variáveis de criação de valor, apresentadas na tabela 10, esse pressuposto foi atendido, uma vez que o nível de significância se sitou em p<0,000.

Já, em relação às variáveis de desempenho, apresentados na tabela 11, esse pressuposto foi atendido com nível de significância p<0,000.