Os dados foram processados por meio do software SPSS30 , versão 15.0, para análises descritiva e multivariada de dados. Além dele, foi utilizado o Smart PLS 2.031 para a realização da análise de equações estruturais. De forma geral os procedimentos para análise dos dados foram os seguintes:
análise descritiva: distribuições, médias e desvio padrão. Foram utilizados os procedimentos frequencies (frequência) e basic tables (tabelas básicas) do SPSS. O propósito básico da análise descritiva é entender a situação atual das políticas de tecnologia da informação e comunicação dos estados em cada bloco que compôs o questionário – desenho institucional, oferta de serviços eletrônicos e efetividade na gestão e governança de tecnologia da informação,
análise fatorial (factor analysis): abordagem estatística que pode ser usada para verificar a correlação entre um grande número de variáveis e explicá-las em termos de dimensões. O objetivo básico é condensar um conjunto muito grande de informação contida em “n” variáveis em um conjunto menor de variáveis, chamadas fatores. A análise fatorial foi utilizada em vista de a institucionalização das políticas de governo eletrônico ser uma variável complexa, que não pode ser medida diretamente (BEZERRA, 2007). Para fazê-lo, é necessária a conjugação de diversas variáveis. Entretanto, ao se estruturar um conjunto muito grande de questões, o processo de análise “imerge” num enorme conjunto de variáveis, e a
30
Statistical Package for the Social Sciences ou Pacote Estatístico para as Ciências Sociais.
31
construção de fatores é uma ferramenta útil para destacar dimensões latentes ou “novas variáveis” a partir das respostas.
De acordo com Hair et al. (2006), o propósito básico desse tipo de análise agregar dados. Assim como na análise qualitativa utilizou-se a formação de nós para agregar um volume muito grande de informações contidas nas entrevistas, a análise fatorial no questionário desempenhou o papel de reduzir o número de 63 variáveis, correspondente ao número de questões do questionário, para um número menor de fatores que facilitassem a análise dos dados.
É importante considerar que, na análise fatorial, não há relação de dependência entre as variáveis: não há variáveis consideradas independentes nem dependentes. (HAIR et al, 2006). Ela é uma técnica de interdependência que procura considerar as correlações de todas as variáveis simultaneamente. Assim, o propósito central da técnica é agregar as variáveis em fatores “formados para maximizar seu poder de explicação do conjunto inteiro de variáveis, e não para prever uma variável (eis) dependente (s) (HAIR et al., 2006: 92).
Assim, na análise fatorial, uma situação com inúmeras variáveis é explicada a partir de dimensões “escondidas” (fatores) entre as variáveis (BEZERRA, 2007). A figura 17 ilustra o conceito:
Figura 17: variáveis latentes e a formação de fatores Fonte: Bezzera, 2007, adaptado.
Entenda-se, portanto, que o objetivo da análise fatorial é identificar fatores não observáveis diretamente, a partir da correlação de um conjunto de variáveis observáveis e passíveis de medição. O propósito é agrupar i variáveis (X1, X2, X3,..., Xi) em um número j de fatores (F1, F2, F3, ... Fj).
Os fatores são gerados pela correlação estatística entre as variáveis observadas e a dimensão latente (fator). Não nos compete aqui uma análise detalhada dos procedimentos estatísticos responsáveis pela agregação das variáveis em fatores. O ponto importante é compreender que ela permite a agregação de um conjunto amplo de variáveis ao clarificar “dimensões escondidas” nos dados.
Voltando aos procedimentos para análise dos dados, temos ainda os seguintes: análise de confiabilidade das variáveis: para medir a confiabilidade das dimensões latentes da análise fatorial foi utilizado o procedimento de análise de confiabilidade Reliability do software SPSS. Esse procedimento produz o coeficiente alpha de Cronbach, uma estimativa da correlação entre valores obtidos para essa variável em diferentes aplicações do questionário. Traduzindo, ele mede o grau de confiabilidade de que os resultados sejam repetidos caso o questionário seja aplicado mais de uma vez em momentos distintos. Quanto mais próximo de 1, mais confiável o instrumento. Para finalidade prática, valores acima de 0,7 são considerados apropriados;
equações estruturais: a estatística multivariada, por meio de processos como análise fatorial, fornece poderosas ferramentas para que os pesquisadores possam trabalhar com questões teóricas. Há momentos, entretanto, em que o interesse do pesquisador é examinar as relações de dependência entre variáveis. Grande parte das técnicas de dependência examina uma relação por vez entre variáveis dependentes e independentes. É o caso da regressão simples. Mesmo técnicas que trabalham com mais de uma variável trabalham apenas com uma relação por vez. (HAIR et al, 2006) (et al?). Para lidar com um conjunto de questões interrelacionadas existe o método das equações estruturais. Ele foi usado para fazer o teste da hipótese de que o grau de institucionalização da política de e-governo apresenta impactos diretos e indiretos sobre as ações de governo eletrônico e os resultados. Assim, as equações estruturais são utilizadas para medir a associação entre construtos independentes e dependentes tomados simultaneamente. Um construto pode assumir tanto o papel de variável independente quanto dependente. Entre as diferentes técnicas de modelagem de equações estruturais, a escolhida foi a partial least squares (PLS), que não requer muitos casos, situação da amostra utilizada nesta tese.
Em termos simples, o modelo de equações estruturais estima uma série de equações de regressão múltipla separadas, mas interdependentes, simultaneamente, pela especificação de um modelo estrutural usado no programa estatístico. Primeiramente o
pesquisador se baseia na teoria, experiência prévia e nos objetivos de pesquisa para avaliar quais as relações de dependência entre um conjunto de variáveis.
O arcabouço teórico construído para o teste da hipótese central do estudo englobou 63 variáveis observadas, agrupadas em quatro macro construtos: desenho institucional (31 variáveis), serviços eletrônicos do estado (16 variáveis), serviços eletrônicos das secretarias (oito variáveis) e resultados (nove variáveis). Os construtos foram originados a partir do esquema de análise exposto no Item 6.3.2 desta tese.
Foram calculados os seguintes indicadores estatísticos: correlação entre os macro construtos, coeficientes de regressão (betas) entre os macro construtos, poder explicativo dos macro construtos independentes sobre os dependentes e o teste t de significância das relações calculadas entre os macro construtos. Logo abaixo há um pequeno detalhamento de cada indicador, mas não há a intenção de explicá-los em profundidade. O mais importante para a tese é a compreensão do objetivo de cada medida. Assim sendo, não serão apresentadas na metodologia os cálculos utilizados para estabelecer os diversos coeficientes, uma vez que os procedimentos são realizados por pacotes estatísticos.
A regressão pode ser entendida como a relação de duas ou mais variáveis envolvidas na descrição de um fenômeno. O objetivo da técnica, realizada pela criação de uma equação de regressão, é compreender a relação entre uma variável dependente e uma ou mais variáveis independentes.
Para estabelecer as relações de regressão, o primeiro ponto é o cálculo do coeficiente de correlação que mede a força do relacionamento ou o grau de associação entre duas variáveis (CUNHA e COELHO, 2007). Pode-se entender que duas variáveis estão fortemente correlacionadas se a variação de uma estiver fortemente associada às alterações de outra. O coeficiente de correlação varia de -1 a + 1. Quanto mais próximo de -1 ou de +1, maior é o grau de associação. Quanto mais próximo de 0, menor é a força de correlação entre elas. De acordo com Cunha e Coelho (2007), quando a correlação atinge o valor de -1 pode-se chamá-la de correlação negativa perfeita. À medida que uma variável aumenta a outra diminui. Por outro lado, quando atinge o valor de +1 define-se como correlação perfeitamente positiva. Por outra: à medida que uma variável aumenta o valor a outra também o faz. Por óbvio, quanto maior o coeficiente de correlação, maior o grau de associação entre as variáveis e maiores as capacidades preditivas do modelo. Nesta tese foram medidos os coeficientes de correlação entre os macro construtos desenho institucional, serviços eletrônicos do Estado, serviços eletrônicos da secretaria e resultados.
Além dos coeficientes de correlação foram medidos os coeficientes de regressão, denotando a variação estimada na variável dependente por uma unidade de variação da variável independente. Assim, diferentemente do modelo do cálculo da correlação cujo propósito é mostrar se duas variáveis estão associadas, a regressão tem o propósito de explicitar o “tamanho” da variação de uma variável dependente em função de modificações na variável independente. A título de exemplo, pode-se supor que o macro construto desenho institucional tenha sido considerado variável independente, e o macro construto serviços eletrônicos oferecidos pelo Estado, uma variável dependente. O coeficiente de regressão mostra qual será o tamanho da variação no oferecimento de serviços pelo Estado caso haja o aumento de uma unidade no desenho institucional.
Além dos coeficientes de correlação e regressão foi calculado o poder explicativo da regressão, conhecido como R2. Tal coeficiente aponta o quanto da variação da variável dependente Y é explicada pelas variações das variáveis independentes X1, X2, X3, Xn.
Por fim, foi feito o teste de significância estatística dos coeficientes de regressão estimados. Esse tipo de teste é apropriado quando a análise é baseada na amostra de uma população e não em um censo (HAIR et al., 2007). Quando um pesquisador realiza a análise de regressão numa amostra, está interessado não só naquele grupo de respondentes, mas na capacidade de extrapolar o modelo para uma população. Os testes de significância fornecem uma estimativa estatisticamente baseada na probabilidade de que os coeficientes calculados para várias amostras sejam diferentes de zero.