Como método de estimação dos parâmetros dos modelos propostos e com o objetivo de avaliar a rejeição ou não rejeição das hipóteses de pesquisa, foi adotada a modelagem multinível, por meio do software HLM5.04 ®, tendo em vista a perspectiva utilizada quando da proposição das relações entre os constructos. A abordagem multinível é adequada quando um conjunto de características ou processos que ocorrem em um nível mais elevado de análise influencia características ou processos em níveis inferiores (LUKE, 2004). Conforme destaca o autor, “o objetivo de um modelo multinível é predizer valores de uma determinada variável dependente tomando por referência uma função de variáveis preditoras em mais de um
nível”34 (LUKE, 2004, p. 9). 34 Tradução do autor.
Z (contexto)
Y (desempenho)
a
1Z (contexto)
Y (desempenho)
a
1Z (contexto)
Y (desempenho)
a
1Z (contexto)
Y (desempenho)
a
1Conforme destacam James e Williams (2000), a análise de modelos multinível, especificamente do tipo cross-level, top-down, tais como os propostos nesta pesquisa, por meio do método HLM – Hierarchical Linear Model –, consiste na estimação da proporção da variância das variáveis de um nível inferior que é explicada pelas variáveis de um nível mais elevado. Exemplos: quanto da variância do desempenho é explicado pela estratégia corporativa; quanto da variância da estratégia corporativa é explicado pelo ambiente da indústria; quanto da variância do desempenho é explicado pela estratégia corporativa e pelo ambiente da indústria.
As relações entre as variáveis explicativas e as variáveis dependentes podem ser identificadas por meio das médias das últimas – análise sob a perspectiva de médias como resultados (Equação 4) – ou por meio da carga das variáveis independentes na determinação da variável dependente – cargas (slopes) como resultados (Equação 5). Cabe ressaltar a viabilidade de aplicação simultânea das duas perspectivas no mesmo modelo de análise (Equação 6). DiPrete e Forristal (1994) afirmam que, com o devido embasamento, o pesquisador pode definir os modelos de forma que algumas cargas variem enquanto outras são fixadas, ou somente o intercepto varie enquanto as cargas são fixadas.
Equação (4):
Ytij= π0ij+ π1ijX+εtij
π0ij = 00j+ 01j K+r0ij
π1ij = 10j
00j = 000+ 001W+µ00j 01j = 101; 10j = 100
Onde:
Ytij = variável dependente – desempenho organizacional;
π0ij = desempenho médio para o nível 1;
π1ij = efeito da variável X no desempenho para o nível 1; 00j = desempenho médio para o nível 2;
01j = efeito da variável K no desempenho médio no nível 1, para o nível 2; 10j = efeito da variável X no desempenho para o nível 2;
101 = efeito da variável W no desempenho médio do nível 2, para o nível 3; 000 = desempenho médio para o nível 3; e
Equação (5):
Ytij= π0ij+ π1ijX+εtij
π0ij = 00j
π1ij = 10j+ 11j K+r1ij 00j = 000; 10j = 100 11j = 110 + 111W+µ11j
Onde:
Ytij = variável dependente – desempenho organizacional;
π0ij = desempenho médio para o nível 1;
π1ij = efeito da variável X no desempenho para o nível 1; 00j = desempenho médio para o nível 2;
10j = efeito médio da variável X no desempenho no nível 1, para o nível 2; 11j = efeito da variável K no efeito da variável X, no desempenho, para o nível 2; 000 = desempenho médio para o nível 3;
100 = efeito médio da variável X no desempenho para o nível 3;
110 = efeito médio da variável K no efeito da variável X, no desempenho, para o nível 3; e 111 = efeito da variável W no efeito da variável K, no efeito da variável X, no desempenho,
para o nível 3.
Equação (6):
Ytij= π0ij+ π1ijX+εtij
π0ij = 00j+ 01j K+r0ij π1ij = 10j+ 11j K+r1ij 00j = 000+ 001W+µ00j 10j = 100 + 101W+µ10j 11j = 110 + 111W+µ11j Onde:
Ytij = variável dependente – desempenho organizacional;
π0ij = desempenho médio para o nível 1;
π1ij = efeito da variável X no desempenho para o nível 1; 00j = desempenho médio para o nível 2;
01j = efeito da variável K no desempenho médio, para o nível 2;
10j = efeito médio da variável X no desempenho no nível 1, para o nível 2; 11j = efeito da variável K no efeito da variável X, no desempenho, para o nível 2;
000 = desempenho médio para o nível 3;
001 = efeito da variável K no desempenho médio, para o nível 3; 100 = efeito médio da variável X no desempenho para o nível 3;
101 = efeito da variável W no efeito médio da variável X, no desempenho, para o nível 3; 110 = efeito médio da variável K no efeito da variável X, no desempenho, para o nível 3; e 111 = efeito da variável W no efeito da variável K, no efeito da variável X, no desempenho,
para o nível 3.
Modelos lineares hierárquicos têm como referência o pressuposto de que indivíduos (organizações) em um mesmo grupo (indústria) tendem a apresentar mais similaridades uns com os outros do que com aqueles que pertencem a outros grupos. Tais modelos viabilizam a investigação da variância da variável objeto de estudo tanto no nível mais inferior como no nível mais elevado, mantendo-se o nível de análise das variáveis independentes (HOFFMAN, 1997; WECH e HECK, 2004).
Além disso, pode-se modelar a variância da variável dependente tanto para as organizações como para as indústrias, especificamente no caso desta pesquisa, ao mesmo tempo em que são utilizadas variáveis preditoras relativas às organizações e às indústrias, nos respectivos níveis, caracterizando abordagens de relações intra-níveis e entre níveis (HOFFMAN, 1997; EDDLESTON, OTONDO e KELLERMANNS, 2008).
Ainda de acordo com Hoffman (1997), há que se distinguir entre efeitos aleatórios, os quais variam entre os grupos analisados, e os efeitos fixos, que não variam entre os grupos. Conforme apresentado por DiPrete e Forristal (1994), em um modelo multinível de efeitos fixos os coeficientes estimados para o nível mais inferior são expressos como uma função exata das variáveis do nível mais elevado. Já em um modelo de efeitos aleatórios, a inclusão de termos representativos do erro permite ao pesquisador decompor a variância da variável dependente entre os grupos analisados e dentro dos grupos e sua relação com a variável dependente do nível mais inferior.
De acordo com Ringdal (1992), a análise de modelos lineares hierárquicos ocorre em dois estágios, sendo o primeiro passo a estimação de um modelo de regressão aleatório não- condicional, também chamado de modelo nulo, no qual as cargas variam entre os grupos, sem que sejam incluídas variáveis preditoras. O objetivo desse primeiro estágio é identificar a
aplicabilidade da perspectiva multinível à análise das relações entre as variáveis que compõem o modelo.
Identificada a aplicabilidade da referida perspectiva, passa-se à estimação do modelo com a inclusão das variáveis preditoras ou independentes, cujos resultados serão comparados aos do modelo nulo, de forma a verificar a capacidade explicativa do modelo final, em termos da variância das variáveis estudadas.
De Leeuw e Meijer (2008) abordam os modelos multiníveis de medidas repetidas, que utilizam dados longitudinais para estimação dos parâmetros, nos quais as variáveis são mensuradas em espaços fixos de tempo para cada componente da amostra de estudo. Os autores ressaltam que não é necessário que a amostra seja balanceada, tendo em vista a possibilidade de mensuração para cada componente em diferentes etapas. Segundo Skrondal e Rabe-Heskethz (2008) uma amostra balanceada é aquela cujos elementos foram mensurados nos mesmos períodos de tempo e em uma amostra não-balanceada as variáveis são mensuradas em diferentes períodos.
Ainda de acordo com Skrondal e Rabe-Heskethz (2008), um aspecto que distingue os dados longitudinais dos outros tipos de dados é o ordenamento cronológico dos mesmos, característica que inviabiliza o seu reordenamento ou seu reposicionamento na amostra. Dentre outros objetivos da análise longitudinal, Skrondal e Rabe-Heskethz (2008) destacam a investigação dos efeitos das covariáveis tanto no nível mais amplo como nas mudanças dos valores ao longo do tempo e que um aspecto relevante da abordagem é que ela viabiliza a identificação dos efeitos tanto numa perspectiva corte-transversal como numa perspectiva longitudinal.
Apresentados os embasamentos metodológicos e dos métodos de tratamento dos dados utilizados nesta pesquisa, procede-se, a seguir, à explicitação da operacionalização da mensuração das variáveis que compõem os modelos estudados.