Analise As Assertivas A Seguir

O que é a análise das assertivas

Você já se deparou com um questionário e precisou validar se as perguntas realmente medem o que dizem medir. A analise as assertivas a seguir é basicamente esse processo: verificar se cada item de uma escala contribui para a confiabilidade e a validade do construto que você está estudando. Não é bicho de sete cabeças, mas tem detalhes que costumam pegar gente desprevenida. A ideia central é simples. Você tem um conjunto de afirmações (assertivas) destinadas a medir algo como satisfação, ansiedade, desempenho ou qualquer outro construto. O teste pede pra você olhar se elas "andam juntas". Se uma assertiva não se correlaciona com as demais, ela tá arrastando a confiabilidade pra baixo e precisa ser reconsiderada.

Passo a passo prático da análise

Comece coletando os dados brutos. Digamos que você aplicou um questionário com 12 assertivas em 200 respondentes. A primeira coisa é rodar o alfa de Cronbach geral. Isso te dá um número entre 0 e 1. Acima de 0,7 já é aceitável na maioria dos estudos das ciências sociais. Acima de 0,8 é bom. Acima de 0,9 aí você começa a se perguntar se não tem redundância demais. Depois do alfa geral, rode a análise item-total. Aqui é onde a maioria das pessoas erra. Você vai olhar dois indicadores para cada assertiva: a correlação item-total (excluído) e o alfa de Cronbach se o item for excluído. Se uma assertiva tiver correlação item-total baixa (menos de 0,3) e a remoção dela aumentar significativamente o alfa geral, ela precisa sair da escala. Minha experiência com escalas de clima organizacional me mostrou isso na prática. Eu tinha uma assertiva sobre "reconhecimento pela equipe" que simplesmente não conversava com as outras. A correlação era 0,18. Tirei ela e o alfa subiu de 0,71 para 0,79. O construto ficou mais limpo. Às vezes você fica apegado a uma pergunta porque foi a que você escreveu com mais cuidado, mas os dados falam mais alto.

Validade de construto: o próximo nível

Confiança não é tudo. Uma escala pode ser super confiável e medir a coisa errada. Aqui entra a análise fatorial exploratória. Você roda uma PCA (Análise de Componentes Principais) ou FA (Análise Fatorial) com rotação varimax, dependendo do seu objetivo. O teste KMO (Kaiser-Meyer-Olkin) deve ser maior que 0,6. O teste de Esfericidade de Bartlett precisa ser significativo (p menor que 0,05). Se esses dois não passarem, talvez seus dados nem sejam adequados para análise fatorial. Já me ocorreu de ter um KMO de 0,48 em uma escala de liderança. A conclusão foi que o construto não estava bem definido no contexto que eu estava estudando, não que a estatística estava errada. Tive que reformular as assertivas e refazer a coleta. Os autovalores (eigenvalues) definem quantos fatores extrair. A regra do fator com autovalor maior que 1 funciona na maioria das vezes, mas olhe também o gráfico de scree. Ele mostra claramente onde a curva "quebra" e os fatores passam a explicar pouco variância. Em escalas multidimensionais, espere dois ou três fatores com autovalores acima de 2,0 e o resto caindo rápido.

Pegadinhas que ninguém conta

Um erro comum é confundir dependência linear com redundância. Duas assertivas podem estar altamente correlacionadas porque realmente medem a mesma coisa, mas também podem estar correlacionadas porque o respondente está apenas marcando tudo na mesma direção (efeito de tendencia central ou acquiescence). Antes de remover itens, verifique o padrão de resposta. Se todas as assertivas tiverem média muito alta e variância quase zero, o problema não é a escala. É o público. Outra pegadinha: o alfa de Cronbach não é sensível a multidimensionalidade. Sua escala pode ter dois fatores distintos e mesmo assim apresentar alfa de 0,85. Por isso, sempre confirme com a análise fatorial. Se as cargas fatorais cruzadas forem altas (mais de 0,4 em dois fatores diferentes), aquelas assertivas precisam ser revistas ou excluídas. Quando a amostra é pequena, abaixo de 100 respondentes, as estimativas de confiabilidade ficam instáveis. O intervalo de confiança do alfa fica muito amplo. Nesse caso, considere usar o alfa de McDonald (omega hierárquico) em vez do alfa de Cronbach. Ele lida melhor com dimensões latentes e amostras menores. A diferença pode ser de 0,05 a 0,10 a mais ou a menos, o que muda completamente a interpretação.

Quando a análise simplesmente não funciona

Se suas assertivas são dicotômicas (sim/não) ou têm apenas três opções de resposta, o alfa de Cronbach convencional pode subestimar a confiabilidade. Nesses casos, use o alfa de KR-20 para dados dicotômicos. Para Likert com cinco pontos, o alfa comum ainda serve, mas confirme com o omega. Uma limitação séria: a análise das assertivas depende fundamentalmente da qualidade da amostra. Se os respondentes não entenderam as perguntas, nenhuma técnica estatística resolve. Já vi questionários com alfa de 0,95 que tinham conteúdo irrelevante porque os participantes estavam preenchendo automaticamente sem ler. O remédio é pré-testar sempre com um grupo de cinco a dez pessoas do mesmo perfil antes de aplicar em larga escala. Para rodar essa análise, o SPSS faz o trabalho básico com o menu Analisar > Escalar > Confiabilidade. O R com o pacote psych entrega resultados mais completos, incluindo o omega. O JASP é uma opção gratuita e visualmente clara para quem não quer mexer com código. Todos chegam aos mesmos números, a diferença é só na apresentação.

No fim das contas, a analise as assertivas a seguir serve para transformar um monte de perguntas soltas em uma ferramenta válida. Não é sobre encontrar o número perfeito. É sobre entender o que seus dados estão dizendo e tomar decisões fundamentadas sobre o que manter e o que descartar.