1

FONTE: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
O quadro 2 acima mostra-nos a distribuição de frequências em cursos, isto é, dos 285
estudantes inqueridos encontram-se distribuídos em 24 cursos diferentes. Onde a maioria dos
 2

estudantes respondentes pertence ao curso de licenciatura em ensino de matemática, isto é, 53

estudantes que corresponde a 18.6%, e os restantes 232 estudantes pertencem aos demais 23
cursos, como é por exemplo: 38 estudantes que corresponde a 13.3% responderam que fazem
o curso de licenciatura em estatistica e gestão de informação, 37 estudantes correspondente a
13% responderam que fazem parte do curso de licenciatura em ciências alimentares, 15
estudantes correspondentes a 5.3% fazem parte do curso de licenciatura em ensino de
biologia, 13 estudantes (4.6%) fazem parte do curso de licenciatura em ensino de frances e
mais 13 fazem parte do curso de licenciatura em ensino de quimica, como verifica-se no
quadro 2.

Quadro 3: Representação gráfica percentual referente ao ano de frequência dos estudantes

FONTE: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
O quadro 3 trata, em representação gráfica de barras, o ano de frequência dos estudantes que
mostra-nos que no total de 285 estudantes inqueridos a maioria deles são do segundo ano, isto
é, 53.33% são do segundo ano em seguida são do quarto ano (21.40%), terceiro ano com uma
percentagem de 19.65%, primeiro ano com uma percentagem de 5.26% e por fim a minoria
são do quinto ano com uma percentagem mínima de 0.35%.
 3

Quadro 4: Representação gráfica do sexo dos estudantes

FONTE: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

O quadro 4 fala-nos sobre o sexo dos estudantes questionados para o estudo em causa, num
total de 285 estudantes que correspondem a 100% questionados, destes, 67.72% são do sexo
Masculino, que constituem e maioria dos estudantes questionados, e os restantes 32.28% são
do sexo Feminino.

Quadro 5: Estatística sobre as idades dos estudantes

FONTE: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

As idades dos estudantes têm uma média igual a 25.07 com um desvio padrão de 5.097, 50%
dos estudantes têm uma idade de 24 anos ou a baixo, ou seja, têm 24 anos de idade ou a cima
disso, verificando-se na mediana e muitos estudantes têm uma idade de 21 anos que é a nossa
moda.

Na quadro acima nota-se que 25% dos estudantes têm uma idade de 21 anos ou a baixo disso,
50% dos estudantes têm uma idade igual ou inferior que 24 anos e 75% dos estudantes têm
uma idade igual ou inferior que 28 anos.
 4

Quadro 6: Matriz de correlações entre as variáveis

Matriz de correlações a
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16
Correlação X1 1.000 .229 -.043 .335 .016 .395 .310 -.295 .217 -.055 .343 .090 -.129 -.243 -.013 .119
X2 .229 1.000 -.054 .244 -.289 .138 .178 -.121 .335 -.055 .260 .029 -.198 -.135 -.172 .016
X3 -.043 -.054 1.000 -.090 .092 -.219 -.082 .197 -.023 .209 -.228 -.034 .081 .098 .052 -.105
X4 .335 .244 -.090 1.000 -.058 .434 .412 -.393 .365 -.007 .357 .210 -.064 -.286 .010 .304
X5 .016 -.289 .092 -.058 1.000 .078 -.028 .018 -.193 .027 .074 .202 .190 .055 .248 .185
X6 .395 .138 -.219 .434 .078 1.000 .393 -.473 .187 -.071 .308 .178 -.146 -.380 -.011 .337
X7 .310 .178 -.082 .412 -.028 .393 1.000 -.251 .255 .092 .379 .239 -.105 -.204 .078 .162
X8 -.295 -.121 .197 -.393 .018 -.473 -.251 1.000 -.121 .191 -.279 -.141 .038 .660 -.134 -.154
X9 .217 .335 -.023 .365 -.193 .187 .255 -.121 1.000 .133 .243 .153 -.167 -.061 -.139 .099
X10 -.055 -.055 .209 -.007 .027 -.071 .092 .191 .133 1.000 -.142 .067 .166 .195 -.131 -.035
X11 .343 .260 -.228 .357 .074 .308 .379 -.279 .243 -.142 1.000 .181 -.151 -.189 .004 .207
X12 .090 .029 -.034 .210 .202 .178 .239 -.141 .153 .067 .181 1.000 .081 -.036 .144 .205
X13 -.129 -.198 .081 -.064 .190 -.146 -.105 .038 -.167 .166 -.151 .081 1.000 .154 .331 .017
X14 -.243 -.135 .098 -.286 .055 -.380 -.204 .660 -.061 .195 -.189 -.036 .154 1.000 -.043 -.090
X15 -.013 -.172 .052 .010 .248 -.011 .078 -.134 -.139 -.131 .004 .144 .331 -.043 1.000 .124
X16 .119 .016 -.105 .304 .185 .337 .162 -.154 .099 -.035 .207 .205 .017 -.090 .124 1.000
Sig. (1 X1 .000 .237 .000 .394 .000 .000 .000 .000 .178 .000 .064 .015 .000 .412 .022
extremidad X2
.000 .180 .000 .000 .010 .001 .021 .000 .179 .000 .311 .000 .012 .002 .395
e)
X3 .237 .180 .066 .061 .000 .083 .000 .349 .000 .000 .283 .087 .049 .190 .038
X4 .000 .000 .066 .164 .000 .000 .000 .000 .455 .000 .000 .139 .000 .433 .000
X5 .394 .000 .061 .164 .093 .316 .383 .001 .323 .107 .000 .001 .176 .000 .001
X6 .000 .010 .000 .000 .093 .000 .000 .001 .117 .000 .001 .007 .000 .428 .000
X7 .000 .001 .083 .000 .316 .000 .000 .000 .060 .000 .000 .039 .000 .095 .003
X8 .000 .021 .000 .000 .383 .000 .000 .021 .001 .000 .008 .263 .000 .012 .005
X9 .000 .000 .349 .000 .001 .001 .000 .021 .012 .000 .005 .002 .152 .009 .047
X10 .178 .179 .000 .455 .323 .117 .060 .001 .012 .008 .131 .003 .000 .014 .276
X11 .000 .000 .000 .000 .107 .000 .000 .000 .000 .008 .001 .005 .001 .471 .000
X12 .064 .311 .283 .000 .000 .001 .000 .008 .005 .131 .001 .088 .273 .008 .000
X13 .015 .000 .087 .139 .001 .007 .039 .263 .002 .003 .005 .088 .005 .000 .385
X14 .000 .012 .049 .000 .176 .000 .000 .000 .152 .000 .001 .273 .005 .233 .065
X15 .412 .002 .190 .433 .000 .428 .095 .012 .009 .014 .471 .008 .000 .233 .019
X16 .022 .395 .038 .000 .001 .000 .003 .005 .047 .276 .000 .000 .385 .065 .019
a. Determinante = .031

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

O quadro acima mostra que a matriz de correlação é diferente da matriz identidade, os valores
a baixo representam a significância do teste de correlação de Pearson, muitos desses valores
devem ser pequenos para o emprego do método de análise factorial e isso verifica-se na
tabela.
 5

Quadro 7: Teste de esfericidade de Bartlete e KMO

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

Para Bandura, o KMO indica a adequação do tamanho da amostra. Valores entre 0.5 e 0.7 são
considerados «medíocres»; valores entre 0.7 e 0.8 são «bons»; entre 0.8 e 0.9 são «óptimos»
e acima de 0.9 são considerados «magníficos». Essa análise deve ser complementada com a
observação da linha diagonal da matriz de correlações de ati-imagem, na qual todas as
variáveis devem ter valores acima de 0.5. se alguma variável tiver valores inferiores a 0.5 na
matriz de correlações de anti-imagem, sugere-se realizar a análise excluindo-a e ver a
diferença. O restante da matriz de correlações de anti-imagem representa as correlações
parciais entre as variáveis. Para uma boa análise factorial, é desejável que esses valores sejam
baixos. Por isso, deve-se inspeccionar todos os valores da matriz de correlações de anti-
imagem.

No quadro 7 o teste de KMO mostrou-se bom, isto é, tem uma boa adequação porque o seu
valor encontra-se no intervalo de 0.7 a 0.8 (0.759), isso segundo a explicação do Bandura.

Para Bandura, o teste de esfericidade de Bartlett testa a hipotese nula de que a matriz de
correlação original é uma matriz identidade. Um teste significativo (p menor que 0.05) nos
mostra que a matriz de correlações não é uma matriz de identidade, e que, porque, há
algumas relações entre as variáveis que se espera incluir na análise.

Segundo HAIR (2009; Pg.110), um teste de esfericidade de Bartlett estatisticamente

significante (sign. < 0,05) indica que correlações suficientes existem entre as variáveis para
se continuar a análise.

Para o teste de esfericidade de Bartlett no quadro 7, o valor de significância mostrou-se muito

pequeno (0.000) o que permite a possibilidade de adequação do método de análise factorial
para a análise dos dados.

Quadro 8: Matriz ant-imagem

 6

Matrizes anti-imagem
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16
Covariância X1 .739 -.076 -.069 -.054 -.038 -.132 -.058 .033 -.039 .015 -.112 .031 .021 .012 .003 .039
anti- X2 -.076 .759 -.030 -.041 .176 .004 -.007 -.016 -.140 .045 -.110 -.016 .031 .026 .062 .013
imagem
X3 -.069 -.030 .852 -.037 -.100 .102 -.002 -.067 -.025 -.136 .133 .013 .011 .051 -.061 .038
X4 -.054 -.041 -.037 .601 .049 -.076 -.110 .078 -.138 -.004 -.065 -.038 -.045 .015 .016 -.130
X5 -.038 .176 -.100 .049 .753 -.079 .062 -.028 .104 -.031 -.121 -.141 -.058 -.014 -.108 -.099
X6 -.132 .004 .102 -.076 -.079 .560 -.119 .107 -.004 -.007 .022 -.012 .053 .046 .061 -.149
X7 -.058 -.007 -.002 -.110 .062 -.119 .668 -.019 -.025 -.132 -.147 -.096 .057 .023 -.109 .032
X8 .033 -.016 -.067 .078 -.028 .107 -.019 .454 .011 -.042 .040 .040 .060 -.279 .069 -.030
X9 -.039 -.140 -.025 -.138 .104 -.004 -.025 .011 .728 -.119 -.060 -.081 .074 -.042 .034 -.014
X10 .015 .045 -.136 -.004 -.031 -.007 -.132 -.042 -.119 .801 .092 -.041 -.161 -.049 .159 .011
X11 -.112 -.110 .133 -.065 -.121 .022 -.147 .040 -.060 .092 .670 -.032 .047 -.019 .019 -.048
X12 .031 -.016 .013 -.038 -.141 -.012 -.096 .040 -.081 -.041 -.032 .841 -.039 -.038 -.058 -.069
X13 .021 .031 .011 -.045 -.058 .053 .057 .060 .074 -.161 .047 -.039 .773 -.080 -.231 -.006
X14 .012 .026 .051 .015 -.014 .046 .023 -.279 -.042 -.049 -.019 -.038 -.080 .530 -.005 -.013
X15 .003 .062 -.061 .016 -.108 .061 -.109 .069 .034 .159 .019 -.058 -.231 -.005 .761 -.069
X16 .039 .013 .038 -.130 -.099 -.149 .032 -.030 -.014 .011 -.048 -.069 -.006 -.013 -.069 .797
Correlação X1 .873
a
-.101 -.087 -.080 -.051 -.205 -.083 .056 -.053 .020 -.159 .040 .028 .020 .004 .051
anti- X2 a
-.101 .789 -.037 -.060 .232 .007 -.010 -.027 -.188 .058 -.155 -.020 .041 .041 .082 .017
imagem
X3 -.087 -.037 .644
a
-.051 -.125 .148 -.003 -.107 -.031 -.165 .175 .016 .014 .076 -.076 .046
X4 -.080 -.060 -.051 .864
a
.073 -.131 -.173 .150 -.208 -.006 -.102 -.054 -.066 .026 .023 -.188
X5 -.051 .232 -.125 .073 .587
a
-.121 .088 -.047 .140 -.040 -.171 -.177 -.076 -.022 -.142 -.128
X6 -.205 .007 .148 -.131 -.121 .831
a
-.195 .212 -.007 -.010 .036 -.018 .081 .085 .093 -.224
X7 -.083 -.010 -.003 -.173 .088 -.195 .804
a
-.035 -.036 -.180 -.220 -.128 .079 .039 -.153 .043
X8 .056 -.027 -.107 .150 -.047 .212 -.035 .729
a
.020 -.070 .072 .065 .102 -.568 .118 -.050
X9 -.053 -.188 -.031 -.208 .140 -.007 -.036 .020 .788
a
-.156 -.086 -.104 .099 -.068 .046 -.019
X10 .020 .058 -.165 -.006 -.040 -.010 -.180 -.070 -.156 .529
a
.125 -.051 -.204 -.076 .204 .014
X11 -.159 -.155 .175 -.102 -.171 .036 -.220 .072 -.086 .125 .811
a
-.042 .066 -.031 .027 -.065
X12 .040 -.020 .016 -.054 -.177 -.018 -.128 .065 -.104 -.051 -.042 .788
a
-.048 -.057 -.072 -.084
X13 .028 .041 .014 -.066 -.076 .081 .079 .102 .099 -.204 .066 -.048 .639
a
-.125 -.301 -.007
X14 .020 .041 .076 .026 -.022 .085 .039 -.568 -.068 -.076 -.031 -.057 -.125 .710
a
-.008 -.020
X15 .004 .082 -.076 .023 -.142 .093 -.153 .118 .046 .204 .027 -.072 -.301 -.008 .570
a
-.088
X16 .051 .017 .046 -.188 -.128 -.224 .043 -.050 -.019 .014 -.065 -.084 -.007 -.020 -.088 .768
a

a. Medidas de adequação de amostragem (MSA)

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
Segundo HAIR (2009; Pg.110), medidas de valores de adequação da amostra (MSA) devem
exceder 0,50 tanto para o teste geral quanto para cada variável individual; variáveis com
valores inferiores a 0,50 devem ser omitidas da análise fatorial uma por vez, sendo aquela
com menor valor eliminada a cada vez.

Como anteriormente dizíamos segundo Bandura a análise do teste de KMO deve ser
complementada com a observação da matriz de correlações anti-imagem.

Como é possível notar no quadro 8, que da linha diagonal principal da matriz de correlações
anti-imagem todos os valores são maiores que 0.5 e os restantes valores desta matriz são
muito pequenos. Sendo assim trabalhamos com todas as variáveis.

Quadro 9: Comunalidades
 7

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
 8

Bandura diz que para entender o conceito de comunalidade é necessário entender os

conceitos de variância comum e variância única (ou especifica). A variância total de uma
variável em particular terá dois componentes na comparação com as demais variáveis: a
variância comum, na qual estaria dividida com outras variáveis medidas e a variância única,
que é especifica para essa variável. No entanto, há também variância que é específica a uma
variável, mas de forma imprecisa, não confiável, a qual é chamada de variância aleatória ou
erro. Comunalidade é a proporção de variância comum presente numa variável.

As comunalidades são quantidades de variância, ou seja, correlações de cada variável

explicada pelos factores. Quanto maior a comunalidade maior será o poder de explicação
daquela variável, usualmente o valor mínimo aceitável é de 0.5, caso encontrar algum valor
abaixo deste a variável deve ser excluída e a analise factorial deve ser feita novamente.
(Rodrigues, et all)

Hair (2009) diz que variância comum é definida como aquela variância em uma variável que
é compartilhada com todas as outras variáveis na análise. Essa variância é explicada
(compartilhada) com base nas correlações de uma variável com as demais na análise. A
comunalidade de uma variável é a estimativa de sua variância compartilhada, ou em comum,
entre as variáveis como representadas pelos factores obtidos.

Hair (2009) também diz que a variância específica (também conhecida como variância única)
é aquela associada com apenas uma variável específica. Essa variância não pode ser
explicada pelas correlações com as outras variáveis, mas ainda é associada unicamente com
uma variável.

No quadro 9 existem valores abaixo e outros acima de 0,5. Isso quer dizer que existem
variáveis com maior poder de explicação e outras com menor poder de explicação, é no caso
de algumas variáveis com maior explicação:

«As aulas devem ser paralisadas e repetir o semestre assim que a pandemia for controlada»
com um poder de explicação a 74.7%;

« As aulas devem ser paralisadas e repó-las depois do controlo da Covid-19» com um poder
de explicação de 76.2%

«A metodologia utilizada pelos docentes nas aulas online ajuda na compreensão dos
conteúdos» com 55.6%
 9

Quadro 10: Variância total explicada

Variânc ia to tal e xplic ada

Somas de extração de Somas rotativas de carregamentos
Valores próprios iniciais carregamentos ao quadrado ao quadrado

Component % de % % de % % de %
e Total variância cumulativa Total variância cumulativa Total variância cumulativa
1 3.686 23.039 23.039 3.686 23.039 23.039 2.813 17.582 17.582
2 1.929 12.053 35.093 1.929 12.053 35.093 2.076 12.977 30.560
3 1.557 9.733 44.826 1.557 9.733 44.826 1.999 12.493 43.052
4 1.123 7.017 51.843 1.123 7.017 51.843 1.407 8.791 51.843
5 .977 6.105 57.948
6 .924 5.772 63.720
7 .834 5.212 68.932
8 .805 5.032 73.964
9 .713 4.455 78.420
10 .628 3.925 82.344
11 .623 3.895 86.239
12 .556 3.472 89.712
13 .504 3.147 92.859
14 .445 2.783 95.642
15 .401 2.509 98.150
16 .296 1.850 100.000
Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

Nesse quadro (10) os 16 possíveis factores (o numero máximo de variáveis) são apresentados
com seus autovalores iniciais, após extracção e após a rotação. Nas colunas de autovalores
iniciais são mostrados os autovalores, o percentual da variância que os factores são capazes
de explicar, e o percentual da variância explicada acumulado em factor. Nas tres colunas
seguintes, os valores dos factores mantidos na análise após a extracção são apenas repetidos e
os valores dos factores excluídos são omissos. Na última coluna encontram-se os autovalores
dos factores após rotação. A rotação optimiza a estrutura factorial e, como consequência, a
importância relativa dos factores remanescente é equalizada.

Foram retidos quatro valores (quadro 10: variância total explicada), ou seja quatro componentes
principais, com valores próprios superiores que 1 o que explica 51.843% da variabilidade total
dos dados iniciais.
 10

Quadro 11: Scree plot

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

Segundo Rodrigues, o scree plot faz análise visual da variância das componentes principais,
selecciona todas as componentes principais até que a linha que as une comece a apresentar
um declive reduzido.

Nesses resultados (quadro 11), os primeiros quatro componentes principais têm auto valores
maiores do que 1. Esses quatro componentes 51.843% da variação nos dados. O gráfico scree
mostra que os auto valores começam a formar uma linha recta após o quarto componente
principal.

Quadro 13: Matriz de componentes não rotativas

 11

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
 12

Dado o tamanho da amostra de 285, cargas factoriais de 0,35 ou mais serão consideradas
significantes para fins de interpretação. Usando esse padrão para as cargas fatoriais, podemos
ver que a matriz não-rotacionada contribui pouco para se identifi car qualquer forma de
estrutura simples. Seis (6) das dezasseis (16) variáveis têm cargas cruzadas, e para muitas das
outras variáveis as cargas significantes são relativamente baixas. Nesta situação, rotação pode
melhorar nossa compreensão da relação entre as variáveis.

Segundo Hair (2009), rotação varimax melhora consideravelmente a estrutura de duas

maneiras notáveis. Primeiro, as cargas são melhoradas para quase todas as variáveis, com as
mesmas mais proximamente alinhadas ao objetivo de se ter uma elevada carga sobre um
único fator.

Quadro 12: Matriz de componentes rotativas

Matriz de componente rotativaa

Componente
  1 2 3 4
Na minha
turma há muita
.456 -.355    
aderência as
aulas online
Tenho
condições de
(megabytes)
    -.581  
para assistir
aulas online
regularmente
As aulas
devem ser
paralisadas e
atribuir notas
administrativas
      .693
para a
passagem dos
estudantes
para outro
nível
A metodologia
utilizada pelos
docentes nas
aulas online .641 -.352    
ajuda na
compreensão
dos conteúdos
A minha maior
dificuldade em
aceder as
    .674  
aulas online é
a falta de
internet (MB)
A continuação
das aulas com
recurso a
.553 -.443    
plataformas
virtuais são
bem-vinda
 13

Os docentes
regularmente
respondem as
nossas .635      
questões
apresentadas
na plataforma
As aulas
devem ser
paralisadas e
repó-las   .826    
depois do
controlo da
Covid-19
O custo com a
internet para
assistir aulas .522   -.460  
online é
satisfatório
A minha maior
dificuldade em
aceder as
aulas online é       .688
o fraco
domínio com
as tecnologias
A plataforma
usada na
unirovuma
para as aulas .607      
online
funciona
regularmente
O meu
desempenho
durantes as .555      
aulas online é
alto
A minha maior
dificuldade em
aceder as
aulas online é
    .576 .353
a falta de
telemóvel (ou
tablet ou
computador)
As aulas
devem ser
paralisadas e
repetir o
  .854    
semestre
assim que a
pandemia for
controlada
As entidades
competentes
devem apoiar
(internet,
computador,
por exemplo)     .654  
os estudantes
universitários
no acesso fácil
as aulas
online
A minha .539      
 14

motivação
para estudar
online é alta
Método de Extração: Análise de Componente Principal.
Método de Rotação: Varimax com Normalização de
Kaiser.
a. Rotação convergida em 10 iterações.
Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

A rotação é aplicada para transformar os coeficientes das componentes principais retidas numa
estrutura simplificada. (Pereira 1999)

Onde se pode notar que valores da matriz de componentes são diferentes da matriz de
componentes rotativas, isto é, houve uma transformação dos coeficientes das componentes
principais.

Não houve necessidades de eliminação de uma das variáveis do meu estudo, apesar que
existem algumas variáveis com cargas cruzadas, mas segundo Hair A interpretação deve
começar com a primeira variável no primeiro factor e se mover horizontalmente da esquerda
para a direita, procurando a carga mais alta (em valor absoluto) para aquela variável em
qualquer factor.

Variáveis que constituem o primeiro factor:

 «Na minha turma há muita aderência as aulas online»;

 «A metodologia utilizada pelos docentes nas aulas online ajuda na compreensão dos
conteúdos»;
 «A continuação das aulas com recurso a plataformas virtuais são bem-vinda»;
 «Os docentes regularmente respondem as nossas questões apresentadas na
plataforma»;
 «O custo com a internet para assistir aulas online é satisfatório»;
 «A plataforma usada na unirovuma para as aulas online funciona regularmente»;
 «O meu desempenho durante as aulas online é alto»;
 «A minha motivação para estudar online é alta».

O primeiro factor podemos chamar de: Elaboração Conjunta

Variáveis que constituem o segundo factor:

 «As aulas devem ser paralisadas e repó-las depois do controlo da Covid-19»;

 15

 «As aulas devem ser paralisadas e repetir o semestre assim que a pandemia for
controlada»;

O segundo factor podemos chamar de: Ajuste

Variáveis que constituem o terceiro factor:

 «Tenho condições de (megabytes) para assistir aulas online regularmente»;

 «A minha maior dificuldade em aceder as aulas online é a falta de internet (MB)»;
 «A minha maior dificuldade em aceder as aulas online é a falta de telemóvel (ou
tablet ou computador)»;
 «As entidades competentes devem apoiar (internet, computador, por exemplo) os
estudantes universitários no acesso fácil as aulas online»;

O terceiro factor podemos chamar de: Falta de Recursos.

Variáveis que constituem o quarto factor:

 «As aulas devem ser paralisadas e atribuir notas administrativas para a passagem dos
estudantes para outro nível»;
 «A minha maior dificuldade em aceder as aulas online é o fraco domínio com as
tecnologias»;

O quarto factor podemos chamar de: Passagem automática.

Quadro 13: Matriz de transformação de componentes

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

Matriz de transformação de componentes, nota-se que houve uma transformação de

componentes que minimizou o número de variáveis com o método de rotação varimax.

O varimax é o método de rotação ortogonal que minimiza o número de variáveis que cada
agrupamento terá, ele simplifica a interpretação dos factores. (Rodrigues, et all)
 16

A partir da nossa base de dados iniciais, ou seja, a nossa amostra inicial de 285 estudantes,
particionamos a amostra em duas partes de 143 estudantes e 142 estudantes, amostra 1 e
amostra 2 respectivamente para validarmos a nossa análise, em seguida vêm as tabelas que
usaremos na comparação dos resultados (tabelas de testes de KMO e Bartlet, variância total
explicada, matriz de componentes rotativas e comunalidades).

Quadro 14: Teste de KMO e Bartlett para a amostra 1

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

Quadro 15: Teste de KMO e Bartlett para a amostra 2

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

As duas tabelas acima da amostra 1 assim como da amostra 2, mostram os valores dos testes
de KMO e de Bartlett em que para o teste de KMO não há muita diferença entre as duas
amostras, isto é, o valor está no mesmo intervalo entre as duas amostras. E para o teste de
esfericidade de Bartlett também o nível de significância é o mesmo.

Quadro 16: Comunalidades para a amostra 1

 17

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
 18

Quadro 17: Comunalidades para a amostra 2

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
 19

Os dois quadros acima (16 e 17), tratam de comunalidades entre as duas amostras
particionadas da amostra original, nota-se que os valores das comunalidades entre as
variaveis não são muito distantes, ou seja, não há um grande desvio padrão, e nas duas
amostras as comunalidades são iguais ou superiores que 0.5, ou seja, 50%.

Quadro 18: Variancia total explicada para a mostra 1

Variânc ia to tal e xplic ada

Somas de extração de Somas rotativas de carregamentos
Valores próprios iniciais carregamentos ao quadrado ao quadrado

Component % de % % de % % de %
e Total variância cumulativa Total variância cumulativa Total variância cumulativa
1 3.652 22.823 22.823 3.652 22.823 22.823 2.818 17.615 17.615
2 1.981 12.381 35.204 1.981 12.381 35.204 2.212 13.824 31.439
3 1.852 11.576 46.780 1.852 11.576 46.780 1.753 10.957 42.396
4 1.228 7.676 54.456 1.228 7.676 54.456 1.628 10.174 52.570
5 1.011 6.321 60.776 1.011 6.321 60.776 1.313 8.206 60.776
6 .996 6.226 67.002
7
Fonte: Dados colhidos
.875 dos
5.471estudantes
72.473 da Universidade Rovuma e processados por SPSS
8 .744 4.649 77.122
9 .644 4.024 81.146
Quadro
10 19: Variância total explicada para a amostra 2
.618 3.860 85.006
11 .587 3.667 88.673
12 Variânc ia total explicada
.462 2.890 91.563 Somas de extração de Somas rotativas de carregamentos
13 Valores
.424 próprios
2.649iniciais94.211 carregamentos ao quadrado ao quadrado
14 .414 2.587 96.799
Component % de % % de % % de %
15 .313 1.958 98.757
e Total variância cumulativa Total variância cumulativa Total variância cumulativa
16 .199 1.243 100.000
1 3.607 22.541 22.541 3.607 22.541 22.541 2.178 13.612 13.612
2 2.067 12.916 35.457 2.067 12.916 35.457 2.067 12.918 26.530
3 1.599 9.993 45.450 1.599 9.993 45.450 1.851 11.569 38.099
4 1.251 7.818 53.268 1.251 7.818 53.268 1.719 10.741 48.839
5 1.135 7.092 60.360 1.135 7.092 60.360 1.439 8.994 57.833
6 1.001 6.254 66.614 1.001 6.254 66.614 1.405 8.781 66.614
7 .793 4.954 71.568
Fonte:
8 Dados colhidos
.731 dos
4.570estudantes
76.138 da Universidade Rovuma e processados por SPSS
9 .708 4.424 80.562
Para
10 as duas amostras,
.668
primeiramente
4.173 84.735
há diferença entre nos números de factores extraidos,
na
11 primeira amostra
.582 foram
3.639 extraídos
88.374 cinco factores pelo critério de Kaiser (extrai factores
12 .486 3.040
com autovalores superiores ou91.414
iguais a um) e na segunda amostra foram extraídos seis
13 .433 2.705 94.120
factores,
14 com tudo
.394
isso,2.462
as variâncias
96.581
totais explicadas para cada amostra é de 60.776% e
66.614%
15 respectivamente,
.342 2.138corro98.719
o risco de afirmar que não há maior diferença entre as duas
16 .205 1.281 100.000
amostras.

Quadro 20: Matriz de componentes rotativa para a amostra 1

 20

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
 21

Quadro 21: Matriz de componentes rotativas para a amostra 2

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS
 22

Podemos concluir que a analise factorial é valida porque os resultados não são tao diferentes,
ou seja, não há tanta diferença.

Quadro 22: Estatísticas de confiabilidade

Fonte: Dados colhidos dos estudantes da Universidade Rovuma e processados por SPSS

O alfa de Cronbach mostrou-se moderada, a respeito a confiabilidade do questionário.

Quadro 23: Estatistica de Item- total

Nota-se que mesmo com a eliminação de qualquer variavel em estudo, o alfa de Cronbach
terá um valor quase perfeitos, isto é, um valor aproximado a 1.0.
 23

CAPITULO V – REFERÊNCIAS BIBLIOGRÁFICAS

5.1. Referências bibliográficas

CARVALHO, Francisco Ricardo Duarte; Análise Factorial; Coimbra; 2013.

PEREIRA, Alexandre. Guia prática de utilização do SPSS (Analise de dados para ciências
sociais e psicologia). 2ª Edição. Lisboa 1999.

RODRIGUES, Pablo; et all. Tutorial-Analise Factorial no SPSS.

SILVA, Graça; Gestão de Projectos; Lisboa; 2015

TATHAM, Ronald L. et all; Análise Multivariada de dados; 6ª edição; São Paulo; 2009.