HIPÓTESES

Uma hipótese é uma explicação preliminar que considera uma coleção de fatos e está sujeita a um exame mais aprofundado. Na pesquisa quantitativa, experimentos são formulados para avaliar essas hipóteses. Coletamos dados pertinentes e empregamos métodos estatísticos para determinar se a hipótese deve ser provisoriamente aceita ou rejeitada. É crucial reconhecer que aceitar uma hipótese nunca é absoluto, pois dados adicionais podem surgir no futuro que podem levar à sua rejeição (Sukamolson, 2007).

Uma hipótese é uma explicação preliminar que considera uma coleção de fatos e está sujeita a um exame mais aprofundado. Na pesquisa quantitativa, experimentos são formulados para avaliar essas hipóteses. Coletamos dados pertinentes e empregamos métodos estatísticos para determinar se a hipótese deve ser provisoriamente aceita ou rejeitada. É crucial reconhecer que aceitar uma hipótese nunca é absoluto, pois dados adicionais podem surgir no futuro que podem levar à sua rejeição (Sukamolson, 2007).

Experimentos são conduzidos para testar como a introdução de uma intervenção, também conhecida como variável, afeta o que acontece. O teste de hipóteses é usado para testar relações variáveis. É necessário controlar todos os outros fatores para garantir que está a medir o impacto da intervenção que introduziu.

Os experimentos são usados em pesquisas explicativas baseadas na lógica causal, que identifica relações causais entre variáveis. Por exemplo, A causa B ou A causa B em circunstâncias C. Certas condições necessárias devem estar presentes para apoiar a presença de um nexo de causalidade. A causa deve preceder o efeito (ordem temporal), a razão deve estar relacionada com o efeito e não deve haver explicação alternativa.

Explicado em termos de variáveis (Leavy, 2022):

• A variável independente deve preceder a variável dependente, e uma relação deve existir entre as duas.
• Nenhuma variável estranha pode fornecer uma explicação alternativa para a variável dependente.
• Os grupos experimentais recebem a intervenção experimental (o estímulo experimental), enquanto os grupos controle não.
• Em alguns casos, o grupo de controlo pode receber um placebo.
• Todos os experimentos têm pelo menos um grupo experimental, mas nem todos os experimentos têm grupos de controle.
• O uso de grupos controle é necessário para comparar com precisão os resultados do grupo experimental cujos membros receberam a intervenção com os de um grupo semelhante cujos membros não receberam.
• Dependendo do tipo de experimento, pode haver um, dois ou quatro grupos no total.
• Alguns experimentos envolvem pré-testes e/ou pós-testes, além da intervenção experimental.
• Um pré-teste determina a linha de base de um indivíduo antes de introduzir a intervenção experimental.
• Um pós-teste é dado após a intervenção experimental para avaliar o impacto da intervenção.

Ao formar uma hipótese, é essencial identificar variáveis independentes e dependentes. A hipótese deve ser uma afirmação plausível de como a variável independente interage com a variável dependente. Além disso, devem ser identificadas potenciais variáveis de controlo.

A próxima etapa envolve determinar como medir as variáveis independentes, dependentes e de controle. Durante o processo de operacionalização, é crucial assegurar uma elevada validade de conteúdo entre a representação numérica e a definição conceptual de qualquer conceito.

Uma vez definidas e operacionalizadas as variáveis, o investigador deve considerar a amostragem. Que referentes empíricos serão usados para testar a hipótese?

Stockermer (2019) aponta que a medição e a amostragem são tipicamente feitas simultaneamente porque os referentes empíricos que o pesquisador estuda podem afetar a escolha da operacionalização de um indicador em detrimento de outro.

Após a recolha dos dados, o investigador pode realizar testes estatísticos para avaliar a questão e hipótese de investigação. Idealmente, os resultados do estudo influenciarão a teoria.

Depois de construir um conjunto de hipóteses para testar a teoria inicial, o pesquisador também deve identificar outras variáveis potencialmente impactantes no fenômeno em investigação. Essas variáveis, como fatores sociodemográficos, psicográficos e comportamentais, devem ser controladas no estudo. Com hipóteses e variáveis de controle estabelecidas, o pesquisador pode então identificar os melhores métodos para medir tanto as principais variáveis de interesse quanto as variáveis de controle antes de selecionar uma amostra apropriada para o estudo.

O termo "causalidade" refere-se à ideia de que uma mudança em uma variável resultará em outra mudança. Neste caso, a definição de causalidade é expandida para incluir a ideia de que uma pré-condição pode influenciar uma variável de interesse. Por exemplo, pode-se imaginar que o sexo de uma pessoa influencia o uso do cartão de crédito. Isso significa que o gênero pode ser visto como tendo uma relação causal com o uso do cartão de crédito, embora seja impossível mudar o sexo de uma pessoa para observar se o uso do cartão de crédito mudaria. O termo "influência" é por vezes usado em vez de "causa" se for mais apropriado, mas a lógica da análise permanece a mesma. Se duas variáveis estão causalmente ligadas, então é razoável supor que elas estarão associadas. Se uma associação fornece evidências de causalidade, então a falta de associação sugere que a causalidade não está presente. Portanto, uma associação entre atitude e comportamento é evidência de uma relação causal: Atitude --> comportamento (A. Aaker et al., 2013).

Os pesquisadores precisam se lembrar da vasta gama de relações causais ao tentar estabelecer causalidade em seus estudos. Isto requer a implementação de vários métodos e técnicas de análise de complexidade variável.

Um conjunto abrangente de relações causais pode ser observado em estudos quantitativos experimentais e não experimentais. Tais relações podem ser diretas, mediadas ou mútuas, sendo algumas mais complexas do que outras. Essas complexidades podem variar de regressão linear simples a modelos de equações estruturais (SEMs).

Na Figura 7, oito tipos de relações causais são representados:

• Relação causal linear direta em que Y é uma função apenas de A.
• Relação causal mediada em que a influência de A sobre Y é mediada por B.
• Relação causal direta na qual é possível estimar o efeito total (direto e indireto) de A sobre Y.
• Relação causal linear mútua direta em que a influência de A sobre Y é recíproca.
• Relação causal linear mútua indireta em que Y influencia reciprocamente a influência de A sobre Y (mediada por B).
• Relação causal multi-mediada (dominó) em que A gera um desdobramento sequencial de efeitos ao longo do tempo em Y.
• Relação causal direta moderada em que a influência de A sobre Y depende das condições de C.
• Relação causal na qual A (variável exógena) inicia uma estrutura complexa (caminho) de influências (diretas e mediadas) sobre Y.
• A correlação aparente ou espúria refere-se a uma associação estatística entre duas variáveis que não têm um nexo causal. Este tipo de correlação pode surgir devido ao mero acaso ou à influência de uma terceira variável. É importante estar ciente da existência de correlações espúrias para evitar tirar conclusões incorretas ou fazer previsões errôneas com base em dados estatísticos.