O medo da gerência: descrição da metodologia e uma aplicação na gestão de qualidade total

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia de Produção.O estudo e interpretação de determinados conjuntos de dados envolve muitas vezes a análise de um grande número de variáveis, constituindo-se em um trabalho difícil e demorado. O emprego de métodos multivariados, como a Análise de Componentes Principais (ACP), destaca-se como uma ferramenta bastante útil quando o número de variáveis é grande. A ACP destina-se à análise de dados quantitativos, o que muitas vezes não é obtido em algumas áreas. Desta forma, este trabalho se propôs a descrever e avaliar o uso de uma análise quantitativa de dados qualitativos, através de uma metodologia baseada nos princípios de mínimos quadrados alternados e escalonamento ótimo. Estes princípios de aproximação possibilitam estender a análise de componentes principais a um conjunto de variáveis que podem ter diferentes características de medida, nos vários níveis de escala, especialmente no nível ordinal. As técnicas aqui descritas foram aplicadas a um estudo de caso, destinado a investigar a gestão da qualidade total em empresas do setor manufatureiro do Estado do Ceará (Alexandre, 1999). O instrumento de coleta de dados consistiu de blocos de questões de múltipla escolha, entre as quais foram escolhidas algumas variáveis ilustrativas, e afirmações cujas dimensões de resposta foram divididas em uma escala de cinco graus de intensidade, do tipo Likert, variáveis estas, foco deste trabalho. Para o estudo em questão foram utilizados os softwares STATISTICA (versão 6.0) e o SAS (versão 8.0). A aplicação dos princípios de mínimos quadrados alternados e escalonamento ótimo foi feita através do procedimento PRINQUAL (SAS), utilizando-se o método de variação máxima que se baseia no modelo de componentes principais, maximizando a soma dos primeiros autovalores da matriz de covariância ou de correlação. Verificou-se que com a utilização da metodologia de escalonamento ótimo, o poder de explicação na solução (3 fatores), aumentou cerca de 4% em relação a análise de componentes principais tradicional. The study and interpretation of certain sets of data involve many times the analysis of a great number of variables, which usually means difficult and slow work. The use of multivariable methods as the Principal Components Analysis (PCA) stands out as a quite useful tool when the number of variables is large. PCA is destined to the analysis of quantitative data which are usually not obtained in some areas. Due to that this work intends to describe and present an evaluation of the use of a quantitative analysis on qualitative data through a methodology based on the principals of least alternating squares and optimal scaling. This principal approach makes it possible to extend The Principal Components Analysis to a group of variables which might have different measure characteristics on the several scale levels, specially on the ordinary level. The techniques described here were applied to a case study destined to investigate Total Quality Management in manufacturing industries from Ceará State (Alexandre, 1999). The data collection instrument consisted of blocks of multiple choice questions, among which some illustrative variables and statements were chosen. The dimension of these statement answers were divided in a scale of five intensity degrees, of Likert types, which were the focus of this work. Also, for this work we have made use of the following softwares: STATISTICA (version 6.0) and SAS (version 8.0). The application of the principals of least alternating squares and optimal scaling was made through the PRINQUAL procedure (SAS), making use of maximum variation method that is based on the principal components model, maximasing the sum of the first eigenvalues of the covariance or correlation matrix. It was found that with the use of the optimal scaling methodology, the explaning level in the solution (3 factors) increased about 4% compared to the traditional principal components analysis