Pesquisa Quantitativa em Administração: Guia Prático

Quantitativo não significa mais rigoroso

Uma crença comum nos programas de administração é que pesquisa quantitativa é mais rigorosa que pesquisa qualitativa. Por isso muitos estudantes escolhem a abordagem quantitativa sem avaliar se ela é a mais adequada para o problema que propuseram.

Pesquisa quantitativa em administração é a abordagem metodológica que usa dados numéricos para testar hipóteses, medir relações entre variáveis ou descrever características de fenômenos organizacionais de forma mensurável. Ela é adequada quando o objetivo é medir, comparar ou verificar relações. Quando o objetivo é compreender, interpretar ou explorar um fenômeno pouco conhecido, a abordagem qualitativa é mais apropriada.

O problema não é escolher quantitativo: é escolher quantitativo sem uma pergunta de pesquisa que justifique essa escolha. O método precisa ser consequência do problema, não o contrário.

Quando a pesquisa quantitativa faz sentido em administração

A pesquisa quantitativa é a escolha certa em administração quando você quer responder perguntas do tipo:

• Qual a relação entre satisfação dos funcionários e rotatividade nesta organização?
• A adoção de determinada prática de gestão está associada a melhor desempenho financeiro?
• O perfil socioeconômico dos clientes prediz o comportamento de compra?

Esses são problemas de mensuração e relação. A natureza da pergunta exige dados numéricos, análise estatística e generalizações sobre uma população.

Se a sua pergunta é “como os funcionários percebem as mudanças na cultura organizacional após a fusão?”, o quantitativo não vai responder bem. Você precisa de narrativas, percepções, interpretações, e não de médias e correlações.

Faz sentido? A pergunta de pesquisa é o critério. O método é a ferramenta que melhor responde aquela pergunta específica.

Os instrumentos de coleta mais usados

Em administração, o survey por questionário é o instrumento quantitativo mais utilizado. É prático, escalável e permite coletar dados de muitas pessoas com custo relativamente baixo.

Mas há outras opções:

Dados secundários, como relatórios financeiros, bases do IBGE, Banco Central ou CVM, são fontes ricas que evitam o problema de recrutar respondentes. A limitação é que foram coletados para outros fins e podem não ter exatamente as variáveis que você precisa.

Experimentos e quase-experimentos são mais raros em administração acadêmica, mas aparecem com mais frequência nas pesquisas de comportamento organizacional e marketing. Exigem controle do ambiente, o que é difícil em organizações reais. Quase-experimentos usam situações que se aproximam de um experimento sem a aleatorização completa.

Análise de conteúdo quantitativa é uma opção menos óbvia: categoriza e conta elementos em documentos, notícias ou redes sociais. Produz frequências e permite análise estatística, mesmo trabalhando com texto.

A escolha do instrumento precisa estar justificada na metodologia. Não basta dizer “utilizou-se questionário”: é preciso explicar por que o questionário é adequado para coletar os dados necessários para responder ao problema de pesquisa.

O questionário que não foi testado

O erro mais comum no survey de administração é aplicar o questionário sem piloto. O pré-teste, ou piloto, é uma aplicação do questionário para um grupo pequeno (5 a 10 pessoas) antes da coleta definitiva.

O que o piloto revela:

• Perguntas ambíguas que as pessoas interpretam de formas diferentes
• Escala de resposta inadequada para o que está sendo perguntado
• Sequência de perguntas que induz determinadas respostas
• Tempo de resposta real (que costuma ser maior do que o estimado)

Sem o piloto, você só descobre esses problemas depois de coletar os dados, quando já não é possível corrigir o instrumento. E dados coletados com instrumento ruim não produzem análise boa por mais sofisticada que seja a estatística.

Amostra: o que é viável e o que é necessário

A definição da amostra é onde muitos projetos de pesquisa em administração encontram dificuldades práticas.

O tamanho amostral teoricamente adequado depende do nível de confiança que você quer, da margem de erro aceitável e da variabilidade estimada nos dados. Calculadoras online e fórmulas estatísticas dão esses números.

O problema é que o tamanho amostral calculado costuma ser maior do que o que a pesquisadora consegue acessar. Acessar 300 gestores de médias empresas em um prazo de dois meses é diferente de ter permissão pra fazer isso.

A solução não é fingir que o problema não existe: é delimitar a população com clareza e justificar a amostra que você conseguiu. Uma amostra por conveniência não torna a pesquisa inválida, mas você precisa declarar isso explicitamente e discutir as limitações que essa escolha impõe para a generalização dos resultados.

Pesquisa honesta sobre as limitações é melhor do que pesquisa que esconde os limites.

Análise dos dados: o que combina com o que

A análise estatística precisa ser compatível com o objetivo e com o tipo de dado coletado. Essa compatibilidade é onde muitos trabalhos de administração pecam: usa-se uma técnica estatística sofisticada quando o dado ou o objetivo não suportam.

Algumas combinações comuns em administração, da mais simples à mais exigente:

A análise descritiva é o ponto de partida: frequências, médias e desvio padrão descrevem as características da amostra sem fazer inferências. A análise de correlação vem a seguir quando você quer saber se duas variáveis numéricas tendem a variar juntas, sem afirmar causalidade. A regressão vai além: mede o quanto uma variável prediz outra e requer verificação de pressupostos estatísticos antes de interpretar os coeficientes.

Para validar questionários com escalas multi-item (como as escalas de Likert), a análise fatorial é a técnica adequada, porque identifica fatores latentes num conjunto de variáveis correlacionadas. Quando o modelo é mais complexo e envolve variáveis latentes com múltiplas relações simultâneas, a modelagem de equações estruturais (SEM) é uma opção, mas exige amostras maiores e domínio estatístico maior.

Não use SEM porque parece sofisticada. Use quando o problema exigir.

Interpretação dos resultados: o que os dados dizem e o que você conclui

Resultados significativos estatisticamente não significam relevantes na prática. Uma correlação com p < 0,05 diz que a relação não é aleatória, mas não diz que ela é forte ou que tem implicações práticas relevantes.

Tamanho de efeito (Cohen’s d, R², eta quadrado) é o que informa sobre a magnitude da relação. É tão importante quanto o p-valor, mas costuma ser omitido em trabalhos de administração.

A interpretação dos resultados é onde o raciocínio científico se mostra mais claramente. É onde você conecta o que os dados mostram com o que a literatura afirma e com o que o seu problema de pesquisa perguntava. Dados por si mesmos não concluem nada: quem conclui é você, a partir dos dados.

O que a fase de Velocidade resolve antes da coleta

Muitos problemas de pesquisa quantitativa em administração poderiam ser evitados com uma etapa de visualização do trabalho completo antes de qualquer coleta. Ver o todo antes de começar, entender como cada parte se conecta e quais dados você precisará ter para responder sua pergunta de pesquisa.

É exatamente o que a fase de Velocidade do Método V.O.E. (Velocidade, Organização, Execução Inteligente) propõe. A maioria dos erros em pesquisa quantitativa acontece antes da coleta, não depois. Quanto mais cedo você tiver clareza sobre o problema, as variáveis e a análise planejada, menos retrabalho você vai ter ao longo do processo.

Validação do instrumento: um passo que não dá pra pular

Quando você usa um questionário com escalas desenvolvidas por outros pesquisadores, como escalas de satisfação, comprometimento organizacional ou clima, precisa verificar se essas escalas funcionam na sua amostra específica.

Validação não é só citar o artigo original que desenvolveu a escala. É mostrar, nos seus próprios dados, que as propriedades psicométricas se sustentam: consistência interna (alfa de Cronbach), validade convergente, validade discriminante.

Um alfa de Cronbach abaixo de 0,7 em uma escala que você está usando para medir um construto é um sinal de que algo não está certo, seja com a tradução, com a aplicação ou com a adequação da escala para o contexto brasileiro ou para o setor que você está estudando.

Esse é um detalhe técnico que a banca de pesquisa quantitativa vai verificar. Vale entender o que significa antes de apresentar os resultados.