CONDITIONS DE GARANTIE CONTRACTUELLE IKEA

A discussão analítica a seguir está baseada nos resultados do teste de análise de componentes principais (PCA) a fim de conhecer se as variáveis expostas em cada modelagem sustentam associações grupais que possam ser medidas por meio de fatores estatísticos e independentes da variável de resposta, tal como sugere Wu e Chen (2006). As associações estatísticas sugerem que as variáveis examinadas se dividem em dois clusters; no primeiro grupo se encontram as proxies: N° de municípios impactados, Biomas, Quantidade de páginas com anexo e Ano de publicação do EIA. Quanto ao segundo cluster, as variáveis associadas são: Quantidade de páginas dos TRs, Tamanho da área do projeto e custo do projeto. A Tabela 8 a seguir indica a matriz de correlações das variáveis examinadas e o resultado de seus coeficientes.

Tabela 8. Matriz de correlações entre as proxies examinadas Matriz de correlações Co rr ela çõ es Variáveis N° de páginas com anexo Tamanho da área do projeto Custo do projeto N° de municípios impactados N° de páginas dos TR Biomas afetados Ano de Publicação do EIA N° de páginas com anexo 1,000 0,106 0,258 0,573 0,091 0,401 0,282 Tamanho da área do projeto 0,106 1,000 0,244 0,314 0,281 0,146 0,037 Custo do projeto 0,258 0,244 1,000 0,119 0,197 0,066 0,026 N° de municípios impactados 0,573 0,314 0,119 1,000 0,141 0,636 0,149 N° de páginas dos TR 0,091 0,281 0,197 0,141 1,000 -0,003 0,104 Biomas afetados 0,401 0,146 0,066 0,636 -0,003 1,000 0,431 Ano de Publicação do EIA 0,282 0,037 0,026 0,149 0,104 0,431 1,000

Fonte: Elaborado pelo autor.

A Tabela 8 evidencia que as variáveis: N° de municípios impactados e Biomas afetados manifestam ter uma relação com o Número de páginas (57%) e (40%) respectivamente. Da mesma maneira, as duas variáveis testadas apresentam uma associação positiva, a tabela indica uma correlação de 63% entre elas. Curiosamente, estas variáveis nos testes estatísticos empregados anteriormente mostraram coeficientes e graus de significância positivos.

Para determinar se as variáveis escolhidas são representativas para a modelagem estatística, aplicou-se o teste de KMO e Bartlett (Tabela 9). O teste sustenta condições de significância similares à prova de hipótese tradicional e é avaliado da seguinte maneira: Se o valor de p em KMO > de 0,05, enquanto o valor de p em Bartlett < 0,05, a modelagem significa que está bem representada pelas variáveis, demonstrando que é fatível trabalhar na análise fatorial, a seguir na Tabela 9 se apresentam os resultados do teste.

Tabela 9. Teste de representatividade de variáveis de KMO e Bartlett Teste de KMO e Bartlett

Kaiser-Meyer-Olkin Medida de adequação da amostragem. 0,548

Teste de esfericidade de Bartlett

Approx. Chi-Square 64,352

df 21

Sig. 0,000

Fonte: Elaborado pelo autor.

O teste de KMO e Bartlett indica que as variáveis escolhidas representam positivamente a modelagem para a análise fatorial, pois o valor de p de KMO = 54% > 0,05 e o valor de p de Bartlett = 0,000 < 0,05. Já aprovada a factibilidade das variáveis para a análise, a seguir se exibe a Tabela 10, estimando a “comunalidade” que em termos estatísticos explica a proporção da variância de uma variável que é compartilhada com os fatores comuns da análise de componentes, a qual é obtida por meio do método de extração. No teste, quanto mais próximo o índice de extração ao valor 1, maior explicação das variações; embora, se os índices de extração são menores ou iguais a 0,4 sustentam parâmetros pouco representativos ou fracos (LAERD STATISTICS, 2015).

Tabela 10. Comunalidade das variáveis examinadas Comunalidades

Variáveis Inicial Extração

N° de páginas com anexo 1,000 0,566

Tamanho da área do projeto 1,000 0,534

Custo do projeto 1,000 0,432

N° de Municípios impactados 1,000 0,690

N° de páginas dos TR 1,000 0,483

Biomas afetados 1,000 0,742

Ano de Publicação do EIA 1,000 0,356

Método de extração: Análise de componentes principais. Fonte: Elaborado pelo autor.

A variação observada no teste indica que Biomas afetados e N° de municípios impactados são as variáveis com índices de extração mais representativas (74%) e (69%) respectivamente, seguidas por Tamanho da área do projeto (53%), Número de páginas dos TRs (48%) e Custo do projeto (43%). As percentagens aqui detalhadas demonstram que as variáveis Biomas afetados e N° de municípios impactados podem incidir potencialmente na representatividade do modelo estatístico. Por outro lado, demais variáveis mostram também percentagens moderadas a exceção da variável Ano de publicação (36%) que se encontra abaixo da faixa de representatividade, embora, em geral, a comunalidade sugere que há uma variância positiva nas variáveis examinadas.

Após, por meio do método de extração, procedeu-se a fazer um teste de variância explicada (Tabela 11) para determinar associações e grupos, obtendo-se assim os componentes necessários que expliquem na modelagem a distribuição da variância entre as variáveis analisadas. Segundo Laerd Statistics (2015), os valores maiores que 1 são considerados como componentes ou fatores principais, que na Tabela 11, a partir dos dados examinados surgiram só dois componentes.

Tabela 11. Análise dos componentes principais por meio da explicação da variância Total da variância explicada

Componentes

Valores de Eigen iniciais Soma de extração de cargas quadradas Total % de Variância % Cumulativa Total % de Variância % Cumulativa

1 2,461 35,151 35,151 2,461 35,151 35,151 2 1,342 19,169 54,320 1,342 19,169 54,320 3 0,921 13,154 67,474 4 0,864 12,345 79,819 5 0,698 9,971 89,790 6 0,496 7,089 96,879 7 0,218 3,121 100,000

Método de extração: Análise de componentes principais. Fonte: Elaborado pelo autor.

Na Tabela 11, a soma de extração de cargas quadradas indica dois componentes representativos, o primeiro componente explica (35%) da modelagem e, o segundo componente explica (19%). A somatória de ambos os componentes sugere a percentagem cumulativa (54%). Segundo Laerd Statistics (2015) é uma percentagem estatística moderada para estabelecer

procedimentos e análises fatoriais. A seguir, na Tabela 12, indicam-se as características dos componentes, de igual maneira, são exibidas as percentagens de seus coeficientes, considerando que se estão próximos a 1 são representativos e, menores a 0,4 apresentam relações fracas.

Tabela 12. Análise da Matriz de componentes principais Matriz de Componentesa Variáveis Componentes Componente 1 Componente 2 N° de municípios impactados 0,826 -0,092 Biomas afetados 0,767 -0,392

N° de páginas com anexo 0,742 -0,124

Ano de Publicação do EIA 0,492 -0,338

N° de páginas dos TR 0,290 0,631

Tamanho da área do projeto 0,435 0,587

Custo do projeto 0,353 0,554

Método de extração: Análise de componentes principais. a. 2 componentes extraídos.

Fonte: Elaborado pelo autor.

A matriz de componentes indica que no componente 1 existe um cluster com uma associatividade forte, conformado pelas variáveis N° de municípios impactados, Biomas afetados e N° de páginas, seus coeficientes exibem as percentagens (82%), (77%) e (74%) respectivamente. Nessa linha, a variável Ano de publicação do EIA também sugere um vínculo com o anterior cluster e apresenta uma percentagem (49%). Enquanto demais variáveis analisadas exibem percentagens mais baixas, no componente 2, como era de esperar-se, estas variáveis mostram percentagens significativas no seguinte ordem: N° de páginas dos TRs (63%), Tamanho da área do Projeto (58%) e Custo do projeto (55%).

Dadas as anteriores análises, pode-se apreciar que as variáveis que afetam o volume de páginas, N° de municípios impactados e Biomas afetados, identificadas nos testes de regressão, teste de médias e Kruskal-Wallis, também sugerem uma associação significativa quanto ao volume de páginas nos testes de PCA aqui aplicados. Igualmente, é evidente observar que outras variáveis não estão particularmente associadas com o volume de informação nos EIAs, mas possivelmente estão vinculadas a questões administrativas e recomendações técnicas, como é o caso das variáveis Tamanho da área do Projeto e Custo do projeto, que no componente 2 do PCA mostraram ter relações significativas com o N° de páginas dos TRs. O comportamento destas

variáveis acentua as apreciações de Paiva et al (2015) e Vilardo et al (2018), que estimam que os TRs podem basear-se nos custos e tamanho da área do projeto para sugerir especificações na elaboração do EIA. Na Figura 20, exibem-se os clusters identificados pela modelagem do PCA.

No gráfico de componentes principais alternados, é interessante observar a possibilidade que os EIAs podem estar mudando ao longo do tempo, afetando os volumes de informação, tal como indica a variável “Ano de publicação do EIA”. Nessa dinâmica, é válido pensar que hoje em dia existem mais tecnologias e ferramentas que antigamente para a elaboração de projetos. E, de igual maneira, tem-se desenhado diversos mecanismos e estudos que têm ajudado a detectar diferentes efeitos no meio ambiente e a traçar estratégias para protegê-lo. Por tal motivo, os órgãos ambientais observam a necessidade de exigir informações indispensáveis que possam prever alterações no cenário socioambiental, o que pode acabar incidido no volume de páginas dos EIAs.

Figura 20. Gráfico de componentes principais alternados

Os resultados dos testes aplicados, em geral, inferem que a maioria das proxies aqui avaliadas influenciam a elaboração de EIAs e o volume de informação. Todavia, as variáveis que incidem no tamanho do EIA podem ser múltiplas e desconhecidas, portanto fornecer apreciações precipitadas baseadas puramente em resultados cartesianos pode ser arriscado. E, em vista disso, este estudo decidiu testar aspectos citados pelos autores em pesquisas em qualidade de EIAs e, para enriquecer as hipóteses, envolveu as percepções de analistas.