Introdução
Quando nos deparamos com uma vasta quantidade de dados, muitas vezes desejamos entender as estruturas subjacentes que permeiam esse conjunto. A questão é: como desvendar os padrões ocultos por trás de um mar de variáveis?
A resposta está na Análise Fatorial Exploratória (AFE). Esta técnica estatística, amplamente usada em pesquisa social, psicologia, e muitos outros campos, nos ajuda a identificar e interpretar relações não observadas diretamente entre variáveis, permitindo uma representação mais simplificada e compreensível do que está realmente acontecendo nos nossos dados.
No entanto, mergulhar na AFE pode ser uma tarefa intimidante para iniciantes, dada a sua complexidade e terminologia específica. Por isso, antes de nos aprofundarmos nas nuances da AFE, é essencial equipar-se com um entendimento claro dos termos e conceitos fundamentais.
Preparamos um glossário abrangente que servirá como sua bússola enquanto navega por este intrigante território estatístico. Vamos decifrar juntos o jargão da AFE, garantindo que você esteja bem preparado para sua jornada analítica.
Vamos lá!
Termos da análise fatorial exploratória que você precisa conhecer
Análise Fatorial Exploratória (AFE): técnica estatística usada para identificar estruturas latentes subjacentes a um conjunto de variáveis observadas.
Fatores: dimensões latentes que capturam a variância compartilhada entre as variáveis observadas.
Carga fatorial (loading): a relação linear entre a variável observada e o fator. Indica a extensão em que a variável é “explicada” pelo fator.
Variância específica: refere-se à porção de variância do item que não é compartilhada com nenhuma outra variável.
Variância comum: refere-se à variância que é compartilhada entre todos os itens que compõem determinado fator ou componente.
Variância de erro: refere-se à parcela do item não explicada pelo componente ou fator.
Variância explicada: refere-se à porção de variância comum que um fator, ou um conjunto de fatores, consegue extrair de um determinado conjunto de dados.
Comunalidade: é uma medida da proporção de variância explicada pelos fatores. Dessa forma, uma variável que não apresente variância específica ou de erro, teria uma comunalidade de 1, enquanto uma variável que não compartilhe variância com nenhuma outra variável teria uma comunalidade de valor 0.
Teste de Kaiser-Meyer-Olkin (KMO): uma medida de adequação da amostra para análise fatorial. Valores KMO acima de 0,6 geralmente são considerados adequados, com valores mais próximos de 1 indicando uma adequação melhor.
Teste de Bartlett: teste estatístico usado para verificar a hipótese nula de que a matriz de correlação é uma matriz de identidade, indicando que as variáveis são não correlacionadas no conjunto de dados. Um resultado significativo (p < 0,05) indica que as variáveis estão adequadamente correlacionadas para a análise fatorial.
Método de extração/fatoração: o algoritmo utilizado para estimar cargas fatoriais, podem ser chamados também de estimadores. As aplicações psicométricas incluem máxima verossimilhança, resíduo mínimo (“minres”), classificação mínima (“minrank”), eixos principais (“pa”), mínimos quadrados ponderados (“wls”) e o adequado para dados de natureza ordinal: Média Quadrada Mínima Ponderada e Variância Ajustada (“wlsmv”).
Rotação: técnica utilizada para atingir uma melhor distinção entre os fatores, facilitando a interpretação dos fatores por meio das cargas fatoriais.
Rotação ortogonal: é a rotação onde os fatores permanecem perpendiculares (não correlacionados) entre si. Em outras palavras, assume-se que cada fator é independente (ortogonal) em relação a todos os outros. Dentre as opções temos: varimax, quartimax, BentlerT e geominT.
Rotação oblíqua: é a rotação onde os fatores são permitidos para correlacionar entre si. Dentre as opções temos: oblimin, promax, simplimax, BentlerQ e geominQ.
Eigenvalue (valor próprio): representa a quantidade de variância explicada por um fator. A soma total dos eigenvalues é sempre igual ao número de itens utilizados na análise.
Scree plot: gráfico que mostra os eigenvalues em ordem decrescente. O “ponto de inclinação” refere-se ao ponto em que a curva começa a se estabilizar e a queda nos autovalores se torna menos acentuada. Era usado para determinar o número de fatores a serem retidos, atualmente é uma técnica ultrapassada e não é mais recomendada para determinar o número de fatores a serem retidos.
Critério do autovalor (critério de Kaiser): método popular para determinar o número de fatores a serem retidos. Sugerido por Kaiser em 1960, este critério propõe reter fatores com autovalores maiores que 1. Também não é mais recomendada para determinar o número de fatores a serem retidos.
Análise Paralela: técnica que compara os autovalores da matriz de dados com os autovalores de matrizes de dados geradas aleatoriamente. Fatores cujos autovalores são maiores do que os de sua contrapartida em dados aleatórios são retidos. É considerado por muitos pesquisadores como um dos métodos mais precisos para determinar o número de fatores.
Glossário de Análise Fatorial Exploratória
Ao chegarmos ao final deste glossário introdutório sobre Análise Fatorial Exploratória, esperamos que os intricados conceitos e termos que anteriormente pareciam desafiantes agora estejam mais claros e compreensíveis.
O glossário fornecido é sua chave para desvendar e dominar esta técnica. No entanto, como em qualquer jornada de aprendizado, a familiaridade e a competência vêm com a prática e a experiência. Encorajamos você a aplicar o que aprendeu aqui em seus próprios conjuntos de dados.
E neste post, temos uma novidade! A Psicometria Online tem o prazer de anunciar a publicação de um valioso recurso para profissionais e estudantes da Psicometria: o Glossário de Análise Fatorial Exploratória.
Entender os termos e as nuances da AFE é essencial para pesquisadores, estudantes e profissionais envolvidos na análise de dados em Psicometria. Este glossário tem por objetivo fornecer definições claras e concisas dos principais termos relacionados à AFE, como “Alfa de Cronbach”, “Análise Paralela”, “Carga Fatorial”, entre outros.
Conclusão
Esperamos que este post tenha ajudado você a entender melhor esses conceitos e como aplicá-los na prática. Aproveite e inscreva-se no canal e aprimore suas habilidades em análise de dados!
Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).
Como citar este post
França, A. (2023, 17 de setembro). Termos importantes da análise fatorial exploratória. Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/glossario-da-analise-fatorial-exploratoria/
