A Análise Fatorial Exploratória (AFE) é um conjunto de técnicas multivariadas que tem como objetivo encontrar a estrutura subjacente em uma matriz de dados e determinar o número e a natureza das variáveis latentes (fatores) que melhor representam um conjunto de variáveis observadas.
Sendo assim, o objetivo da AFE é identificar esses fatores e estimar as relações entre eles e as variáveis observadas. Para isso, a AFE parte de uma matriz de correlação ou covariância das variáveis observadas e usa técnicas estatísticas para extrair os fatores latentes que melhor explicam a estrutura dos dados.
Vale destacar que a AFE é uma técnica exploratória, ou seja, não parte de hipóteses pré-estabelecidas sobre os fatores latentes, mas busca identificá-los a partir dos padrões de correlação entre as variáveis observadas.
Aprenda a Realizar uma Análise Fatorial Exploratória PERFEITA
Variáveis latentes e observáveis
Agora que entendemos a ideia da análise fatorial aplicada a construtos psicológicos, fica mais fácil de entender sua função. Na psicometria, por meio da análise fatorial, queremos entender a relação entre as variáveis observáveis.
As variáveis observáveis são aquelas que conseguimos medir (por exemplo: comportamentos, sentimentos, emoções). Os itens de um instrumento são exemplos de variáveis observáveis. Já as variáveis latentes são um fenômeno que não conseguimos medir diretamente, mas que podemos inferir através da relação entre as variáveis observáveis.
Vamos analisar um exemplo para entender mais fácil. Na teoria das variáveis latentes, as psicopatologias são comumente pensadas como um transtorno que causa determinados sintomas. Nesse sentido, podemos entender um episódio depressivo da seguinte maneira:
Neste exemplo (meramente ilustrativo), os sintomas são as variáveis que podemos observar. Podemos criar uma pergunta em um instrumento de autorrelato onde a pessoa responde se está perdendo o sono e o apetite e se está com o humor e energia mais deprimidos que o normal.
Já a depressão é uma variável latente. Nós não podemos observar diretamente a depressão. No entanto, é possível dizer uma pessoa que está tendo um episódio depressivo, terá uma alteração naqueles sintomas que estamos avaliando.
Como a Análise Fatorial (Exploratória) funciona?
Até aqui entendemos o que são variáveis latentes e observáveis. Já passamos da metade do caminho, já que a função das análises fatoriais é justamente descobrir e modelar as variáveis latentes.
Para entender como a AFE funciona, vamos voltar ao nosso exemplo. Nós entendemos que há um transtorno “Depressão”. Então esperamos que, se medirmos a depressão, os itens que usamos vão estar relacionados.
Agora, se tentarmos relacionar um item que não tenha a ver com depressão em nosso instrumento, este item não deve se relacionar muito com os demais.
Veja o exemplo a seguir:
Nele, nós medimos os sintomas mencionados anteriormente, mas também achamos que algumas outras coisas também são sintomas de depressão e queremos validar nossa hipótese em uma pesquisa: agitação, preocupação, dificuldade de concentração e irritabilidade.
Cada retângulo no gráfico representa um sintoma medido através de um questionário aplicado a centenas de pessoas. Cada coluna representa as respostas de um grupo de indivíduos e o preenchimento em cada variável representa o quão alto é a resposta média das pessoas daquele grupo àquele sintoma.
Repare que existe uma relação bastante específica entre as variáveis e a divisão de grupos foi feita pensando nisto. No grupo 1 estão indivíduos que tiveram a média baixa nas primeiras 5 variáveis, nossos itens originais. Mas eles tiveram média alta nos itens novos.
Já no segundo grupo, aconteceu o contrário. Médias mais altas no primeiro grupo de variáveis e médias mais baixas no segundo grupo.
O terceiro grupo teve médias altas em ambos, e o quarto grupo está um pouco abaixo das médias em todas as variáveis.
Isso significa que é possível que haja um fator que explique as cinco primeiras variáveis e outro fator que explique as demais.
Na realidade, as quatro últimas variáveis são medidas mais relacionadas à ansiedade. Portanto, este poderia ser um instrumento que meça dois fatores: depressão e ansiedade.
No começo do estudo estávamos esperando que todas as variáveis formassem um único fator, msa a AFE serve como um primeiro passo para corroborar ou não com a nossa teoria.
Com isso, espero que você tenha entendido a função da análise fatorial exploratória: identificar a estrutura interna de um instrumento, de forma que nos informe como aqueles itens se agrupam em fatores.
Como fazer uma análise fatorial?
Agora, vou te dar um resumo de como fazer uma análise fatorial e o que esperar de resultados. Contudo, não vamos entrar em muitos detalhes, já que a análise fatorial é complexa e você deve seguir fontes acadêmicas confiáveis para te ajudar nas decisões tomadas para as análises. Mas deixe um comentário nos dizendo que aspectos da AFE você quer ver com mais detalhes!
Aliás, sugiro duas fontes boas para isso, este artigo e o capítulo 11 do livro Manual de Desenvolvimento de Instrumentos Psicológicos, que é um tutorial de AFE usando o programa gratuito, Factor.
Vamos lá!
O princípio de uma análise fatorial é uma matriz de correlação ou de covariância entre todas as variáveis de interesse. À partir desta matriz que vamos entender como se dá a relação entre os itens. Portanto, todas as decisões sobre como fazer uma correlação se aplicam aqui.
De maneira geral, quando estamos lidando com instrumentos psicométricos, que costumam ter variáveis ordinais, devemos fazer uma correlação policórica. Usar a correlação de Pearson neste caso pode ser um erro, já que esta correlação é adequada apenas para variáveis contínuas.
Retenção fatorial
Depois de decidido o método de correlação, é necessário aplicar uma técnica para extração dos fatores. É isto que vai te ajudar a decidir qual é o melhor número de fatores para o seu instrumento. Existem alguns métodos de fazer a retenção.
Nesse sentido, a análise paralela e o método Hull apresentam como alternativas de métodos mais confiáveis e precisos para determinar o número de fatores a serem retidos.
Análise Paralela de Horn: Neste método, é gerada uma matriz de dados aleatórios com as mesmas dimensões da matriz original, mas com valores fixos de correlação entre as variáveis. O número de fatores a serem retidos é determinado pela comparação dos autovalores (eigenvalues) obtidos para cada conjunto de dados. Este método utiliza matrizes de correlações de Pearson para obter as matrizes aleatórias.
Análise Paralela (Optimal implementation): Também é um método baseado em simulação que usa dados aleatórios para criar um conjunto de autovalores (eigenvalues) que podem ser comparados com os autovalores (eigenvalues) reais da matriz de correlação.
A principal diferença em relação a Análise Paralela de Horn, é que a Análise Paralela (Optimal implementation) utiliza o mesmo tipo de correlações da matriz original, isto é, se a matriz original foi gerada por meio de correlações policóricas, as matrizes aleatórias também serão geradas por meio de correlações policóricas.
Método Hull: Pode-se dizer que o este método utiliza uma abordagem iterativa, começando com um modelo de um fator e adicionando gradualmente mais fatores até que o critério de retenção seja satisfeito.
Rotação fatorial
A rotação fatorial busca encontrar uma solução mais clara e interpretável nas análises fatoriais, onde cada variável tenha uma alta carga em um único fator e baixas cargas nos demais.
Existem dois tipos de rotação fatorial, as ortogonais e as oblíquas. As ortogonais assumem que não há correlação entre os fatores. Já as oblíquas permitem que haja correlação entre os fatores.
Todavia, as rotações ortogonais estipulam, a priori, que não há correlação entre os fatores (r = 0), gerando, portanto, fatores totalmente independentes uns dos outros. Entretanto, esse pressuposto é raramente obtido nas pesquisas das ciências humanas e da saúde.
O adequado, na maioria dos casos, é uma rotação oblíqua. Existem diversos métodos de rotação, mas muitos tendem a ser igualmente bons: oblimin, quartimin, promax etc. Para mais detalhes sobre rotação fatorial, veja nosso post no qual apresentamos mais detalhes.
O que devemos verificar
Agora que temos o número de fatores e as rotações, finalmente podemos fazer a parte legal da análise: identificar que itens pertencem a que fator. O principal valor que devemos olhar são as cargas fatoriais. Elas indicam o quanto cada fator explica cada variável.
Os valores vão de -1 a 1, que indicam uma influência forte do fator. Já valores próximos a zero indicam uma influência fraca. Também devemos adotar um ponto de corte, que é o valor mínimo de carga fatorial para aceitar que aquele item pertença ao fator. Em geral, este ponto de corte é 0,3, mas valores mais altos, como 0,4 e 0,5 também costumam ser adotados.
A tabela seguinte é um exemplo de tabela de cargas fatoriais. Nela, temos as cargas fatoriais de um instrumento que avalia os cinco grandes fatores de personalidade. Nas linhas, temos as variáveis, e nas colunas temos cada um dos fatores.
Como podemos ver, nesta análise fatorial não encontramos 5 fatores de personalidade, encontramos 6! Os quatro primeiros fatores estão de acordo com o esperado — os nomes das variáveis designam os fatores em que os itens foram criados, por exemplo, C1 a C5 para os cinco itens sobre “conscienciosidade”.
Mas os fatores 5 e 6 não seguiram o modelo previsto. Eles se referem aos itens de abertura à experiência, que ficou dividido em dois fatores. Um com os itens O1, O3 e O4 e outro com os itens O2 e O5. Em uma pesquisa, esse seria o momento de identificar o que estes itens se propunham medir, reler a literatura e tentar entender se a divisão deste fator tem embasamento teórico.
| Fator 1 | Fator 2 | Fator 3 | Fator 4 | Fator 5 | Fator 6 | |
| A1 | -0.619 | |||||
| A2 | 0.721 | |||||
| A3 | 0.584 | |||||
| A4 | 0.398 | |||||
| A5 | 0.399 | |||||
| C1 | 0.579 | |||||
| C2 | 0.747 | |||||
| C3 | 0.587 | |||||
| C4 | -0.631 | |||||
| C5 | -0.580 | |||||
| E1 | -0.740 | |||||
| E2 | -0.740 | |||||
| E3 | 0.422 | |||||
| E4 | 0.576 | |||||
| E5 | 0.503 | |||||
| N1 | 0.901 | |||||
| N2 | 0.926 | |||||
| N3 | 0.739 | |||||
| N4 | 0.462 | |||||
| N5 | 0.494 | |||||
| O1 | 0.573 | |||||
| O2 | 0.519 | |||||
| O3 | 0.624 | |||||
| O4 | 0.396 | |||||
| O5 | 0.575 |
Outra métrica importante de ser analisada são as comunalidades, que indicam o quanto cada variável é explicada por todos os fatores. Ela também tem valor entre -1 a 1 e pode indicar que uma variável não tem variância comum explicada por nenhum dos outros fatores.
Por último, podemos analisar a variância explicada por cada fator. Ela, evidentemente, explica o quanto de variância nos cada fator explica. Portanto, se um fator de variância explicada de 0,54, podemos dizer que ele explica 54% da variação daquelas variáveis.
Conclusão
A Análise Fatorial Exploratória é um assunto complexo, mas de extrema importância para o psicometrista. Como ela se baseia em muitos conhecimentos prévios, como os vários tipos de correlação e tem cálculos complexos, não se cobre entender tudo de uma vez, e nem em entender tudo a partir deste artigo. Mas eu espero que tenha sido uma boa introdução e uma visão geral do processo.
E já que você está por dentro do assunto, que tal assistir a este vídeo tutorial, daqui do Psicometria Online?
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
Damásio, B. (2021, 17 de maio). O que é análise fatorial exploratória? Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/o-que-e-analise-fatorial-exploratoria/
Respostas de 2