Análise Fatorial
- Proposto por
- Louis Leon Thurstone
- Ano
- 1931
- Tipo
- Method
- Família
- dimension-reduction
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Análise fatorial é uma técnica estatística para identificar dimensões latentes (não observadas) subjacentes a variáveis observadas, desenvolvida por Louis Leon Thurstone nos anos 1930 e formalizada por Jöreskog (1969).
A análise fatorial exploratória (AFE) descobre estrutura fatorial desconhecida a partir dos dados; a análise fatorial confirmatória (AFC) testa relações hipotetizadas entre variáveis observadas e latentes. Essencial em psicometria (desenvolvimento de testes), pesquisa organizacional (medição de construtos como estilo de liderança) e biomedicina (identificação de subtipos de doenças), a análise fatorial reduz a dimensionalidade enquanto revela a organização conceitual em dados multivariados.
A intuição por trás do método
Variáveis observadas (itens de questionário, medições) são frequentemente manifestações de construtos latentes subjacentes (inteligência, gravidade da depressão, clima organizacional) que não podem ser medidos diretamente. A análise fatorial assume que as correlações entre variáveis observadas refletem fatores latentes compartilhados. A matemática decompõe uma matriz de correlação em variância comum (explicada por fatores) e variância única (erros e efeitos específicos do item). A análise fatorial exploratória pergunta: qual estrutura latente explica melhor essas correlações? A análise fatorial confirmatória pergunta: uma estrutura teoricamente proposta se ajusta aos dados? Isso permite aos pesquisadores medir conceitos abstratos, validar instrumentos de avaliação e entender a organização dimensional em conjuntos de dados complexos.
História
Charles Spearman (1904) introduziu a análise fatorial para explicar as correlações positivas entre habilidades mentais (inteligência geral 'g'). Louis Leon Thurstone (1931) expandiu para múltiplos fatores e desenvolveu métodos de rotação (centróide, eixos principais). A análise fatorial confirmatória (1969) de Karl Jöreskog e a modelagem de equações estruturais revolucionaram o teste de hipóteses em modelos de variáveis latentes. O critério de Kaiser (Kaiser, 1960) padronizou a extração fatorial baseada em autovalores. Desenvolvimentos modernos incluem a teoria de resposta ao item (Rasch, 1960), métodos de estimação robustos (estimação livre de distribuição) e análise fatorial multi-grupo/multinível para comparar estruturas entre populações ou dados aninhados.
Quando usar
Use AFE ao explorar a estrutura dimensional de um novo construto de medição, refinar escalas ou entender as relações entre variáveis observadas sem teoria a priori. Avaliação psicológica: seleção de itens para nova triagem de depressão, escala de avaliação de liderança. Biomédica: identificação de subtipos de doenças a partir de correlações de sintomas. Use AFC ao validar escalas previamente desenvolvidas, testar modelos teóricos de medição ou comparar estruturas fatoriais rivais. Comum em psicologia: confirmar modelo unidimensional versus multidimensional de um construto. Use também AFC como a parte de medição de modelos maiores de equações estruturais que ligam variáveis latentes a resultados.
Limitações e considerações
- Resultados da AFE são dependentes da amostra; a estrutura fatorial pode não se replicar em uma nova amostra. Sempre valide os achados ou use análise fatorial confirmatória em amostra independente.
- Assume relações lineares entre variáveis e fatores; efeitos não lineares ou de limiar não são detectados.
- Interpretação é subjetiva: estruturas de autovalores e rotações semelhantes podem gerar interpretações diferentes. Múltiplas soluções podem se ajustar igualmente bem aos dados.
- Requer amostras grandes para estimativas estáveis: regra geral n > 5 × variáveis; amostras pequenas (n < 100) produzem fatores instáveis e não replicáveis.
- A AFC assume que o modelo de medição está correto a priori; se a estrutura real for diferente, as medidas de ajuste do modelo podem não detectar a especificação incorreta (mínimos locais, modelos equivalentes).
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Redução de dimensionalidade: muitas variáveis observadas são comprimidas em poucos fatores latentes interpretáveis, simplificando a análise e a comunicação.
- Revela construtos latentes: permite a medição de conceitos abstratos (inteligência, personalidade, cultura organizacional) que não podem ser diretamente observados.
- Base estatística para desenvolvimento de testes: apoia a evidência de validade para avaliações psicológicas e educacionais; a AFC valida formalmente modelos de medição.
- Flexível: acomoda dados binários, ordinais e contínuos; lida com dados faltantes via máxima verossimilhança de informação completa (FIML) na AFC.
- Estende-se a modelos complexos: base para modelagem de equações estruturais que ligam variáveis latentes a resultados, permitindo testes de mediação e moderação.
Aplicações
- Desenvolvimento de testes psicológicos: construção e validação de escalas clínicas (depressão, ansiedade), inventários de personalidade (Big Five) e testes de habilidade cognitiva; estabelecimento de evidências de validade.
- Pesquisa organizacional: medição de construtos como satisfação no trabalho, comprometimento organizacional, estilo de liderança; confirmação da natureza multidimensional de conceitos complexos.
- Avaliação da qualidade de vida: redução de muitos itens relacionados à saúde a dimensões interpretáveis (funcionamento físico, mental, social) para medição de resultados.
- Avaliação educacional: desenvolvimento de avaliações curriculares, estabelecimento da validade de exames de admissão universitária, redução de bancos de itens preservando a cobertura conceitual.
- Pesquisa biomédica: identificação de fenótipos distintos de doenças a partir de correlações de sintomas/marcadores genéticos (endótipos), redução de dados genômicos de alta dimensionalidade a dimensões latentes interpretáveis.
Como funciona
Como funciona
Administre análise fatorial exploratória ou confirmatória coletando dados em múltiplas variáveis observadas (tipicamente >5) de uma amostra suficientemente grande (regra geral: n > 5 × número de variáveis, ou mínimo absoluto n ≥ 100; idealmente n > 200). Para AFE: colete dados sem hipótese prévia sobre a estrutura fatorial; as variáveis devem estar razoavelmente intercorrelacionadas (verifique a matriz de correlação; correlações < 0.3 sugerem fatores improváveis). Avalie a adequação da amostra: o teste Kaiser-Meyer-Olkin (KMO) compara a magnitude das correlações com as correlações parciais; KMO > 0.6 aceitável, > 0.7 bom. O teste de esfericidade de Bartlett deve ser significativo (p < 0.05), indicando que as correlações diferem da matriz identidade. Para AFC: especifique uma estrutura fatorial hipotetizada a priori com base na teoria e em pesquisas anteriores.
Para análise fatorial exploratória: extraia fatores usando análise de eixos principais (PAF) ou máxima verossimilhança (ML). Critério de Kaiser: retenha fatores com autovalores > 1. Gráfico de scree: plote os autovalores em ordem decrescente; retenha fatores antes do cotovelo (ponto de retornos decrescentes). Análise paralela: compare os autovalores com os de dados aleatórios; retenha fatores que excedam o benchmark aleatório. Rotacione os fatores (varimax = ortogonal/não correlacionados, oblimin = oblíquo/correlacionados) para melhorar a interpretabilidade e alcançar a estrutura simples (cada variável carrega fortemente em um fator). Relate as cargas fatoriais (correlações entre variáveis e fatores): tipicamente |carga| > 0.4 considerado saliente; cargas > 0.7 fortes. Calcule as comunalidades: proporção da variância de cada variável explicada pelos fatores; comunalidades baixas (<0.3) sugerem ajuste ruim para essa variável. Para análise fatorial confirmatória: ajuste o modelo hipotetizado usando software de modelagem de equações estruturais (SEM). Relate os índices de ajuste do modelo: CFI (Comparative Fit Index) > 0.95, TLI (Tucker-Lewis Index) > 0.95, RMSEA (Root Mean Square Error of Approximation) < 0.06, SRMR (Standardized Root Mean Square Residual) < 0.08 (Hu & Bentler, 1999).
Na AFE, identifique fatores latentes examinando quais variáveis carregam fortemente em cada fator; interprete o fator conceitualmente com base no conteúdo das variáveis. Por exemplo, se itens sobre tristeza, desesperança e anedonia carregam >0.6 em um fator, rotule-o como 'depressão'. Relate a variância explicada pelos fatores: a soma das cargas ao quadrado dividida pelo número de variáveis × 100% fornece a variância por fator; o total entre os fatores indica o ajuste geral. Confiabilidade dentro de cada fator: calcule o alfa de Cronbach (≥0.70 aceitável, ≥0.80 bom) nas variáveis que carregam nesse fator. Na AFC, examine as cargas fatoriais padronizadas (todas devem ser > 0.4, idealmente > 0.6); cargas não significativas sugerem que os itens medem mal o construto. Índices de ajuste do modelo: atender a todos os critérios (CFI > 0.95, RMSEA < 0.06) apoia o modelo proposto. Índices de modificação sugerem caminhos alternativos; no entanto, ajustes de modelo baseados em dados (pós-hoc) comprometem a validade do modelo — use amostras de validação cruzada para testar modelos modificados. Relate a variância explicada pela variável latente para cada variável observada (R²).
Erros comuns
- AFE baseada em dados com amostras pequenas: capitaliza o acaso; a replicabilidade em nova amostra é pobre. Sempre conduza a AFE em amostra exploratória e valide em amostra de retenção.
- Extração de fatores baseada apenas no critério de Kaiser (autovalor > 1); o gráfico de scree e a análise paralela fornecem orientação adicional e frequentemente sugerem menos fatores.
- Retenção de fatores não interpretáveis: se um fator não puder ser rotulado conceitualmente ou contiver cargas conceitualmente não relacionadas, considere removê-lo em vez de forçar a interpretação.
- Erros de especificação do modelo AFC: especificar incorretamente a estrutura fatorial, omitir caminhos teoricamente relevantes ou permitir erros correlacionados sem justificativa compromete a validade.
- Interpretação equivocada da magnitude da carga fatorial: cargas são correlações, não regressões; uma carga de 0.5 explica apenas 25% da variância da variável (R² = 0.5²).
- Uso de rotação inadequada: varimax (ortogonal) impõe fatores não correlacionados; oblimin (oblíquo) permite correlações. Escolha com base na teoria; rotação ortogonal é frequentemente irrealista.
Perguntas frequentes
Qual é a diferença entre análise fatorial exploratória e confirmatória?
A análise fatorial exploratória (AFE) descobre a estrutura latente a partir dos dados sem teoria prévia; você deixa os dados guiarem quantos fatores e quais variáveis carregam em quais fatores. Use AFE ao investigar um novo construto ou escala. A análise fatorial confirmatória (AFC) testa uma estrutura fatorial hipotetizada especificada antes da análise com base na teoria e em pesquisas anteriores. A AFC fornece testes formais de ajuste e é mais rigorosa estatisticamente. Prática padrão: conduza a AFE em uma amostra de treinamento para propor um modelo, e então valide com AFC em uma amostra de teste independente (ou use validação cruzada). Nunca conduza AFE na mesma amostra usada para validação de AFC.
Quantos fatores devo extrair? O que o gráfico de scree me diz?
Vários critérios orientam a extração de fatores: (1) Critério de Kaiser (autovalor > 1) é tradicional, mas frequentemente sugere muitos fatores. (2) Gráfico de scree: autovalores plotados em ordem decrescente; retenha fatores antes do cotovelo (ponto onde os retornos decrescentes começam). O 'scree' é a inclinação após o cotovelo. (3) Análise paralela: compare autovalores empíricos com os de permutações aleatórias; retenha apenas fatores que excedam a linha de base aleatória. A análise paralela é a mais defensável estatisticamente. (4) Interpretabilidade: retenha apenas fatores que você possa rotular e explicar conceitualmente. Critérios diferentes frequentemente produzem números diferentes; consulte múltiplos métodos e a teoria.
O que significa uma carga fatorial de 0.6, e como ela difere de um coeficiente de confiabilidade?
Uma carga fatorial de 0.6 é a correlação entre uma variável observada e um fator latente; indica que a variável contribui para a medição desse fator. A carga ao quadrado (0.6² = 0.36) é a proporção da variância da variável explicada pelo fator. Cargas > 0.4 são minimamente aceitáveis; > 0.6 são fortes. Um coeficiente de confiabilidade (alfa de Cronbach, tipicamente ≥0.70) mede a consistência interna: o grau em que múltiplas variáveis que medem o mesmo construto se correlacionam entre si. A carga mostra a relação com o fator latente; o alfa mostra se as variáveis juntas medem consistentemente um construto. Ambos importam: cargas altas e alfa alto juntos apoiam uma dimensão latente homogênea.
Como lidar com variáveis de baixas comunalidades?
Comunalidade é a proporção da variância de uma variável explicada por todos os fatores (soma das cargas ao quadrado entre os fatores). Baixas comunalidades (<0.3) sugerem que a variável é mal representada pelos fatores, seja porque: (1) mede um construto único não capturado pelo modelo fatorial, (2) é não confiável/ruidosa, ou (3) a solução fatorial está incorreta. Opções: remover a variável (simplificar o modelo se justificado teoricamente), adicionar fatores (pode levar a sobreajuste), ou investigar se a variável realmente pertence à escala. Sempre examine o conteúdo do item; às vezes, baixa comunalidade reflete um item mal formulado em vez de um ajuste conceitual inadequado.
Métodos relacionados
Fontes
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
Abrir referência DOICopiado.Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
Abrir referência DOICopiado.Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
Abrir referência DOICopiado.