Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Glossário da Análise Fatorial Exploratória

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!

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.

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.

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).

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Se você é um profissional ou um estudante da área da saúde e está interessado nas práticas baseadas em evidências, este post é para você. Vamos descobrir como a base

Diferença entre as regressões logísticas: binária, ordinal e multinomial

Diferença entre as regressões logísticas: binária, ordinal e multinomial

A análise de regressão é uma técnica amplamente utilizada para verificar a existência de uma relação entre uma variável dependente e uma ou mais variáveis independentes. Existem diferentes tipos de

Construção de itens para instrumentos de autorrelato

Construção de itens para instrumentos de autorrelato

A elaboração de itens para instrumentos de autorrelato desempenha um papel crucial na pesquisa psicométrica, pois é por meio deles que os participantes expressam suas próprias experiências e percepções. Neste

Dados Normativos: Entendendo o Escore Z

Dados Normativos: Entendendo o Escore Z

Interpretar os resultados derivados do uso de um teste é tão crucial quanto criar ou adaptar os instrumentos e aplicá-los corretamente. Para a interpretação dos resultados, é essencial a criação

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

No campo da Psicometria, pesquisadores e profissionais frequentemente buscam garantir a precisão e consistência de seus instrumentos de medição. Um dos métodos usados para avaliar a confiabilidade de um teste

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Se você é um profissional ou um estudante da área da saúde e está interessado nas práticas baseadas em evidências, este post é para você. Vamos descobrir como a base

Diferença entre as regressões logísticas: binária, ordinal e multinomial

Diferença entre as regressões logísticas: binária, ordinal e multinomial

A análise de regressão é uma técnica amplamente utilizada para verificar a existência de uma relação entre uma variável dependente e uma ou mais variáveis independentes. Existem diferentes tipos de

Construção de itens para instrumentos de autorrelato

Construção de itens para instrumentos de autorrelato

A elaboração de itens para instrumentos de autorrelato desempenha um papel crucial na pesquisa psicométrica, pois é por meio deles que os participantes expressam suas próprias experiências e percepções. Neste

Dados Normativos: Entendendo o Escore Z

Dados Normativos: Entendendo o Escore Z

Interpretar os resultados derivados do uso de um teste é tão crucial quanto criar ou adaptar os instrumentos e aplicá-los corretamente. Para a interpretação dos resultados, é essencial a criação

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

No campo da Psicometria, pesquisadores e profissionais frequentemente buscam garantir a precisão e consistência de seus instrumentos de medição. Um dos métodos usados para avaliar a confiabilidade de um teste

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.