Apostila ANALISEFATORIAL

MANEJO FLORESTAL DEF/UFV
Prof. Agostinho Lopes de Souza
ANLISE FATORIAL
Uma Introduo
NDICE
Pgina
1. INTRODUO........................................................................................................1
2. MODELO TERICO...............................................................................................2
3. PROCEDIMENTOS GERAIS PARA A ANLISE FATORIAL ("FACTOR
ANALYSIS")...........................................................................................................5
4. MTODOS DE ESTIMAO DAS CARGAS DOS FATORES..........................6
5. ROTAO DOS FATORES.................................................................................15
6. ESTIMAO DOS VALORES DOS FATORES.................................................20
7. EXEMPLOS DE APLICAO ............................................................................23
8. POSSVEIS FONTES DE ERROS EM ANLISE FATORIAL/ ........................39
9. NMERO E SIGNIFICADO DOS FATORES ....................................................40
10. PERSPECTIVAS E ESTRATGIAS PARA ANLISE FATORIAL................42
11. REFERNCIAS BIBLIOGRFICAS.................................................................43
1. INTRODUO
A anlise fatorial ("Factor Analysis") a principal e a mais antiga tcnica de anlise
multivariada. A idia fundamental foi proposta por Sperman e por Pearson, no incio do
sculo, para entender problemas relacionados psicologia educacional, na tentativa de definir
inteligncia (MARRIOTT, 1974).
Seu desenvolvimento e principalmente, a sua utilizao, foram limitados durante
muitos anos, devido complexidade dos clculos envolvidos. Com o advento do
processamento de dados computadorizado, o uso e interesse pela anlise fatorial foi renovado
e retomado (MENEZES et al., 1978). A anlise fatorial tem sido usada nas mais diversas
reas do conhecimento, como por exemplo, Agronomia (FACHEL, 1978), Biologia
(FOWLER, 1993), Floresta (QUEIROZ, 1984), Cincias Sociais (MENEZES et al., 1978),
em que o pesquisador se depara com observaes de vrias variveis para cada elemento de
uma amostra de plantas, animais, ou de outros tipos de unidades experimentais.
MENEZES et al., 1978 comentam que a anlise fatorial pode ser usada no agrupamento de variveis ou no agrupamento de unidades de observaes. No primeiro caso a matriz
de dados iniciais tem as variveis nas colunas e as unidades de amostra nas linhas. No
segundo caso, transpe-se a matriz anterior, obtendo-se as unidades nas colunas e as variveis
nas linhas.
Se o nmero de variveis estudadas grande, uma estratgia de anlise seria a de
tentar simplificar ou melhor estruturar o conjunto de dados, a partir das inter-relaes entre
tais variveis. Tais inter-relaes podem ser medidas pelas covarincias ou pelos coeficientes
de correlao entre as variveis. Duas tcnicas estatsticas de anlise multivariada so
comumente utilizadas para tratar este problema: Anlise de Componentes Principais e Anlise
Fatorial (JOHNSON & WICHERN, 1988).
A Anlise Fatorial um conjunto de mtodos estatsticos que, em certas situaes,
permite "explicar" o comportamento de um nmero relativamente grande de variveis observadas, em termos de um nmero relativamente pequeno de variveis latentes ou fatores. Os
fatores podem ser no correlacionados (fatores ortogonais) ou correlacionados (fatores
oblquos). As variveis so agrupadas por meio de suas correlaes, ou seja, aquelas pertencentes a um mesmo grupo sero fortemente correlacionadas entre si, mas pouco correlacionadas com as variveis de outro grupo. Cada grupo de variveis representar um fator
(JOHNSON & WICHERN, 1988).
Como uma tcnica de anlise multivariada, relevante mostrar como se situa a
Anlise Fatorial em relao s outras tcnicas. Segundo Kendal (1950), citado por FACHEL
(1976), as tcnicas de anlise multivariada podem ser distinguidas em:
a) Anlise de dependncia: quando queremos estudar a dependncia de uma ou mais
variveis em relao s outras. Consideramos, ento, dois subconjuntos: um no qual as
variveis so denominadas independentes e outro em que tratamos das variveis dependentes.
b) Anlise de interdependncia: quando estamos interessados nas relaes de um
conjunto de variveis entre si, sem selecionarmos nenhuma delas em especial, como varivel
dependente.
No primeiro tipo de anlise enquadram-se, por exemplo, Anlise de Regresso e Anlise de Varincia Multivariada, enquanto que no segundo tipo de classificao, salientandose apenas o carter de interdependncia das variveis que se enquadram as tcnicas de Anlise
Fatorial e de Componentes Principais.
2. MODELO TERICO
Considerando um conjunto de p variveis, com n observaes para cada varivel,
obtm-se o arranjo de valores
[ x ij ], i = 1, 2,..., n , j = 1, 2,..., p
partir do seguinte conjunto de dados
Variveis
indivduos
X1
X2
...
Xp
x11
x12
...
x1p
x 21
...
x n1
x 22
...
x n2
...
x 2p
...
x np
...
n
...
O modelo da anlise de fatores supe que cada varivel X j linearmente dependente de

poucas variveis aleatrias no observadas F1 , F2 , ..., Fm (m < p) chamadas fatores comuns, e
p fontes adicionais de variao e1 , e 2 , ..., e p , chamadas erros ou, algumas vezes, fatores
especficos (JOHNSON & WICHERN, 1988).
Em particular, o modelo da anlise de fatores pode ser escrito como* :
X1 = a11F1 + a12 F2 + + a1m Fm + e1

X2 = a 21F1 + a 22 F2 + + a 2 m Fm + e2
X p = a p1F1 + a p2 F2 + + a pm Fm + e p
ou seja,
X j = a j1F1 + a j2 F2 + + a jm Fm + e j ,
(eq.2.1)
onde X j a j-sima varivel, a j1 , a j2 , , a jm so as cargas dos fatores para a j-sima

varivel e F1 , F2 , , Fm so m fatores comuns no correlacionados, com m menor que p.
Os p valores observados X p so expressos em termos de p + m variveis aleatrias
no observveis ( F1 , F2 , , Fm ; 1 , 2 , , p ). Isso distingue o modelo fatorial do modelo de
regresso mltipla, no qual as variveis independentes podem ser observadas, e cujas posies
so ocupadas por F no modelo fatorial.
* Observe que, no presente modelo, foi desconsiderado o vetor de mdias de cada varivel simplesmente para simplificar a
exposio terica, mas sem perda de generalidade. Seria como se estivssemos trabalhando com as observaes centradas, o
que consiste em subtrair, de cada observao, o valor da mdia das observaes. O modelo, considerando-se o vetor de
X j = + a j1F1 + a j 2 F2 + + a jm Fm + e j o que corresponde a
mdias, seria:
X j = a j1F1 + a j2 F2 + + a jm Fm + e j
2
Matricialmente teramos
X = ( pxm
) ( mxF1) + ( px1)
(eq.2.2)
( px1)
Uma verificao direta do modelo fatorial, partir das observaes X1, X2,..., Xp,
impossibilitada por tantas quantidades no observveis. Entretanto, com algumas pressuposies impostas aos vetores aleatrios, F e , o modelo fatorial implica em certas relaes de
covarincia, que podem ser verificadas (JOHNSON & WICHERN, 1988). Assim os vetores F
e devem satisfazer as seguintes condies:
01) ,Cov(F) = E(FF`) = ( mxm

I)
E(F) = ( mx
)
E() = ( px01) , Cov() = E[`] = ( pxp
onde uma matriz diagonal
e que F e so independentes. Assim,
0)
Cov(,F) = E(F`) = ( pxm
(eq.2.3)
Essas pressuposies e a relao em (eq.2.2) constituem o chamado modelo de fatores

ortogonal.
Se admitirmos os fatores F serem correlacionados, de modo que Cov(F) no
diagonal, teremos o chamado modelo de fatores obliquo. Este modelo no ser discutido neste
trabalho.
Das pressuposies acima, obtemos a estrutura da matriz de covarincias de X, que
ser representada por .
Temos que XX`= (F + ) (F + )`
= (F + ) [(F)` + `]
= F(F)` + (F)` + F` + `
de modo que, de acordo com (eq.2.3) teramos:
= Cov(X) = E(XX`)
= E(FF`)` + E(F`)` + E(F`) + E(`)
=I` + 0 + 0 +
=` +
(eq.2.4)
De uma maneira mais fcil de entender e usando apenas propriedades da varincia,

poderamos, partir da relao (eq.2.1), chegar ao mesmo resultado:
temos:
X j = a j1F1 + a j2 F2 +... + a jm Fm + e j
aplicando as propriedades da varincia, e com base nas pressuposies em (eq.2.3), teremos:
V( X j ) = a 2j1V( F1 ) + a 2j2 V( F2 ) +... + a 2jm V( Fm ) + V( e j )
= a 2ji + a 2j2 + ... + a 2jm + V(e j )

onde a j1 + a j2 +... + a jm , ou seja `, chamada de comunalidade da varivel Xj (a parte da
sua varincia que est relacionada com os fatores comuns) enquanto que V(e j ) chamada
2
especificidade de X j (a parte da sua varincia que no est relacionada com os fatores

comuns).
Temos, portanto, a estrutura de covarincia:
a . Cov( X) = ' + ou
Var ( X i ) = a 2i1 + + a 2im + i
Cov( X i , X k ) = a i1a k1 + + a im a km
b. Cov( X, F) =
Cov( X i Fj ) = a ij
Pode tambm ser estabelecido que a correlao entre Xj e Xj'
r j j' = a j1a j'1 + a j 2 a j' 2 +... + a jm a j' m
Conseqentemente, duas variveis somente sero altamente correlacionadas se elas
tiverem altas cargas no mesmo fator.
O modelo fatorial pressupe efeitos aditivos; fatores, variveis e resduos
normalmente distribudos, resduos independentes e relaes lineares entre as variveis
(JOHNSON & WICHERN, 1988)
Pelo teorema do limite central, generalizando da estatstica univariada para a
multivariada, temos: se X1 , X2 , ..., Xp variveis tm varincias s 12 , s 22 , , s p2 e correlaes
ri j, com i e j = 1, 2, ..., p, ento as mdias X 1 , X 2 , , X p , de uma amostra de tamanho n,
possui uma distribuio que, com o aumento de n, se aproxima de uma distribuio normal
2
2
2
multivariada, com varincias 1 , 2 , , p e correlaes i j estabilizadas e constantes para
os valores de X. Esse teorema assegura que muitas das tcnicas e testes estatsticos baseados
na distribuio normal multivariada so consistentes e no conduzem a resultados duvidosos,
mesmo quando os dados originais no so derivados de uma distribuio normal multivariada
(MARRIOT, 1974).
Na estatstica multivariada, assume-se que as matrizes de disperso so homogneas,
ou seja, que as varincias e covarincias so independentes das mdias e so as mesmas entre
os grupos. Se essa homogeneidade no ocorre, necessrio transformar os dados para
estabilizar as varincias, seguindo os mesmos procedimentos adotados na estatstica
univariada. Problema mais raro e irremedivel consiste na dependncia entre as correlaes e
as mdias (MARRIOT, 1974).
O modelo fatorial assume que as p+p(p-1)/2=p(p+1)/2 varincias e covarincias para
X podem ser reproduzidas a partir de pm cargas fatoriais (a ij) e p varincias especficas (i).
Quando m = p, qualquer matriz de covarincia () pode ser reproduzida exatamente como
' , e pode ser nula. Contudo, a anlise fatorial ser mais eficiente e til quando m for
pequeno em relao a p, proporcionando uma explicao mais simples da covariao das
variveis em X, com base num nmero de parmetros menor do que os p(p+1)/2 parmetros
de (JOHNSON & WICHERN, 1988).
Em resumo o modelo fatorial implica na imposio de condies que permitem obter
estimativas nicas de e . Posteriormente, a matriz de cargas fatoriais () submetida
rotao (multiplicao por uma matriz ortogonal), a qual determinada por critrios de
facilidade de interpretao. Obtidas as cargas e as varincias especficas, os fatores so
identificados e comumente calcula-se os valores dos escores fatoriais.
De alguma forma, pode-se dizer que a matriz de correlaes ou de covarincias das
variveis constitui o gentipo responsvel pela variao das unidades de observao,
enquanto a matriz de escores das unidades nos fatores constitui o fentipo, isso , o
posicionamento das mesmas no gentipo. O gentipo pode ser constitudo por um (gentipo
parcial) ou mais fatores (gentipo complexo ou geral) (MENEZES et al., 1978).
3. PROCEDIMENTOS GERAIS PARA A ANLISE FATORIAL ("FACTOR
ANALYSIS")
3.1. Consideraes Iniciais
Dado n observaes de p variveis, geralmente, correlacionadas queremos saber se o
modelo de fatores (eq.2.2), com um pequeno nmero de fatores m (m < p), representa
adequadamente os dados. Essencialmente, poderamos solucionar este problema tentando
verificar a relao das covarincias de X.
A matriz de covarincia amostral S um estimador da matriz de covarincias populacionais desconhecidas . Se os elementos fora da diagonal principal de S forem pequenos ou
ainda se os correspondentes elementos da matriz de correlao amostral R, forem essencialmente iguais a zero, ento as variveis no so relacionadas (ou muito pouco relacionadas), e
a anlise de fatores no ter utilidade. Nessas circunstncias, os fatores especficos desempenham papel dominante e, portanto, a anlise fatorial ser pouco eficiente, pois busca a determinao de um pequeno nmero de fatores comuns importantes. Entretanto, se S aparenta
desviar significativamente da matriz diagonal, ento o modelo de fatores pode ser ajustado
(JOHNSON & WICHERN, 1988).
3.2. Estgios
Existem trs estgios na anlise de fatores. O problema inicial a determinao das
cargas dos fatores (aj k) com j = 1 a p, e k = 1 a m (sendo m < p). H vrios mtodos para a
estimao de parmetros na anlise fatorial, dos quais os mais comuns so o Mtodo do
Componente Principal e o Mtodo da Mxima Verossimilhana.
No importando qual mtodo seja usado para a determinao das cargas dos fatores,
possvel mostrar que tais cargas no so nicas. Se F 1, F2, ..., Fm so os fatores provisrios,
ento, combinaes lineares desses fatores na forma
F1* = d 11F1 + d 12 F2 +... + d1m Fm

F2* = d 21F1 + d 22 F2 +... + d 2 m Fm
Fm* = d m1F1 + d m2 F2 +... + d mm Fm
podem ser construidas, e "explicaro" os dados to bem quanto os anteriores. Existe um

nmero infinito de solues alternativas para os modelos de anlise fatorial, e isto nos conduz
ao segundo estgio da anlise, o qual chamado rotao dos fatores. Dessa forma, os fatores
provisrios so transformados, com o objetivo de se encontrar novos fatores, mais fceis de

serem interpretados. A "rotao", neste contexto, significa essencialmente a escolha dos d i j
nas equaes acima.
A rotao dos fatores pode ser ortogonal ou oblqua. Com a rotao ortogonal, os
novos fatores sero no-correlacionados, enquanto que com a rotao oblqua os novos fatores
sero correlacionados. Para qualquer tipo de rotao usada, desejvel que as cargas para os
novos fatores sejam ou prximas de zero ou muito diferentes de zero. Uma carga a j k prxima
de zero indica que a varivel Xj no muito relacionada com o fator F k. Um grande (positivo
ou negativo) valor de aj k (carga dos fatores) indica que Xj (a varivel j) determinada por Fk
(fator k) em grande extenso. Se cada varivel for fortemente relacionada com alguns fatores,
mas no de todo relacionada com outros, ento isto faz com que os fatores sejam mais
facilmente identificados.
Um mtodo de rotao dos fatores ortogonal, que freqentemente usado, chamado
Rotao Varimax (KARSON, 1982). Este mtodo ser explicado em seo posterior.
O ltimo estgio da anlise corresponde estimao dos valores dos fatores comuns
F1, F2, ..., Fm para cada indivduo, como funo das variveis observadas.
4. MTODOS DE ESTIMAO DAS CARGAS DOS FATORES

Na literatura existem trs terminologias referentes anlise fatorial, ou seja, componentes principais, eixos principais e fatores principais. Elas diferem somente na composio
das variveis. O eixo principal usualmente padronizado para ter uma mdia zero e uma
varincia igual varincia total considerada. O componente principal o mesmo eixo
principal, exceto que sua mdia no padronizada para zero. O fator principal normalizado
para ter uma mdia zero e varincia unitria (KIM, 1975).
Segundo HARMAN (1968), a soluo da fatorao com valores unitrios nas diagonais da matriz de correlao pode ser chamada de soluo de componente principal, e a
soluo com comunalidades nas diagonais da matriz de correlao denominada de soluo
do fator principal.
JOHNSON & WICHERN (1988) consideram os Mtodos do Componente Principal e
o da Mxima Verossimilhana como os mais recomendados para anlise fatorial.
4.1. Mtodo do Componente Principal
A anlise fatorial e a anlise de componentes principais so usadas para a mesma
finalidade, ou seja, expressar a informao contida numa srie de observaes em um menor
nmero de dimenses, e o relacionamento entre ambas grande. Os primeiros componentes
podem ser tomados como uma aproximao para os fatores correspondentes. Se um modelo
ligeiramente diferente for adotado, os componentes principais oferecem estimativas timas
dos fatores, dentro de um senso perfeitamente vlido. Bartlett (1938), citado por MARRIOTT
(1974), discute o problema do ponto de vista matemtico, buscando estimar as cargas fatoriais
partir da anlise de componentes principais da matriz de correlaes. Trata-se de um
procedimento mais simples do que os mtodos do Fator Principal e da Mxima
Verossimilhana.
A anlise fatorial no se ocupa diretamente com a magnitude dos resduos, mas sim
com as correlaes entre eles. Neste sentido, a anlise de componentes principais pode ser
6
vista como uma aproximao da anlise fatorial, na medida que ao remover-se os primeiros
componentes principais da matriz de correlaes, as correlaes entre os resduos usualmente
so reduzidas. Entretanto, ao extrair os componentes mais importantes, a anlise de componentes principais no assume, necessariamente, que os resduos no sero correlacionados ou
que sero normalmente distribudos. Portanto, a distino entre a anlise fatorial clssica e a
anlise de componentes principais reside no fato de que a primeira assume um modelo
matemtico definido, no qual o relacionamento entre as variveis explicado precisamente
por m fatores, que os fatores e resduos so normalmente distribudos e as relaes so
lineares (MARRIOTT, 1974).
Segundo MENEZES et al (1978), a diferena bsica entre o modelo de anlise de
componentes principais e o modelo clssico de anlise fatorial que, no primeiro caso,
considera-se a varivel como tal, sem tentar extrair dela o fator nico (soma do termo erro e
varincia nica). Na anlise fatorial, faz-se uma estimativa atravs da comunalidade, que
inserida na diagonal da matriz, obviamente com valores menores que um. Como a varincia
explicada pelo modelo a relao entre a soma dos valores na diagonal e a soma dos valores
fora da diagonal, quanto mais o valor diagonal exceder a comunalidade correta (aproximar-se
de um), tanto maior ser a parcela da varincia no comum sendo tomada como se fosse
varincia comum. Essa distoro ser tanto maior quanto mais inflada estiver a diagonal da
matriz, cujo resultado ser a obteno de fatores que no sejam comuns, construdos com
parcelas da varincia comum das variveis que o compem. Ao contrrio, eles estariam
misturados com a varincia nica, de tal forma que poderia obscurecer (ao invs de
simplificar) as relaes entre as variveis, gerando falsas interpretaes e resultados.
A matriz de covarincia pode ser fatorada pelo processo de expanso de matrizes
simtricas, denominado decomposio espectral. Dessa forma, ser formada por pares de
autovalores
( j )
e
correspondentes
autovetores
normalizados
( v j ),
com
1 2 p 0 (JOHNSON & WICHERN, 1988). Ou seja:
,
,
,
= 1v1v1 + 2 v 2 v 2 + + p v p v p =
1 v1,

2 v2,
1 v1 2 v2 p v p

v,
p p
Um exemplo numrico poderia ilustrar essa igualdade:

Consideremos a matriz simtrica
13
B =
4
4
13
2
2
2
10
(eq.4.1)
Os autovalores, obtidos partir da equao caracterstica |B-I| = 0, so 1 = 18, 2 =

9 e 3 = 9. Os correspondentes autovetores v1 , v 2 e v 3 , obtidos aps substituio de cada
autovetor na equao (B- j I) v j = 0, com posterior processo de normalizao, so:
1
23
v1 = 2 3 ,v2 = 1
4
1 3
1 2
ev = 1 2
18 3
0
18
18
A decomposio espectral de B , ento:

B = 1v1v1, + 2 v 2 v ,2 + 3 v 3 v ,3 ou
13 4 2
23
4 13 2 = 18 2 [ 2
3 3
2 2 10
13
1 2
+9 1 2 [ 1
0
49
=184 9
2 9
4
4
+9 1
4
1
[
18
18
18
18
18
]+
0]=
118
2 +9 1
9
18
1
4 18
9
2
18
1
18
1
18
4
18
12
4 +9 1
18
2
16
0
18
4
18
1
1
0
0
0
2
2
como pode ser rapidamente verificado.

Os autovalores () e os autovetores (v) da matriz de covarincias ou correlaes so a
essncia da anlise de componentes principais. Os autovetores determinam as direes de
variabilidade mxima e os autovalores especificam as varincias. Quando os primeiros
autovalores so muito maiores do que os restantes, a maior parte da varincia total pode ser
explicada em um nmero menor do que p dimenses.
Se tomarmos o modelo da anlise fatorial tendo tantos fatores quanto variveis (ou
seja, m=p) e as varincias especficas ej = 0 para todo j, ento a matriz de cargas dos fatores
() teria m=p colunas e seria dada por
( pxp )
j v j . Ou seja, ns poderamos escrever:
' + 0
( pxp ) ( pxp )
( pxp )
'
(eq.4.2)
Apesar da representao da anlise de fatores em (eq.4.2) ser exata, isto no

particularmente til. Ela usa tantos fatores comuns quantos so o nmero de variveis, alm
de no permitir nenhuma variao nos fatores especficos e j como em (eq.2.2). Portanto, so
preferveis modelos que expliquem a estrutura de covarincia levando em conta apenas alguns
fatores comuns. Uma aproximao, quando os ltimos p-m autovalores so pequenos, omitir
,
,
a contribuio dos termos m+1v m+1v m +1 + + p v p v p para a matriz em (eq.4.1)
(JOHNSON & WICHERN, 1988). Omitindo esta contribuio, podemos obter a aproximao
1 v1,

2 v2,
= 1 v1 | 2 v2 | | m vm = '
( pxm) (mxp)
v,
m m
(eq.4.3)
o que corresponde (eq.2.4), porm omitindo-se

A representao aproximada em (eq.4.3) assume que os fatores especficos e j da
matriz em (eq.2.2) so de menor importncia e podem tambm ser ignorados na fatorao de
. Se os fatores especficos forem includos no modelo, suas varincias poderiam ser tomadas
como sendo os elementos diagonais de - `, onde ` definido em (eq.4.3).
Para aplicar esta aproximao para um conjunto de dados x1j, x2j, ..., xnj, normalmente, as observaes so centradas pela subtrao da mdia amostral x j. As observaes
centradas
xi1 x1 xi1 x1
x x x x
'
, i = 1, 2, ..., n
( x ij x j ) = i 2 2 = i 2 2

xip x p xip x p
tero a mesma matriz de covarincia amostral S, que os dados originais.
Nos casos em que as unidades das variveis em estudo no so comensurveis,
prefervel trabalhar com as variveis padronizadas
zij =
xij x j
n
( xij x j )
i =1
x ij x j
s2j
n 1
ou, matricialmente falando,
( xi1 x1 )
2
s
1
( xi 2 x2 )
, i = 1, 2, ..., n
2
zi' =
s
2

( xip x p )
2
s
p
Com esta transformao, a matriz de covarincia corresponde matriz de correlao

das observaes x1j, x2j, ..., xnj.
9
A padronizao evita o problema de ter uma varivel, com uma varincia

relativamente grande, influenciando, inapropriadamente, a determinao das cargas dos
fatores.
A representao em (eq.4.3), levando-se em considerao os fatores especficos, ou
seja, =' + , quando aplicada matriz de covarincia amostral S, ou matriz de
correlao amotral R, conhecida como soluo por componentes principais. O nome deriva
do fato de que as cargas dos fatores so os coeficientes escalares da primeira amostra de
componentes principais (JOHNSON & WICHERN, 1988).
Notemos que, por esta soluco, as estimativas das cargas dos fatores para um dado
fator no mudam medida que o nmero de fatores aumentado. Por exemplo, se m=1,
ser dado por [ 1 v1 ] e se m=2, ser dado por [ 1 v 1 2 v 2 ] , onde (1, v1) e (2,
v2) so os primeiros dois pares de autovalores e autovetores normalizados para a matriz de
covarincia amostral S, ou para a matriz de correlao amostral R.
Um problema que surge agora com relao ao nmero de fatores m que deveremos
considerar. Esse problema ser tratado posteriormente (seo 9). Vale ressaltar, entretanto,
que o aumento do nmero de fatores considerados promove o aumento da comunalidade das
variveis.
Voltando ao modelo de anlise fatorial dado por:
X = ( pxm
) ( mxF1) + ( px1)
( px1)
poderamos, ento, escrever da seguinte maneira:
x1 = a11F1 + a12 F2 +... + a1m Fm + e1

x 2 = a 21F1 + a 22 F2 +... + a 2 m Fm + e2
...
x p = a p1F1 + a p2 F2 +... + a pm Fm + e p
onde a ij =
j v ji
Aps a rotao, caso tenha sido necessria, a nova soluo ter a forma:
X = GF* + ou seja
x1 = g11 F1* + g12 F2* + ... + g1m Fm* + e1
x 2 = g 21 F1* + g 22 F2* + ... + g 2 m Fm* + e 2
...
x p = g p1 F1* + g p2 F2* +... + g pm Fm* + e p
onde Fk representa o novo k-simo fator, e x representa os valores padronizados da varivel
em apreo (ou seja, poderiam ser representados por z), e g pm representa as novas cargas dos
fatores aps a rotao. importante salientar que aps a rotao a comunalidade no
alterada.
*
10
4.2. Mtodo do Fator Principal

Conforme comentado por JOHNSON & WICHERN (1988) este mtodo se comporta
como uma modificao do mtodo do componente principal, citado anteriormente.
Sero descritas as idias do mtodo, baseado na anlise de fatores da matriz de
correlao amostral R, apesar do procedimento tambm ser apropriado para o caso de
trabalharmos com a matriz de covarincia amostral S.
Se a matriz de correlao for adequadamente descrita pelo modelo fatorial
= ' + , ento os m fatores comuns podem ser usados para determinar os elementos fora
da diagonal principal de e as comunalidades da diagonal, ou seja, ii = 1 = h 2i + i . Se a
contribuio do fator especfico i for removida da diagonal, ou seja, se o valor um for
substitudo por h 2i , a matriz resultante ser = ' .
Do ponto de vista algbrico, o mtodo tem por base obter um conjunto de fatores, de
modo que o mais importante fator comum (fator principal) seria o fator comum, com o
mximo de contribuio para a comunalidade total, o segundo mais importante (segundo fator
principal) seria o fator comum com a segunda maior contribuio para a comunalidade total, e
assim por diante, at que toda comunalidade tenha sido analisada (FACHEL, 1976).
A soluo pelo mtodo do fator principal requer que as comunalidades sejam
especificadas antes do primeiro fator ser extrado. A escolha das comunalidades a serem
substitudas na matriz de correlaes conhecida como "o problema da comunalidade"
(KARSON, 1982) e cinco propostas de escolha so dadas na seo 4.2.1.
Aps optar-se por um dos estimadores das comunalidades de cada varivel,
substitumos a diagonal principal da matriz de correlao amostral pelas comunalidades
estimadas. A matriz assim obtida denominada matriz de correlao amostral reduzida, e ser
denotada por R*, ou seja,
h12 r12 r1 p
r12 h22 r2 p
*
R =

2
r1 p r2 p h p
em que h 2j so obtidos a priori, por um dos processos descritos na seo 4.2.1.
Dessa maneira, todos os elementos da matriz de correlao reduzida R* poderiam ser
determinados pelos m fatores comuns.
partir da matriz de correlao reduzida R*, aplica-se o mtodo dos componentes
principais conforme comentado na seo 4.1. Escolhe-se ento os m primeiros maiores
autovalores dessa matriz e os m autovetores normalizados correspondentes, obtendo-se, ento,
a matriz das cargas fatoriais estimadas pela soluo dos fatores principais e que dada por:
= j v j
Dessa forma, as comunalidades poderiam, ento, ser reestimadas por

h 2j =
a
k =1
11
2
kj
JOHNSON & WICHERN (1988) comentam tambm que tal procedimento pode ser
usado iterativamente, com as comunalidades reestimadas pela expresso anterior como sendo
as estimativas iniciais para o estgio seguinte.
Embora o mtodo do componente principal de R possa ser visto como mtodo do fator
principal, com as comunalidades iniciais estimadas iguais a unidade, ou varincias especficas
iguais a zero, os dois mtodos so filosfica e geometricamente diferentes (HARMAN, 1967).
Na prtica, no entanto, os dois freqentemente geram carregamentos fatoriais comparveis, se
o nmero de variveis for grande e o nmero de fatores comuns pequeno (JOHNSON &
WICHERN, 1988).
4.2.1. O Problema da Comunalidade
Foi observado acima, que a soluo pelo mtodo do fator principal requer um
2
2
2
conhecimento a priori das p comunalidades h 1 , h 2 , , h p , para formar a matriz de
correlao reduzida R*.
Existem vrios mtodos para estimar as comunalidades. Os mais comuns, conforme
citado por KARSON (1982), so:
a) h 2j = 1 (j = 1, 2, ..., p), ou seja, tomar cada comunalidade como sendo igual a 1. Dessa
forma R* = R e a soluo pelo mtodo do fator principal seria idntica soluo pelo
mtodo do componente principal.
b) h 2j = R 2j.1 , 2,..., j1 , j+1 ,..., p , onde R 2 o quadrado do coeficiente de correlao mltipla entre
a varivel X j e todas as outras. Tipicamente esse valor calculado por
1
1
rjj
onde r j j o j-simo elemento da diagonal principal de R 1 .

c) h 2j = max j' | rj j' | (j j'), o que significa que h 2j tomado como o maior valor absoluto da
correlao simples entre X j e as outras variveis.
2
d) h j =
rj j '
p 1 , assumindo que a mdia resultante das (p - 1) correlaes simples de X

j ' =1
j' j
com as outras variveis seja positiva.

e) h 2j tomado inicialmente por qualquer um dos quatro mtodos acima e uma soluo
m
pelo mtodo do fator principal obtida. A partir dessa soluo,
k =1
h 2j
2
kj
computado para
cada j. Esses valores so tomados como novas comunalidades , e uma nova soluo
obtida. Esse processo iterativo mantido at que tenhamos pequenas diferenas nas
comunalidades de uma etapa para a outra.
Para um nmero de variveis (p) maior que 10, Gnanadesikan (1977), citado por
KARSON (1982), diz parecer haver pequenas diferenas nas solues baseadas nos cinco
mtodos
12
4.3. Mtodo da Mxima Verossimilhana

O mtodo da Mxima Verossimilhana para Anlise Fatorial foi introduzido por
Lawley, em 1940, e no era muito usado anteriormente, por suas dificuldades computacionais.
Atualmente, no entanto, devido aos trabalhos de Jreskog, j se encontram procedimentos
rpidos e eficientes para a obteno dos estimadores por este mtodo (FACHEL, 1976). Mas a
principal vantagem de utilizar o Mtodo da Mxima Verossimilhana para Anlise Fatorial ,
talvez, a possibilidade de se desenvolverem testes de hipteses, com o objetivo de testar a
adequacidade do modelo, o que no possvel atravs dos outros dois mtodos apresentados
anteriormente, devido s suas caractersticas no estatsticas.
Alm das suposies habituais do modelo fatorial, suporemos que os vetores aleatrios
F (fatores comuns) e (fatores especficos) tm distribuio normal multivariada com vetores
de mdia zero e com matrizes de covarincia I (pois estamos considerando os fatores no
correlacionados) e , respectivamente. Das suposies habituais (eq.2.3) e da suposio de
normalidade, segue que F e so mutuamente independentes. Como X expresso em termos
de F e , conforme a equao (eq.2.2), temos que o vetor das variveis observveis tambm
normal, com mdia zero e matriz de covarincia . Portanto, as condies para a aplicao do
Mtodo da Mxima Verossimilhana na Anlise Fatorial so:
a) X tem uma distribuio normal multivariada, com vetor de mdias zero e matriz de
covarincia ;
b) X = F + , onde E(F) = E() = 0, Var(F) = I, Var() = = diag( 2i ), Cov(F,) = 0;
c) = ' + ;
d) As colunas de X so amostras aleatrias de tamanho n das variveis em questo e,
portanto, a matriz de covarincia amostral S tem distribuio de Wishart*
O caminho a ser tomado ser o de maximizar a funo de verossimilhana de X, com
respeito aos pm elementos de e os p elementos de .
De acordo com o modelo fatorial, toda a informao da amostra est contida em S.
Portanto, segundo KARSON (1982), ignorando os termos que no envolvem parmetros e
usando a distribuio de Wishart, a qual nos d a distribuio de probabilidade multivariada
para os elementos de S e tem a matriz de parmetros na funo de verossimilhana para os
elementos de S, a funo de verossimilhana pode ser escrita como
L =| |( n 1)/ 2 e ( n 1)/ 2 t r( S
Conforme feito usualmente, melhor maximizar L maximizando
ln L = ( n 1) / 2 ln| | + tr (S 1 )
(eq.4.4)
Quando em (eq.4.4) substitudo por ' + , temos,
ln L = [ (n 1) / 2] ln | '+ | +tr S ( '+ ) 1
]}
(eq.4.5)
Temos que a matriz S dada por A/(n-1), sendo A a matriz formada pelas somas de quadrados e somas de
produtos das variveis em questo. Para maiores detalhes sobre essa distribuio, ver KARSON (1982) pginas
75-77 e JOHNSON & WICHERN (1988).
13
O mtodo da mxima verossimilhana envolve determinar os pm elementos de e os

p elementos de que maximizem (eq.4.5). A indeterminao de , devido s eventuais
rotaes (que sero discutidas na seo 5) ser aqui removida pela imposio da condio de
que ' 1 dever ser diagonal. Se denotar a matriz dos estimadores de mxima
denotar o estimador de mxima verossimilhana de , ento e
verossimilhana de e
sero obtidos diferenciando (eq.4.5) em relao a e ; fazendo as p(m + 1) derivadas

iguais a zero; e resolvendo o sistema das p(m + 1) equaes. Detalhes dessa soluo aparecem
em Jreskog (1967) e Lawley e Maxwell (1971), citados por KARSON (1982). As equaes
que requerem uma soluo numrica so:
I +
'
1
= S
1
(eq.4.6)
(eq.4.7)
')
= diag ( S
em (eq.4.7) uma matriz diagonal, cujos elementos so os elementos diagonais da

onde
' . Segundo KARSON (1982), numerosos mtodos iterativos tm sido
matriz (pxp) S
propostos para resolver as equaes (eq.4.6) e (eq.4.7) com o objetivo de obter a soluo de
mxima verossimilhana, para um determinado conjunto de dados. O referido autor afirma
ainda que, independentemente do mtodo utilizado, uma grande quantidade de recursos computacionais exigida.
A soluo pelo mtodo da mxima verossimilhana usa a matriz de covarincia
amostral S, no a matriz de correlao amostral R, e portanto no assume implicitamente, que
os valores das variveis esto padronizados. Se os valores X i na populao so supostos
padronizados, ento = ; e usando R nas expresses (eq.4.6) e (eq.4.7) no lugar da S,
resultar em cargas dos fatores diferindo daquelas baseadas em S pelo fator 1/ s i i , o termo
constante na padronizao (KARSON, 1982).
Uma vantagem do mtodo da mxima verossimilhana que ele permite ao analista
verificar se o modelo proposto adequado, a partir de um teste de hiptese formal.
Independente de qual mtodo seja usado, o analista deveria observar as magnitudes dos
elementos da matriz residual ( ' + ) para um dado nmero de fatores m. Quanto menores estes elementos, melhor a soluo obtida reproduz , sendo tambm melhor a estrutura
proposta para X j .
Quando o mtodo da mxima verossimilhana usado, o teste pode ser feito da
seguinte maneira:
H 0 : = ' +
pode ser testado contra
H 1 : = qualquer outra matriz positiva definida.
pelo teste devido a Lawley (1940) e Bartlett (1951), citado por KARSON (1982), tomando-se
n > p e onde o nmero de graus de liberdade v = 21 [( p m) 2 ( p + m )] , em que a
estatstica do teste :
2
calc
. = ( n 1
'+
|
2 p + 4m + 5
|
'+
1 S p
+ tr
)ln
|S|
14
JOHNSON & WICHERN (1988) mostram que, sob determinadas condies,

)
igual a zero, de modo que, de uma maneira mais simplificada,
teramos a seguinte estatstica do teste,
'+
1 S p
tr
2
calc
. = ( n 1
'+
|
2 p + 4m + 5
|
)ln
6
|
S
|
A hiptese H0 ser rejeitada se 2calc. 2( v) , para um determinado nvel de

significncia .
Se a hiptese rejeitada, ento o modelo de fatores escolhido inadequado. O nmero
de fatores m deve, ento, ser aumentado de 1 e o modelo testado novamente, sendo o processo
repetido at que um valor 2calc. no-significativo seja obtido (SRIVASTAVA & CARTER,
1983).
JOHNSON & WICHERN (1988) comentam que se n grande e m pequeno
(relativamente a p), a hiptese H0 ser, geralmente, rejeitada, ocasionando a reteno de mais
'+
pode estar suficientemente prxima de S, de modo
fatores comuns. No entanto, =
que mais fatores no acrescentariam muita informao, apesar deles serem "significativos".
Portanto, um julgamento pessoal por parte do analista deve ser levado em considerao na
escolha do nmero de fatores m.
importante salientarmos que, se considerssemos a anlise a partir dos dados
padronizados, teramos a seguinte hiptese a ser testada:
H 0 : = * * ' + *
contra
H 1 : * * ' + *
em que a estatstica do teste seria
2
calc
. = ( n 1
*
* '+
*
|
2 p + 4m + 5
) ln
6
|R|
sendo R a matriz de correlao amostral, e * e * as matrizes das cargas dos fatores e das
varincias especficas, respectivamente, obtidas partir dos dados padronizados. Pode-se
provar (JOHNSON & WICHERN, 1988) que os valores dos qui-quadrados calculados,
considerando a padronizao das variveis ou no , seriam exatamente os mesmos.
5. ROTAO DOS FATORES

Para procurar uma melhor interpretao dos fatores, prtica comum fazer uma
rotao ou uma transformao dos fatores.
Pode ser mostrado que o conjunto de cargas fatoriais, obtidas por qualquer mtodo de
soluo fatorial, quando o nmero de fatores comuns maior do que um, no nico, pois
outros conjuntos equivalentes podem ser encontrados, por transformaes ortogonais de
15
cargas. Em outras palavras, se ns multiplicarmos a matriz de cargas fatoriais pm, por uma
matriz ortogonal mMmN, a decomposio da matriz de covarincia no nica, pois se M
ortogonal, ento:
( M )( M ) '+ = MM ' '+ = I '+ = '+ =

Assim, mesmo que os elementos de M sejam diferentes das cargas originais, sua habilidade
em gerar as covarincias observadas inalterada.
Na expresso X = F + , se ns trocarmos F por M ' F , alm de por M,
observamos que a expresso no se altera, pois M ortogonal. Na terminologia da anlise
fatorial, temos o que se chama rotao dos fatores.
Apesar de estarmos livres para escolher qual rotao fazer, de modo a termos uma
melhor interpretao dos fatores, no aconselhvel fazermos isto subjetivamente, porque
poderamos estar forando o ajuste das cargas dos fatores com um padro preconcebido.
Partindo, portanto, para mtodos analticos de rotao dos fatores, uma escolha conveniente e mais utilizada o chamado mtodo Varimax, que ser descrito de maneira resumida.
5.1 Mtodo Varimax
Este mtodo de rotao ortogonal foi proposto por Kaiser (1958), citado por COOLEY
& LOHNES, 1971. A idia do mtodo consiste no seguinte: Para cada rotao dos fatores que
ocorre, h o aparecimento de altas cargas para poucas variveis, enquanto que as demais
cargas ficaro prximas de zero. No incio Kaiser definiu a simplicidade de um fator k como a
varincia do quadrado de suas cargas, isto :
( )
1 p
s = a 2jk
p j =1
2
k
1 p
2 a 2jk
p j =1
onde ajk a nova carga para a varivel j no fator k, j = 1, 2, ..., p e k = 1, 2, ..., m.

Quando a varincia atinge o mximo, o fator tem maior interpretabilidade ou
simplicidade, no sentido de que as cargas deste fator tendem ou unidade, ou zero. O
critrio de mxima simplicidade de uma matriz fatorial completa definido como a
maximizao da soma destas simplicidades.
Como este critrio d igual peso s variveis com comunalidades grandes ou
pequenas, Kaiser sugeriu que antes de iniciar o processo de maximizao, as cargas fossem
divididas pela raiz quadrada da comunalidade correspondente, o que equivalente a
normalizar os vetores aj'. Aps a matriz M ter sido obtida, as cargas finais deveriam ser
multiplicadas novamente pela raiz quadrada da comunalidade. A este critrio varimax
modificado, Kaiser denominou critrio varimax normal, e o mais utilizado.
Portanto, este mtodo requer que as cargas dos fatores finais sejam tais que
maximizem a funo:
2
1 m p a jk
V = s = 2
p k =1 j =1 h j
k =1
m
2
k
16
p2
p a 2jk
k =1 j =1 h j
m
onde h j a comunalidade da varivel j.

2
Ou, de uma maneira mais simples, aps a multiplicao da expresso anterior por p ,
j que a multiplicao por uma constante no afeta o processo de maximizao:
2
4
m p
a jk
V = p
a 2jk h 2j
hj
k =1 j =1
k =1 j =1
(eq.5.1)
Esta expresso foi chamada por Kaiser como critrio varimax normal ou simplesmente
critrio varimax.
O procedimento de clculo para a soluo varimax a que se segue. Os fatores so
rotacionados dois por vez de acordo com o esquema abaixo:
B = M 12 M 13 ...M kq ...M ( m1) ,m`
onde k=1,2, ... , (m-1), e o correspondente q = p+1, p+2, ... , m.

Esta expresso indica que a matriz dos fatores finais, B, corresponde ao produto das
transformaes de todas as combinaes de pares de fatores.
O conjunto completo de m(m-1)/2 pares de p e q (o que corresponde combinao de
m fatores 2 a 2) chamado "ciclo". Este ciclo ser repetido at que o valor de V (eq.5.1)
mantenha-se relativamente estvel.
As rotaes varimax de cargas fatoriais, obtidas a partir de diferentes mtodos de
estimao (componentes principais, mxima verossimilhana, etc.), em geral, no so coincidentes. Da mesma forma, se fatores comuns adicionais so includos no modelo, o padro de
carregamento rotacionado pode mudar consideravelmente. Se existe um nico (geral) fator
dominante (no qual todas as variveis apresentam cargas altas), geralmente, ele obscurecido
por qualquer rotao ortogonal. Entretanto, este fator pode ser mantido fixo e os demais
rotacionados (MENEZES et al., 1978).
A rotao de fatores comuns particularmente recomendada para carregamentos
obtidos pelo mtodo da mxima verossimilhana, porque as cargas iniciais so constrangidas
a satisfazer a condio de unicidade ' 1 = (matriz diagonal). Esta condio,
geralmente, facilita a maximizao da funo de verossimilhana, mas pode gerar fatores no
facilmente interpretveis (JOHNSON & WICHERN, 1988).
Neste ponto, seria conveniente introduzirmos algumas notaes adicionais, com o
objetivo de fazer as expresses seguintes mais compactas. Primeiro, as cargas dos fatores
normalizados de cada varivel padronizada, para um particular par de fatores k e q, ser
designado por:
a
x j = jk h
j
yj =
a jq
hj
e as cargas rotadas por Xj, Yj. A transformao de x j e y j em Xj e Yj se faz da seguinte
maneira:
cos sen
( X j Y j ) = ( x j y j )
cos
sen
17
onde o ngulo de rotao no plano dos fatores k e q. Desde que quadrados e produtos
cruzados das cargas normalizadas sero requeridas no clculo, as seguintes notaes sero
necessrias:
u j = x2j y 2j
v j = 2x jy j
A = uj
B = vj
C = ( u2j v 2j )
D = 2 u jv j
onde todas as somas so em j de 1 a p.

Kaiser (1959), citado por HARMAN (1968), mostrou que o ngulo de rotao seria
dado por:
tg 4 =
D 2 AB / n
C ( A 2 B2 ) / n
(eq.5.2)
________________________
Obs.: Para cada rotao Tkq , o ngulo que faz com que (eq.5.1) seja mxima pode ser
determinado do seguinte modo:
a) substitumos na expresso (eq.5.1) os valores das novas cargas normalizados, obtidos do
produto
cos sen
( x j y j )
cos
sen
b) Diferenciamos a expresso obtida com relao a ;

c) Fazemos a derivada igual a zero e
d) resolvemos a equao para .
Obtido o valor crtico , precisaramos ainda verificar se um valor negativo da
derivada segunda da funo V (eq.5.1) seria obtido, caso lhe fosse feita a substituio do valor
crtico.
Atualmente, o trabalho formal do clculo da derivada segunda pode ser abreviado, j
que o ngulo que nos daria o mximo pode ser determinado partir dos sinais algbricos do
numerador e denominador.
Foi mostrado (HARMAN, 1968) que a soluo (eq.5.2) que faz com que (eq.5.1) seja
mxima, precisa ser considerada somente para valores de entre -45o e +45o e que a
condio suficiente para mximo conduz escolha do ngulo de rotao de acordo com os
sinais algbricos do numerador e denominador da expresso (eq.5.2), podendo ser sumarizado
no Quadro 1.
Quadro 1 ngulo de rotao
Sinais algbricos em (eq.5.2)
Numerador
Denominador
tg 4
+
Quadrante
resultante de 4
I:0<4<90o
18
Limites de
0o a 22,5o
II:90o<4<180o
III:-180o<4<-90o
22,5o a 45o
-45o a -22,5o
IV:-90o<4<0o
-22,5o a 0o
Para facilitar o entendimento do procedimento de rotao varimax de fatores, ser

apresentado um exemplo simples, a seguir.
Consideremos o seguinte quadro auxiliar (Quadro 2) encontrado no HARMAN
(1968), pg. 308, e que vem reproduzido abaixo1.
Quadro 2 Quadro auxiliar

varivel
j
1
2
3
4
5
6
7
8
soma
soluo inicial
a j1
a j2
0,830
0,818
0,777
0,798
0,786
0,672
0,594
0,647
-0,396
-0,469
-0,470
-0,401
0,500
0,458
0,444
0,333
h 1/j
0,9196
0,9429
0,9081
0,8931
0,9316
0,8132
0,7416
0,7277
cargas normalizadas
variveis auxiliares
xj
yj
uj
vj
u2j v 2j
0,9026
0,8675
0,8556
0,8935
0,8437
0,8264
0,8010
0,8891
-0,4306
-0,4974
-0,5176
-0,4490
0,5367
0,5632
0,5987
0,4576
0,6293
0,5051
0,4641
0,5967
0,4238
0,3657
0,2832
0,5811
3,8490
-0,7773
-0,8630
-0,8857
-0,8024
0,9056
0,9309
0,9591
0,8137
0,2809
-0,2082
-0,4896
-0,5691
-0,2878
-0,6405
-0,7328
-0,8397
-0,3244
-4,0921
1/ Raiz quadrada da comunalidade.
Este modelo de tabela indicada como apropriada para todos os dados que porventura
possam ser utilizados no processo de rotao de um par de fatores. Logicamente, para a
rotao de 3 ou mais fatores, tal processo manual seria deveras trabalhoso e, portanto, no se
justificaria. A idia principal deste exemplo apenas compreender melhor como seria
realizada a rotao de fatores pelo mtodo varimax.
Os valores de 2ujvj para cada varivel no foram apresentados no Quadro 2, j que
apenas seu somatrio D requerido, sendo, portanto, facilmente obtido e igual ao valor
2
2
-0,6930. Por outro lado, desde que as diferenas u j v j no so facilmente acumuladas
numa calculadora simples, elas so apresentadas para cada varivel. Somente os somatrios
(A, B e C), requeridos no clculo do ngulo de rotao, so apresentados na ltima linha do
quadro.
1A
soluo inicial apresentada no Quadro 2, segundo HARMAN (1968), foi obtida pelo Mtodo Centride, a
partir de um conjunto de 8 variveis fsicas de 305 garotas (ver HARMAN, 1968, pgina 80. O mesmo autor
comenta ainda (pg. 171) que tal mtodo tem apenas interesse histrico, por ter sido de grande importncia antes
da farta disponibilidade de computadores.
19
Substituindo-se os valores na frmula (eq.5.2) teremos:

tg 4 =
0 , 6930 2( 3 , 8490 )( 0 , 2809 ) / 8 0 , 9633

=
= 0 ,1623
4 , 0921 ( 3 , 8490 2 0 , 2809 2 ) / 8 5 , 9341
Para o clculo da tangente, o numerador e o denominador devem ser determinados,

separadamente, de modo que os sinais algbricos possam ser observados. Ento, baseado no
Quadro 1, para o caso de ambos serem negativos, o ngulo 4 deve estar no terceiro
quadrante. De uma tabela de funes trigonomtricas, 4 = -170o47', de modo que =
-42o42'. Para este ngulo de rotao, sen = -0,6782 e cos = 0,7349, e a matriz de
transformao ser
0,7349
T =
0,6782
0,6782
0,7349
Ento, as novas cargas seriam obtidas, ps-multiplicando-se as cargas normalizadas

originais por essa matriz. Os resultados (Xj, Yj) aparecem nas duas primeiras colunas do
Quadro 3. Finalmente, a normalizao removida, multiplicando-se cada valor pelo h j
apropriado na linha. As novas cargas, aps a rotao varimax, aparecem nas duas ltimas
colunas. O critrio varimax (eq.5.1) para esta soluo
V = 8 [ 3, 5331 + 3, 5049 ] [ 4 , 0142 2 + 3, 9860 2 ] = 24 , 3012
que bem melhor que o critrio varimax (0,4078), obtido com a cargas iniciais.
Quadro 3 Rotao varimax para as oito variveis fsicas
Varivel
j
1
2
3
4
5
6
7
8
soma
soma dos
quadrados
Cargas Normalizadas
Rotacionadas
Quadrados
Soluo Final
Xj
Yj
X2j
Yj2
b j1
b j2
0,9554
0,9749
0,9798
0,9611
0,2560
0,2254
0,1826
0,3431
0,2957
0,2228
0,1999
0,2760
0,9666
0,9744
0,9832
0,9393
0,9128
0,9504
0,9600
0,9237
0,0655
0,0508
0,0333
0,1177
4.0142
0,0874
0,0496
0,0400
0,0762
0,9343
0,9495
0,9667
0,8823
3,9860
0,879
0,919
0,890
0,858
0,238
0,183
0,135
0,250
0,272
0,210
0,182
0,246
0,900
0,792
0,729
0,684
3,5331
3,5049
3,316
2,648
6. ESTIMAO DOS VALORES DOS FATORES

Em muitas aplicaes, principalmente quando a Anlise Fatorial preliminar a algum
outro tipo de anlise multivariada, ou quando o seu uso principal para construo de ndices,
conveniente, alm de estimar os parmetros do modelo fatorial, procurar descrever os
20
fatores em termos das variveis observadas. Para isto, estimam-se os valores de cada fator
para cada indivduo. Estes valores so denominados escores fatoriais.
Sero considerados dois mtodos de estimao dos escores dos fatores, o mtodo dos
mnimos quadrados ponderados e o mtodo da regresso. Estes mtodos sero descritos
conforme apresentado por FACHEL (1976), ou seja, supondo-se que os fatores sejam
correlacionados, por ser mais geral. No caso de fatores no correlacionados e padronizados,
os resultados so obtidos do mesmo modo, considerando-se Cov(F) = = I.
Ambos os mtodos apresentam os seguintes pressupostos (JOHNSON & WICHERN,
1988):
a) As estimativas das cargas fatoriais (ajk) e das varincias especficas (j) so
tomadas como valores paramtricos;
b) Os mtodos envolvem transformaes lineares dos dados originais padronizados, e
geralmente, utilizam as cargas estimadas nos clculos dos escores.
Em anlise de Componentes Principais, as componentes so definidas como funes
lineares das variveis observadas e ento, os valores de cada componente, para cada
indivduo, podem ser facilmente encontrados. Em Anlise Fatorial, os fatores no so funes
lineares das variveis observadas apenas e os escores de um indivduo sobre eles no podem
ser encontrados da mesma maneira. necessrio, ento, introduzir um princpio de mnimos
quadrados, para se obter razoveis estimadores dos escores fatoriais (FACHEL, 1976).
6.1. Mtodo da Regresso (Mtodo de Thomson)
Seja X = (X1, X2, ...,Xp)' o vetor das observaes. Seja F = (F1, F2, ...,Fm)' o vetor
dos escores fatoriais e seja = (e1, e2, ..., ep)' o vetor dos resduos. As pressuposies do
modelo fatorial, discutidas anteriormente, porm com uma modificao, seriam:
E(FF') =
E(XF') = E[(F+e)F'] = E(FF') =
E(XX') = = '+
onde , , so constantes, por terem sido estimados para um conjunto particular de dados.
O mtodo de Thomson, baseado na regresso de F sobre X equivalente, segundo
Lawley e Maxwell (1971), citado por Fachel (1976), a encontrar para cada k, k = 1, 2, ..., m,
uma funo linear das observaes, que dar um bom preditor de Fk, dado por
F k = aj'X = X'aj
onde aj um vetor de ordem p, escolhido de tal maneira que a varincia de ( F
k - Fk)
mnima. Temos
k - Fk) = E(X'aj - Fk)2

Var ( F
Derivando esta expresso em relao a aj e igualando a zero, obteremos a seguinte
:
expresso para F
21
F = '-1X
(eq.6.1)
Para evitar a inverso de uma matriz pxp, podemos escrever esta expresso de forma
alternativa. Para isto fazemos uso da seguinte identidade:
'-1 = ('-1+I)-1'-1
(eq.6.2)
Substituindo-se (eq.6.2) na (eq.6.1), teremos
F = (I+'-1)-1'-1X
que a expresso para se obter os estimadores dos escores fatoriais, para o caso de fatores
correlacionados (oblquos). Para = I, isto , quando os fatores so no correlacionados
(ortogonais), temos
F = (I+'-1)-1'-1X
6.2. Mtodo dos Mnimos Quadrados Ponderados (Mtodo de Bartlett)
Este mtodo, desenvolvido por Bartlett (1938), citado por FACHEL (1976) adota o
princpio de mnimos quadrados. Os escores so obtidos de tal forma que a soma de
quadrados dos resduos padronizados seja mnima, em relao aos elementos de F. Assim
p
e 2j
j=1
= e ' 1e = ( X F)' 1 ( X F)
j
derivado em relao ao vetor F e obtm-se:
F * = ('-1)-1'-1X
que a expresso para se obter os estimadores dos escores fatoriais, tanto no caso de fatores
correlacionados, como no caso de fatores no correlacionados.
Para o caso de fatores no correlacionados e quando a matriz '-1 diagonal,
observa-se que os estimadores de Fk , pelos dois mtodos descritos, diferem apenas por um
fator escala.
Lawley & Maxwell (1971), citado por FACHEL (1976), mostram que os estimadores
obtidos pelo mtodo de regresso so viesados, enquanto que os obtidos pelo mtodo de
Bartlett so no viesados. No entanto, os estimadores do mtodo de regresso tm menor
varincia do que os de Bartlett.
__________________________
Obs.: De uma maneira mais simples, conforme apresentado por MANLY (1986), os novos
fatores poderiam ser estimados pela seguinte expresso:
F* = ( G G ) 1 G X
22
(eq.6.3)
`
onde ( F * ) = ( F1* , F2* ,..., Fm* ), X ` = ( X 1 , X 2 ,..., X p ) , e G a matriz ( pxm ) das novas cargas
dos fatores.
7. EXEMPLOS DE APLICAO
Nesse captulo sero dados dois exemplos. O primeiro, mais simples, no ligado rea
florestal, apenas para o leitor ter uma noo inicial de como proceder aos clculos. O
segundo, mais complexo, ligado rea florestal, ser dado logo a seguir, e conter as
principais sadas do programa computacional utilizado, acrescido de alguns comentrios.
7.1. Exemplo 11/

Quadro 4 Porcentagem de pessoas empregadas em nove diferentes setores industriais na
Europa (AGR = agricultura, MIN = minerao, MAN = manufatura, PS =
suprimento de energia, CON = construo, SER = indstrias de servios, FIN =
finanas, SPS = servio pessoal e social, TC = transporte e comunicao)
PASES
AGR
MIN
MAN
PS
CON
SER
FIN
SPS
TC
Blgica
3,3
0,9
27,6
0,9
8,2
19,1
6,2
26,6
7,2
Dinamarca
9,2
0,1
21,8
0,6
8,3
14,6
6,5
32,2
7,1
10,8
0,8
27,5
0,9
8,9
16,8
6,0
22,6
5,7
6,7
1,3
35,8
0,9
7,3
14,4
5,0
22,3
6,1
Irlanda
23,2
1,0
20,7
1,3
7,5
16,8
2,8
20,8
6,1
Itlia
15,9
0,6
27,6
0,5
10,0
18,1
1,6
20,1
5,7
7,7
3,1
30,8
0,8
9,2
18,5
4,6
19,2
6,2
Frana
Alemanha Oc.
Luxemburgo
1/
Extrado do livro do MANLY (1986), pgina 78.
23
Pases Baixos
6,3
0,1
22,5
1,0
9,9
18,0
6,8
28,5
6,8
UK
2,7
1,4
30,2
1,4
6,9
16,9
5,7
28,3
6,4
Austria
12,7
1,1
30,2
1,4
9,0
16,8
4,9
16,8
7,0
Finlndia
13,0
0,4
25,9
1,3
7,4
14,7
5,5
24,3
7,6
Grcia
41,4
0,6
17,6
0,6
8,1
11,5
2,4
11,0
6,7
Noruega
9,0
0,5
22,4
0,8
8,6
16,9
4,7
27,6
9,4
Portugal
27,8
0,3
24,5
0,6
8,4
13,3
2,7
16,7
5,7
Espanha
22,9
0,8
28,5
0,7
11,5
9,7
8,5
11,8
5,5
Sucia
6,1
0,4
25,9
0,8
7,2
14,4
6,0
32,4
6,8
Suia
7,7
0,2
37,8
0,8
9,5
17,5
5,3
15,4
5,7
Turquia
66,8
0,7
7,9
0,1
2,8
5,2
1,1
11,9
3,2
Bulgria
23,6
1,9
32,3
0,6
7,9
8,0
0,7
18,2
6,7
Checoslovquia
16,5
2,9
35,5
1,2
8,7
9,2
0,9
17,9
7,0
4,2
2,9
41,2
1,3
7,6
11,2
1,2
22,1
8,4
Hungria
21,7
3,1
29,6
1,9
8,2
9,4
0,9
17,2
8,0
Polnia
31,1
2,5
25,7
0,9
8,4
7,5
0,9
16,1
6,9
Romnia
34,7
2,1
30,1
0,6
8,7
5,9
1,3
11,7
5,0
URSS
23,7
1,4
25,8
0,6
9,2
6,1
0,5
23,6
9,3
Iugoslvia
48,7
1,5
16,8
1,1
4,9
6,4
11,3
5,3
4,0
Alemanha Or.
A matriz de correlao das 9 variveis dada no Quadro 5.
Quadro 5 - Matriz de correlao para as percentagens de empregados em nove grupos

industriais em 26 pases da Europa, na forma diagonal inferior, calculadas
partir dos dados do Quadro 4
AGR
MIN
MAN
PS
CON
SER
FIN
SPS
Agricultura
1,000
Minerao
0,036
1,000
Manufatura
-0,671
0,445
1,000
Suprimento de energia
-0,400
0,406
0,385
1,000
Construo
-0,538
-0,026
0,495
0,060
1,000
Indstrias de servios
-0,737
-0,397
0,204
0,202
0,356
1,000
Finanas
-0,220
-0,443
-0,156
0,110
0,016
0,366
1,000
Serv. Pessoal e Social
-0,747
-0,281
0,154
0,132
0,158
0,572
0,108
1,000
Transp. e Comunic.
-0,565
0,157
0,351
0,375
0,388
0,188
-0,246
0,568
TC
1,000
Os autovalores e os autovetores normalizados so mostrados no Quadro 6.

Quadro 6 Autovalores e autovetores normalizados para os dados relativos ao emprego na
Europa
24
autovetores normalizados
autovalores
X1
X2
X3
X4
X5
X6
X7
X8
X9
3,487
0,524
0,001
-0,348
-0,256
-0,325
-0,379
-0,074
-0,387
-0,367
2,130
0,054
0,618
0,355
0,261
0,051
-0,350
-0,454
-0,222
0,203
1,099
-0,049
0,201
0,151
0,561
-0,153
0,115
0,587
-0,312
-0,378
0,995
0,029
0,064
-0,346
0,393
-0,668
-0,050
-0,052
0,412
0,314
0,543
0,213
-0,164
-0,385
0,295
0,472
-0,283
0,280
-0,220
0,513
0,383
-0,153
0,101
0,289
-0,357
-0,130
-0,615
0,526
0,263
0,124
0,226
0,021
-0,726
0,479
0,256
-0,211
0,229
-0,188
-0,191
0,068
0,137
0,008
0,088
0,126
-0,341
0,356
0,388
0,174
-0,506
0,545
0,000
-0,806
-0,049
-0,366
-0,019
-0,083
-0,238
-0,145
-0,351
-0,072
Existem 3 autovalores maiores que 1. Seguindo o mtodo prtico, conforme apresentado na seo 9, consideraramos, portanto, apenas 3 fatores. No entanto, o quarto autovalor
quase igual ao terceiro, de modo que poderamos, ento, optar por escolher 2 ou 4 fatores.
Consideremos, a princpio, 4 fatores.
Os autovetores normalizados juntamente com os autovalores do Quadro 6 nos do as ij
= ( pxm
) ( mxF1) + ( px1) com i = 1 a 9 e j = 1 a
cargas associadas aos 4 fatores, segundo o modelo ( X
px1)
4. Lembremos que as cargas dos fatores so dadas por a ij = j v ji , sendo j o autovalor j
considerado e vji o autovetor normalizado correspondente ao autovalor j e varivel i.
O modelo da anlise de fatores portanto seria:

X1 = 0,98 F1 + 0,08 F2
- 0,05 F3
+ 0,03 F4 (0,97)
X2 = 0,00 F1 + 0,90 F2
+ 0,21 F3
+ 0,06 F4 (0,86)
X3 = - 0,65 F1 + 0,52 F2
+ 0,16 F3
- 0,35 F4 (0,83)
X4 = - 0,48 F1 + 0,38 F2
+ 0,59 F3
+ 0,39 F4 (0,87)
X5 = - 0,61 F1 + 0,08 F2
- 0,16 F3
- 0,67 F4 (0,84)
X6 = - 0,71 F1 - 0,51 F2
+ 0,12 F3
- 0,05 F4 (0,78)
X7 = - 0,14 F1 - 0,66 F2
+ 0,62 F3
- 0,05 F4 (0,84)
X8 = - 0,72 F1 - 0,32 F2
- 0,33 F3
+ 0,41 F4 (0,90)
X9 = - 0,69 F1 + 0,30 F2
- 0,39 F3
+ 0,31 F4 (0,81)
Por exemplo: a12 = 0.08 =
2 v 21 = 2,130.0, 054
Os valores entre parnteses so as comunalidades. Por exemplo, a comunalidade para

a varivel X1 ( 0. 98) 2 + ( 0. 08) 2 + ( 0. 05) 2 + ( 0. 03) 2 = 0. 97 , desconsiderando-se erros de
25
aproximao. Pode ser observado que as comunalidades so razoavelmente altas. Isto quer
dizer que a maior parte da varincia para as variveis X1 a X9 devido aos 4 fatores comuns.
As cargas dos fatores que so maiores do que 0.50 (desconsiderando o sinal) esto
sublinhadas nas equaes acima. Estas cargas grandes e moderadas indicam como as variveis
esto relacionadas com os fatores. Pode ser observado que X 1 quase completamente
responsabilizada pelo fator 1 sozinho, X2 responsabilizada principalmente pelo fator 2, X3
responsabilizada pelos fatores 1 e 2, etc. Uma propriedade indesejvel da escolha dos fatores
que 4 das 9 variveis X (X 3, X5, X6 e X7) esto fortemente relacionadas com 2 dos fatores.
Isto sugere que a rotao dos fatores pode trazer simplificaes.
Aps a rotao, usando-se o critrio varimax normal, obtemos o seguinte conjunto de
equaes:
X1 =
X2 =
X3 =
X4 =
X5 =
X6 =
X7 =
X8 =
X9 =
0,68 F1
0,22 F1
0,13 F1
-0,23 F1
-0,16 F1
-0,53 F1
0,07 F1
-0,93 F1
-0,77 F1
+
+
+
+
+
0,27 F2
0,70 F2
0,49 F2
0,89 F2
0,11 F2
0,03 F2
0,03 F2
0,05 F2
0,23 F2
+
+
+
+
-
0,31 F3
0,55 F3
0,12 F3
0,16 F3
0,03 F3
0,62 F3
0,91 F3
0,17 F3
0,33 F3
+
+
-
0,57 F4
0,13 F4
0,75 F4
0,02 F4
0,90 F4
0,33 F4
0,05 F4
0,04 F4
0,23 F4
Pode-se verificar que as comunalidades no foram alteradas (desconsiderando-se

possveis erros de aproximao), e que os fatores ainda esto no correlacionados. No entanto,
esta soluo melhor que a primeira j que somente X1, X2 e X6 so ainda dependentes de
mais do que um fator.
Nesta fase seguinte usual tentar dar nomes aos fatores. Em muitos casos isto requer
um certo grau de imaginao. Porm, no presente exerccio, no ser to difcil1/
O fator 1 tem uma alta carga positiva para X1 (agricultura) e altas cargas negativas
para X6 (indstrias de servios), X8 (servios pessoais e sociais) e X9 (transporte e
comunicao). Portanto, o fator 1 mostra o grau com o qual as pessoas esto empregadas na
agricultura ao invs de servios e comunicao. Este primeiro fator poderia ento ser
chamado "nfase na agricultura e carncia de indstrias de servios".
O fator 2 tem altas cargas positivas para X 2 (minerao) e X4 ((suprimento de
energia). Ele pode ento ser chamado "nfase em minerao e suprimento de energia.
O fator 3 tem altas cargas positivas em X 6 (servios industriais) e X7 (finanas) e altas
cargas negativas em X2 (minerao). Ele pode, ento, ser chamado "nfase em finanas e
indstrias de servios e carncia de minerao.
Finalmente, o fator 4 tem altas cargas negativas em X3 (manufatura) e X5
(construo) e altas cargas positivas em X1 (agricultura). "Carncia de industrializao"
parece ser uma boa denominao neste caso.
1/
Muitas vezes esta tcnica de anlise multivariada desprezada pela dificuldade em se nomear cada um dos
fatores obtidos e de se fazer as interpretaes e discusses corretas.
26
O passo seguinte seria a obteno dos valores dos fatores partir da expresso (eq.6.3)
em que a matriz G seria dada pelas novas cargas dos fatores acima. Por exemplo, g 11 = 0.68 e
g12 = -0.27 , para duas casas decimais, etc.
Efetuando-se a multiplicao e inverso constantes na equao, obteramos as
equaes:
F1* = 0 , 176 X 1 + 0 , 127 X 2 + 0 , 147 X 3 + 0 , 430 X 9
F2* = 0 , 082 X 1 + 0 , 402 X 2 + 0 , 176 X 3 + + 0 , 014 X 9
F3* = 0 , 122 X 1 0 , 203 X 2 0 , 025 X 3 + 0 , 304 X 9
F4* = 0 , 175 X 1 0 , 031X 2 0 , 426 X 3 + + 0 , 088 X 9
Os valores dos fatores obtidos para os 26 pases europeus esto apresentados no

Quadro 7.
Interpretando os valores dos fatores apresentados no Quadro 6, pode ser notado que o
FATOR 1 enfatiza a importncia da agricultura ao invs de servios e comunicaes na
Iugoslvia, Espanha e Romnia. Os valores do FATOR 2 indicam que pases como Hungria e
Alemanha Oriental tm grande nmero de pessoas empregadas em minerao e suprimento de
energia, com a situao sendo revertida em pases como Turquia e Itlia. O FATOR 3, por
outro lado, est indicando, principalmente, a diferena entre o bloco comunista e os outros
pases em termos do nmero de pessoas empregadas em finanas e indstrias de servio.
Finalmente os valores para o FATOR 4 indicam, principalmente, o quo diferente a Turquia
dos outros pases por causa da sua carncia de trabalhadores em manufatura e construo e
relativamente grande nmero de trabalhadores na agricultura.
A maioria dos analistas de fatores provavelmente continuaria suas anlises desse
conjunto de dados, tentando modelos com menos fatores e diferentes mtodos de extrao dos
fatores. No entanto, para o objetivo ao qual foi proposto, que era o de dar uma noo dos
procedimentos e interpretaes da Anlise Fatorial, o exemplo at este ponto pode ser
considerado suficiente.
Quadro 7 Valores dos fatores para os 26 pases europeus

FATORES
Blgica
Dinamarca
Franca
Alemanha Oc.
Agricultura e
carncia de
indstrias de
servios
Minerao e
suprimento de
energia
-0,93
-1,30
0,02
-0,04
-0,04
-1,09
-0,20
0,45
27
3
Finanas e
indstrias de
servios e
carncia de
minerao
0,86
0,59
0,98
0,45
4
Carncia de
industrializao
-0,08
0,44
-0,43
-0,32
Irlanda
Itlia
Luxemburgo
Pases Baixos
UK
Austria
Finlndia
Grcia
Noruega
Portugal
Espanha
Sucia
Suia
Turquia
Bulgria
Checoslovquia
Alemanha Or.
Hungria
Polnia
Romnia
URSS
Iugoslvia
-0,32
0,08
0,37
-0,90
-0,85
0,06
-0,92
0,56
-1,77
0,40
1,67
-1,29
0,68
1,29
0,26
0,30
-0,61
-0,12
0,42
1,55
-0,99
2,35
0,37
-1,40
0,59
-0,59
1,23
0,83
0,47
-1,12
-0,67
-1,11
-0,64
-0,38
-0,39
-1,57
-0,25
1,18
1,70
2,37
0,26
-0,30
-0,87
1,17
0,35
-0,07
0,18
1,17
0,95
0,68
0,62
-0,56
-0,09
-0,07
0,93
0,61
0,98
-0,85
-1,39
-1,19
-1,19
-1,07
-1,41
-1,11
-2,06
1,70
0,82
-1,19
-1,05
-0,24
0,59
-0,45
0,73
0,42
0,31
-0,17
-1,67
0,67
-1,62
3,00
-0,34
-0,63
-0,44
0,42
0,06
-0,67
-0,06
1,91
7.2. Exemplo 2
A ttulo de ilustrao do uso da anlise fatorial no campo florestal, selecionou-se parte
dos dados publicados no trabalho de HOOGH & DIETRICH (1979). O trabalho envolve a
avaliao de stios para Araucaria angustifolia em povoamentos artificiais, localizados em
diversos municpios dos Estados do Rio Grande do Sul, Santa Catarina, Paran, So Paulo e
Minas Gerais.
Tomaremos como objetivo verificar a relao entre a produtividade dos stios,
expressa pelo ndice de Stio, e as caractersticas do solo. Para tanto, foram selecionados 21
stios (Quadro 8) e 10 variveis (Quadro 9), dentre as apresentadas por HOOGH &
DIETRICH (1979), cujas correlaes lineares com o ndice de Stio foram maiores do que 0,3.
Quadro 8 Relao dos 21 pontos de amostragem estudados (extrado de HOOGH &

DIETRICH, 1979)
Parc.
1
2
3
4
5
6
7
Perfil solo
SC-28
SC-30
PR-32
PR-37
PR-44
PR-68
PR-73
Localidade
Trs Barras - SC
Trs Barras - SC
Teixeira Soares - PR
Teixeira Soares - PR
Ponta Grossa - PR
Telmaco Borba - PR
Telmaco Borba - PR
28
IS*
15,7
10,2
13,6
19,5
8,8
16,6
18,9
8
9
10
11
12
13
14
15
16
17
18
19
20
21
PR-83
RS-85
RS-87
RS-107
RS-113
PR-123
SC-142
SC-146
SP-152
SP-153
MG-187
SP-216
PR-240
SC-246
Jussara - PR
So Francisco de Paula - RS
So Francisco de Paula - RS
Passo Fundo - RS
Passo Fundo - RS
Cascavel - PR
Caador - SC
Chapec - SC
Capo Bonito - SP
Capo Bonito - SP
Passa Quatro - MG
Caieiras - SP
Renascena - PR
Rio Negrinho - SC
19,8
16,3
17,9
16,6
14,5
18,7
15,8
19,1
10,7
9,3
13,5
21,9
20,8
11,2
* ndice de Stio = altura dominante aos 25 anos.
Quadro 9 Relao das 10 variveis utilizados no estudo (extrado de HOOGH &

DIETRICH, 1979)
Parc.
1
2
3
4
5
6
7
8
9
10
11
12
V1
4,3
3,9
3,8
4,0
3,8
3,8
4,0
3,8
4,0
4,5
3,7
4,0
V2
4,1
4,0
3,9
5,2
4,0
4,2
4,2
4,0
4,0
4,0
3,9
3,9
V3
20,1
17,5
19,8
21,6
10,7
6,6
18,6
6,1
11,4
16,3
17,0
16,3
V4
9,80
11,20
6,80
9,00
3,80
2,80
9,40
3,80
9,80
18,00
10,40
13,00
Variveis*
V5
V6
11,60
2,00
19,40
1,33
6,80
10,00
9,80
25,00
5,40
4,44
4,80
10,00
10,40
15,00
4,40
15,00
9,80
6,67
18,00
2,00
11,40
0,01
13,00
17,50
V7
6
9
7
9
5
16
7
9
27
77
6
30
V8
6
9
13
12
15
12
9
18
8
20
8
18
V9
5,5
4,3
2,7
6,2
1,4
1,0
3,8
2,8
2,3
2,6
4,1
3,8
V10
5,5
3,2
3,3
6,2
1,4
1,5
5,2
25,0
2,2
2,6
10,2
7,8
Continua...
Quadro 9, Cont.
Parc.
13
14
15
16
17
18
19
V1
4,2
3,8
4,0
4,0
3,8
4,0
6,7
V2
4,0
3,9
4,2
4,2
4,0
4,3
6,0
V3
24,2
19,8
18,6
6,6
12,0
13,7
14,7
V4
28,20
21,00
17,50
2,60
6,40
4,00
6,60
Variveis*
V5
V6
27,80
6,67
20,20
2,50
10,10
3,33
3,30
5,00
7,90
5,00
5,20
10,00
9,80
60,00
29
V7
9
21
6
10
16
8
88
V8
5
9
9
12
5
8
67
V9
7,4
4,9
5,4
2,7
3,2
11,0
4,2
V10
5,2
4,7
5,7
1,8
4,8
7,0
9,3
20
21
3,7
3,7
3,9
3,8
19,1
11,8
21,60
4,90
22,70
4,10
3,33
2,50
4
7
18
9
19,0
2,4
8,2
1,6
* V1 = pH KCl horiz.A; V2 = pH KCl horiz.B; V3 = Al 2O3 total horiz.A; V4 = Fe 2O3 total horiz.A; V5 =
Fe2O3 total horiz.B; V6 = Mg/K trocveis horiz.B; V7 = saturao de bases horiz. A; V8 = saturao de bases
horiz.B; V9 = argila/silte horiz.A; V10 = argila/silte horiz.B.
O Quadro 10 apresenta a matriz de correlaes (R) entre as 10 variveis estudadas. Os

fatores foram extrados utilizando-se os trs mtodos expostos anteriormente, ou seja,
Componente Principal, Mxima Verossimilhana e Fator Principal, tendo em vista verificar
qual deles apresenta o melhor ajuste do modelo fatorial. Os clculos foram desenvolvidos
utilizando-se o software estatstico SPSS/PC + Statistics 4.0 (1990).
Quadro 10 Matriz de correlaes entre as 10 variveis estudadas
V1
V2
V3
V4
V1
1,00000
V2
0,82020
1,00000
V3
0,06980
0,06033 1,00000
V5
V6
V7
V8
V9
V4
-0,01637 -0,20272 0,72569
1,00000
V5
0,05063 -0,14588 0,70816
0,92705
V6
0,83291
0,89914 -0,01912 -0,22396 -0,16482
1,00000
V7
0,80509
0,53532 -0,04946
0,12672
0,59442
1,00000
V8
0,89243
0,76280 -0,10896 -0,12760 -0,05588
0,86571
0,77032 1,00000
V9
-0,05391
V10
0,09076
0,01495 0,42672
0,08025
0,47071
V10
1,00000
0,48363 -0,05085 -0,19875 -0,00891
0,12015 -0,13210 -0,04682 -0,05767
0,28618 -0,00715 0,24326
1,00000
0,17153
1,00000
Os resultados iniciais de comunalidades, autovalores e percentuais de varincia explicada por cada fator so mostrados no Quadro 11. Nesse caso, o Mtodo do Componente
Principal foi usado, devido a maior facilidade de obteno dos resultados.
Quadro 11 Comunalidades e fatores iniciais, extrados pelo Mtodo do Componente

Principal, com os seus respectivos autovalores e percentuais de varincia
explicada
Variveis
V1
V2
V3
V4
V5
V6
Comunal.*
0,90357
0,87504
0,70916
0,88693
0,87344
0,91351
Fator
1
2
3
4
5
6
Autovalor
4,21030
2,89058
1,19116
0,74910
0,49495
0,14695
30
Var. Expl. (%)

42,1
28,9
11,9
7,5
4,9
1,5
Var. Acum. (%)

42,1
71,0
82,9
90,4
95,4
96,8
V7
V8
V9
V10
0,79563
0,90775
0,50310
0,32338
7
8
9
10
0,11797
0,08866
0,06701
0,04333
1,2
0,9
0,7
0,4
98,0
98,9
99,6
100,0
* Comunalidades iniciais estimadas por R2 e usadas nos Mtodos da Mxima Verossimilhana e do Fator
Principal.
No modelo inicial completo com 10 fatores (Quadro 11), somente os trs primeiros
fatores apresentaram autovalores maiores do que um. Esses trs fatores explicaram,
individualmente, 42,1; 28,9 e 11,9% da varincia, acumulando 82,9% da variao total.
Diante disso, optou-se por prosseguir a anlise considerando apenas os trs primeiros fatores
comuns. As estruturas fatoriais iniciais ficaram compostas pelas matrizes apresentadas no
Quadro 12, considerando os trs mtodos de estimao.
As comunalidades iniciais foram consideradas iguais a um, quando do uso do Mtodo
do Componente Principal, ou foram estimadas pelos quadrados dos coeficientes de correlao
mltipla (R2) de equaes de regresso entre a varivel considerada e todas as demais
variveis (Quadro 11).
Com apenas trs fatores, o Mtodo do Componente Principal mostrou o melhor ajuste,
explicando 82,9% da varincia e apresentando comunalidades finais que oscilaram entre 0,68
e 0,94 (Quadro 13).
Os Mtodos da Mxima Verossimilhana e do Fator Principal explicaram 75% da
varincia total. As comunalidades foram baixas para algumas variveis, ou seja, pelo Mtodo
da Mxima Verossimilhana elas variaram entre 0,08 e 0,95 e pelo Mtodo do Fator Principal,
entre 0,11 e 0,96. Nesse caso, para ambos os mtodos, as variveis V9 e V10 (argila/silte
horiz. A e B, respectivamente) apresentaram pouca contribuio no modelo fatorial ajustado,
principalmente V10 (Quadro 13).7-10 (13)
A estatstica Qui-Quadrado ( 2 ), calculada para o modelo com trs fatores ajustado
pelo Mtodo da Mxima Verossimilhana, com 18 graus de liberdade, atingiu o valor de
12,85 (P=0,8006), indicando uma boa estimativa da matriz R.
As matrizes de correlao estimadas por cada um dos trs mtodos, com os respectivos
resduos em relao matriz de correlaes original R (Quadro 10), so apresentadas no
Quadro 14. Nesse caso, as melhores estimativas de R foram obtidas pelos Mtodos da
Mxima Verossimilhana e do Fator Principal. Para o Mtodo da Mxima Verossimilhana,
obteve-se 1,16732 de soma de resduos absolutos (mdia = 0,02594), sendo que 20% deles
foram maiores do que 0,05. Pelo Mtodo do Fator Principal, obteve-se 1,3764 de soma de
resduos absolutos (mdia = 0,03058), sendo 17% deles maiores do que 0,05.
Quadro 12 Cargas iniciais dos trs primeiros fatores extrados pelos trs mtodos de
estimao
Variveis
V1
V2
V3
V4
V5
V6
Fator 1
0,92992
0,88350
-0,14197
-0,25661
-0,19138
0,93733
Fator 2
Mtodo do Componente Principal
0,23728
0,09561
0,83565
0,91073
0,92349
0,05297
31
Fator 3
-0,13261
0,06094
-0,07549
-0,08451
-0,09395
0,15171
V7
V8
V9
V10
0,77744
0,94301
-0,15080
0,21760
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
0,93223
0,85514
-0,10684
-0,20624
-0,13962
0,91043
0,82132
0,93133
-0,14827
0,15831
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
0,92710
0,85219
-0,12136
-0,24697
-0,18049
0,94104
0,78498
0,92666
-0,12961
0,17314
0,20603
0,11726
0,62078
-0,01300
Mtodo da Mxima Verossimilhana
0,18797
-0,04189
0,71718
0,94985
0,94355
-0,05701
0,28273
0,06768
0,44386
-0,05260
Mtodo do Fator Principal
0,22627
0,06824
0,74242
0,93703
0,94226
0,03191
0,21523
0,10161
0,51149
-0,01838
-0,35831
0,05190
0,52063
0,85031
0,02913
0,36392
0,37997
0,04710
0,05464
0,31597
-0,43674
0,02461
0,42670
0,24914
-0,08641
0,24398
0,13428
-0,10111
-0,09822
0,28123
-0,54895
0,01653
0,39712
0,27849
Quadro 13 Comunalidades finais, autovalores e percentuais de varincia explicada pelos

trs primeiros fatores, extrados pelos trs mtodos
Variveis
Comunalid.
V1
V2
V3
V4
V5
V6
0,93864
0,79342
0,72417
0,90243
0,89829
0,90440
Fator
Autovalor
% da Var.
1
4,21030
42,1
2
2,89058
28,9
3
1,19116
11,9
32
% Acum.
42,1
71,0
82,9
V7
V8
V9
V10
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
0,77525
0,90571
0,67917
0,77055
0,90524
0,86546
0,67014
0,94697
0,91277
0,93197
0,94525
0,87257
0,40107
0,08990
0,91818
0,79041
0,58395
0,94925
0,93008
0,96566
0,96387
0,86929
0,43613
0,10787

1
4,09163
40,9
2
2,63149
26,3
3
0,81820
8,2

1
4,10126
2
2,69256
3
0,72087
41,0
26,9
7,2
40,9
67,2
75,4
41,0
67,9
75,1
J o Mtodo do Componente Principal apresentou 2,54337 de soma de resduos absolutos (mdia = 0,05652), com 51% deles acima de 0,05 (Quadro 14). Em termos percentuais,
considerando o valor de soma dos resduos pelo Componente Principal como 100%, o Mtodo
da Mxima Verossimilhana atingiu 46% e o Mtodo do Fator Principal alcanou 54%.
Esse resultado j era esperado, pois os Mtodos da Mxima Verossimilhana e do
Fator Principal envolvem iteraes e clculos mais elaborados do que o Componente
Principal, e por isso, oferecem melhor estimativa da estrutura de correlaes original.
Buscando obter-se uma estrutura fatorial mais simples para cada modelo, procedeu-se
a rotao ortogonal Varimax dos trs fatores. Os resultados so mostrados no Quadro 15. As
estruturas fatoriais obtidas, aps a rotao dos eixos, pouco se alteraram em relao s
estruturas originais (Quadro 12).
33
Quadro 14 Matrizes de correlao estimadas e resduos obtidos por cada um dos trs
mtodos de estimao*
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
V1
0,93864
0,83619
0,07627
-0,01133
0,05361
0,86409
0,81936
0,89786
-0,06198
0,08651
V2
-0,01599
0,79342
-0,05013
-0,14479
-0,08651
0,84243
0,68473
0,84752
-0,04215
0,24282
V3
-0,00648
0,11046
0,72417
0,80387
0,80598
-0,10026
0,08885
-0,03981
0,50086
-0,10595
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
V1
0,90523
0,79991
0,04628
-0,01236
0,04879
0,84722
0,80608
0,88165
-0,04236
0,14495
V2
0,02029
0,86545
0,01687
-0,19902
-0,13904
0,89592
0,53156
0,80254
0,00990
0,22825
V3
0,02352
0,04345
0,67014
0,72115
0,71237
-0,01810
-0,05093
-0,04161
0,49630
0,04003
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
V1
0,91818
0,78442
0,04387
-0,00821
0,05436
0,85535
0,82389
0,88067
-0,03874
0,13230
V2
0,03578
0,79041
-0,02000
-0,17119
-0,11347
0,87273
0,54971
0,80066
0,02134
0,21424
V3
0,02593
0,08033
0,58395
0,71207
0,70827
-0,05276
-0,00919
-0,03480
0,44880
0,00274

V4
V5
V6
V7
-0,00504
-0,00299
-0,03117
-0,01426
-0,05793
-0,05937
0,05671
-0,14941
-0,07817
-0,09782
0,08114
-0,13831
0,90243
0,02894
-0,01885
0,06183
0,89811
0,89829
-0,02010
0,05158
-0,20511
-0,14472
0,90440
-0,09084
0,01842
0,07515
0,68526
0,77525
-0,13958
-0,07706
0,89799
0,73869
0,56007
0,55324
-0,02948
-0,17589
-0,13953
-0,13353
0,33228
-0,13819
V4
V5
V6
V7
-0,00401
0,00184
-0,01430
-0,00099
-0,00370
-0,00684
0,00322
0,00376
0,00455
-0,00422
-0,00102
0,00147
0,94697
-0,00055
0,00308
0,00166
0,92760
0,91277
-0,00118
-0,00151
-0,22704
-0,16365
0,93197
0,00078
0,07859
0,12824
0,59364
0,94525
-0,12664
-0,06483
0,85183
0,77331
0,47228
0,46282
-0,02547
-0,18265
-0,07087
-0,05812
0,22585
0,00634
V4
V5
V6
V7
-0,00816
-0,00374
-0,02244
-0,01880
-0,03154
-0,03241
0,02641
-0,01439
0,01362
-0,00011
0,03364
-0,04027
0,94925
-0,01039
0,00699
0,01693
0,93744
0,93008
0,00258
0,01168
-0,23095
-0,16741
0,96566
0,00323
0,06332
0,11505
0,59119
0,96387
-0,13532
-0,07313
0,87991
0,74020
0,47114
0,46634
0,00603
-0,20965
-0,08814
-0,07592
0,24067
-0,02092
V8
-0,00543
-0,08472
-0,06915
0,01198
0,02118
-0,03228
0,03163
0,90571
-0,04239
0,24781
V9
0,00807
0,05710
-0,07414
-0,08935
-0,06961
-0,02137
-0,02286
0,03348
0,67917
0,40182
V10
0,00425
-0,12267
-0,02616
0,09272
0,07586
-0,04610
0,13103
-0,00455
-0,23029
0,77055
V8
0,01078
-0,03973
-0,06735
-0,00097
0,00895
0,01388
-0,00299
0,87256
-0,09755
0,15001
V9
-0,01155
0,00505
-0,06958
-0,00157
0,02081
-0,02537
-0,01610
0,08864
0,40107
0,05949
V10
-0,05419
-0,10810
-0,17214
0,02406
0,00045
0,06033
-0,01350
0,09325
0,11204
0,08990
V8
0,01177
-0,03785
-0,07415
0,00771
0,01725
-0,01421
0,03012
0,86929
-0,06157
0,16318
V9
-0,01517
-0,00639
-0,02207
-0,00042
0,01729
-0,05688
0,01091
0,05265
0,43613
0,07875
V10
-0,04154
-0,09409
-0,13484
0,04133
0,01826
0,04551
0,01376
0,08008
0,09278
0,10787
* O tringulo inferior esquerdo de cada matriz contm a matriz estimada de R; a diagonal, as comunalidades
finais, conforme o Quadro 13; e o tringulo superior direito, os resduos entre as correlaes observadas e as
estimadas.
Quadro 15 Estruturas fatoriais aps a rotao ortogonal Varimax dos eixos coordenados
Variveis
V1
V2
V3
V4
V5
V6
Fator 1
Fator 2
0,96586
0,06335
0,87671
-0,07674
0,02191
0,85017
-0,07563
0,94598
-0,00857
0,94662
0,91328
-0,13343
34
Fator 3
-0,04170
0,13750
-0,02983
-0,04285
-0,04617
0,22919
V7
V8
V9
V10
0,83141
0,93977
-0,08056
0,13320
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
0,90949
0,69515
-0,02630
0,02313
0,08197
0,75569
0,94959
0,88091
-0,14288
0,07068
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
0,95291
0,78860
0,00184
-0,03760
0,02691
0,86020
0,90007
0,90917
-0,09979
0,11133
0,07324
-0,06632
0,61042
-0,09780
0,04093
-0,05898
0,80707
0,93756
0,92366
-0,09659
0,00261
-0,07317
0,57159
0,00336
0,04812
-0,06108
0,76166
0,95164
0,94521
-0,10884
0,01752
-0,06383
0,56263
-0,02167
-0,28043
0,13473
0,54778
0,86212
0,27639
0,61542
0,13448
-0,25967
-0,23000
0,59293
-0,20864
0,30199
0,23226
0,29136
0,08843
0,40595
0,06176
-0,20548
-0,18959
0,46246
-0,39171
0,19656
0,33109
0,30824
Considerando-se o conhecimento terico da matria em pauta, a racionalidade dos

resultados e a proporo da varincia amostral total explicada por cada um dos trs modelos
fatoriais finais, pode-se, seguramente, optar pelo modelo gerado a partir do Mtodo do
Componente Principal.
Nesse caso, o Fator 1 envolve as variveis relacionadas com a parte qumica do solo
(fertilidade, acidez, disponibilidade de nutrientes etc.), ou seja, V1 e V2 (pH KCl horiz. A e
B), V6 (Mg/K trocveis horiz. B), V7 e V8 (saturao de bases horiz. A e B) (Quadro 15). O
Fator 2 abriga as variveis relacionadas com a mineralogia do solo (V3 = Al2O3 total horiz.
A; V4 e V5 = Fe2O3 total horiz. A e B). J o Fator 3 traz a contribuio da fsica do solo
(textura e indiretamente, estrutura, densidade, porosidade, aerao, drenagem, etc.) atravs
35
das variveis V9 e V10 (argila/silte horiz. A e B). A varivel V9 tambm apresentou parcela
de contribuio significativa no Fator 2, o que no deixa de ser lgico, pois sempre h relao
entre a mineralogia e as fraes texturais do solo, notadamente as mais finas.
Os modelos finais, gerados pelos Mtodos da Mxima Verossimilhana e do Fator
Principal (Quadro 15), apresentaram estruturas similares do Mtodo do Componente
Principal, para os Fatores 1 e 2. Porm, no Fator 3, voltaram a incluir as variveis V2 e V6,
enquanto a varivel V10 no foi "carregada" em nenhum dos trs fatores extrados. Nesse
caso, os modelos iniciais, antes da rotao (Quadro 12), mostraram uma estrutura terica mais
lgica do que aps a rotao (Quadro 15).
Foi eleito o modelo fatorial ajustado pelo Mtodo do Componente Principal como o
melhor.
No presente caso, gerou-se, ento, a matriz de coeficientes dos escores dos fatores
(Quadro 16) e finalmente, calculou-se os escores de cada um dos trs fatores, pelo mtodo da
regresso que, no caso do Mtodo do Componente Principal, d resultados coincidentes aos
obtidos pelo Mtodo de Bartley. Isso foi feito para cada uma das 21 unidades de amostra
(Quadro 17). Assim, cada unidade de amostra passou a ser caracterizada no mais por 10
variveis, mas, agora, por apenas trs.
Quadro 16 Matriz de coeficientes dos escores dos fatores rotacionados, extrados pelo
Variveis
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
Fator 1
0,24141
0,20680
0,02604
0,00486
0,02156
0,20966
0,22121
0,22271
-0,03525
-0,01520
Fator 2
0,04439
-0,00995
0,29312
0,32414
0,32594
-0,03077
0,05042
-0,00490
0,19483
-0,05101
Fator 3
-0,08756
0,06984
-0,04615
-0,05409
-0,06043
0,14565
-0,27962
0,06393
0,44637
0,71375
Quadro 17 Matriz de escores dos fatores, extrados pelo Mtodo do Componente Principal
Unid. Amostra
1
2
3
4
5
6
Fator 1
-0,30147
-0,39386
-0,30241
0,52647
-0,37114
-0,16489
Fator 2
0,30655
0,54345
-0,24660
0,20411
-1,01120
-1,33242
36
Fator 3
-0,02706
-0,52960
-0,43030
0,59964
-0,73891
-0,78151
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
-0,10108
-0,22096
-0,15365
0,70846
-0,62582
0,18691
-0,22436
-0,32563
-0,30860
-0,24847
-0,43633
-0,26252
4,12529
-0,49336
-0,61257
0,01128
-1,50556
-0,38631
0,82952
-0,00270
0,19270
2,25605
1,19761
0,46846
-1,32062
-0,61489
-0,41754
-0,18436
1,91736
-0,90488
-0,03215
2,84876
-0,92570
-1,69472
0,53879
0,04780
-0,16686
-0,49028
0,04205
-0,54128
-0,29308
1,10724
0,31015
1,85108
-0,69407
De posse dos escores dos fatores, e a ttulo de ilustrar como poderia ser feito um
posterior estudo baseado nos novos fatores, procedeu-se o ajuste de uma regresso linear
mltipla, considerando os trs fatores como as variveis independentes (Quadro 17) e o ndice
de Stio (Quadro 8) como a varivel dependente do modelo (Quadro 18). Nesse caso, tem-se
a certeza absoluta de que o modelo linear ajustado no apresenta problemas de
multicolinearidade, o que certamente no ocorreria, caso fossem utilizadas as variveis
originais, devido s altas correlaes entre algumas delas (Quadro 10).
A equao final ajustada, considerando o nvel de 5% de significncia, foi a seguinte:
IS = 15,671429 + 1,769236 (Fator 1) + 1,735753 (Fator 3) + 1,603322 (Fator 2)

R2 = 56,62%
37
Quadro 18 - Ajuste de modelo linear mltiplo pelo mtodo Stepwise conforme sada das
anlises do SPSS
Equao Nmero 1 - Varivel Includa no Passo Nmero 1. FATOR 1 REGR FATOR ESCORE 1
R Mltiplo
R2
.45099
.20339
R2 Ajustado
Erro Padro (SE)
F = 4.85106
.16146
3.59238
Signif. F = .0402
---------------------- Varivel na Equao ----------------------
-------------- Variveis no includas na Equao --------------
Varivel
SE B
Beta
Sig F
Varivel
Beta In
Parcial
Sig F
.457906
Min
Toler
1.000000
FATOR 1
1.769236
.803281
.
450987
4.851
.0402
FATOR 2
.408695
4.776
.0423
(Constante)
15.67142
9
.783922
399.642
.0000
FATOR 3
.442452
.495728
1.000000
5.865
.0262
*****************************
Equao nmero 2 - Variveis Includas no Passo Nmero 2. FATOR 3 REGR FATOR ESCORE 3
R Mltiplo
R2
.63179
.39915
R2 Ajustado
Erro Padro (SE)
F = 5.97887
.33239
3.20540
Signif. F = .0102
------------------ Variveis na Equao -----------------------Varivel

FATOR 1
FATOR 3
(Constante)
------------- Varivel no includa na Equao -------------
SE B
Beta
Sig F
Varivel
Beta In
Parcial
Min
Toler
Sig F
1.769236
1.735753
15.67142
9
.716748
.716748
.699475
.450987
.442452
6.093
5.865
501.964
.0238
.0262
.0000
FATOR 2
.408695
.527251
1.000000
6.546
.0204
*****************************
Equao nmero 3 - Varivel Includa no Passo Nmero 3. FATOR 2 REGR FATOR ESCORE 2
R Mltiplo
R2
.75245
.56619
.48963
R2 Ajustado
Erro Padro (SE)
2.80262
F = 7.39575
Signif.F = .0022
------------------ Variveis na Equao ----------------------Varivel
SE B
Beta
Sig F
FATOR
1
1.769236
.626685
.450987
7.970
.0117
FATOR
3
1.735753
.626685
.442452
7.671
.0131
FATOR
2
1.603322
.626685
.408695
6.546
.0204
(Constan
te)
15.671429
.611581
656.612
.0000
38
O modelo linear obtido explicou 56.62% da variao do ndice de Stio, apresentando

ainda um R2 ajustado de 48,96%. As contribuies individuais dos fatores foram: 20,34% para
o Fator 1 (fertilidade); 19,57% para o Fator 3 (textura); e 16,71 para o Fator 2
(mineralogia), sendo todos significativos ao nvel de 5%, pelo teste F (Quadro 18).
Esse resultado, aparentemente, indica um modelo com baixo poder preditivo. Entretanto, a maioria dos trabalhos de relao solo-stio apresenta nveis de explicao comumente
no superiores a 70%. As grandes diferenas de localizao das parcelas (Quadro 8), certamente, implicam em grandes variaes climticas e fisiogrficas, que no foram contempladas
no presente estudo.
Por outro lado, os dados de solo foram coletados aps o crescimento da floresta e em
diferentes idades (de 7 a 48 anos). Isso compromete a fidedignidade dos dados,
principalmente com relao fertilidade do solo, pois as rvores absorvem nutrientes e
conseqentemente, alteram as caractersticas qumicas do solo. Numa condio ideal, deverse-ia trabalhar com dados de anlise de solo, coletados antes do plantio da floresta.
Diante disso, pode-se concluir que o modelo fatorial apresentou bons resultados e
ofereceu subsdios para a melhor compreenso dos fatores de solo que determinam a produtividade de plantios de Araucaria angustifolia, bem como permitiu o ajuste de um modelo
linear relativamente simples para explicar, quantitativamente, a contribuio relativa de cada
um dos fatores extrados.
8. POSSVEIS FONTES DE ERROS EM ANLISE FATORIAL 1/
Certos erros tm sido cometidos em estudos de Anlise Fatorial, principalmente da
no observncia de certos pressupostos metodolgicos. Numerosos erros poderiam ser
mencionados, comeando pelo que talvez se possa considerar o fundamental: fazer a coleta de
dados antes de planejar a anlise fatorial. Na realidade, este um problema fundamental, pois
parte do pressuposto de que no h nenhuma idia a priori sobre a natureza dos dados que
vamos coletar. O objetivo da pesquisa seria, ento, procurar alguma ordem escondida no
conjunto de dados. Ao lado disso, outro problema fundamental que a anlise fatorial um
modelo de relaes lineares, do tipo regresso, na qual a varivel independente no especificada a priori, e formada por um conjunto de variveis. O escore dos fatores (ou valores
dos fatores) , em ltima instncia, o valor estimado na regresso. Se usarmos um conjunto de
dados cuja distribuio seja inapropriada ao modelo linear, estamos, previamente, falseando
os resultados. Algumas poderiam ser mencionadas:
a) distribuies truncadas;
b) distribuies bimodais;
c) distribuies com muito poucos casos extremos;
d) separao muito forte em variveis dicotomizadas;
e) regresso no linear, quer dizer, variveis cujo melhor ajuste seria por via de uma
regresso no linear.
claro que preciso realizar um compromisso entre uma ortodoxia metodolgica e a
significao terica da varivel; afinal preciso no esquecer que o objetivo da pesquisa no
simplesmente aplicar um mtodo, mas utilizar um mtodo em busca de uma descrio ou
explicao de um fenmeno. Se uma varivel de tal modo significativa, segundo nossos
pressupostos tericos, pode ser o caso, muitas vezes, de usar um mtodo diferente e no,
simplesmente, eliminar a varivel. O uso de valores transformados, para aumentar a aproxi1/
Essa seo ser baseado na exposio apresentada por MENEZES et al, (1978).
39
mao a uma distribuio normal, pode ser a soluo adequada (logaritmo, raiz quadrada,
etc.).
Comrey (1973), citado por MENEZES et al (1978) chama a ateno para numerosas
outras fontes de erros na anlise fatorial, como o uso de variveis no independentes; por
exemplo:
a) utilizar uma varivel que represente uma resposta em um item e outra alternativa em
outro item, quer dizer, duas variveis dizendo a mesma coisa, diferente apenas pela
natureza da resposta (por exemplo, porcentagem da populao rural e urbana, se
uma das duas no estiver relacionada a outro conjunto de variveis );
b) utilizar uma varivel que seja uma combinao linear de outras duas, tais como,
crescimento demogrfico entre 1950/70 e 1960/70 e 1950/60, j que pode ter uma
correlao forada da primeira com qualquer das duas outras ou com as duas.
Outra fonte de erros pode ser o de ter fatores pouco representativos, no sentido de ter
um nmero de variveis pouco superior ao nmero de fatores hipotetizados. O nmero de
variveis deve ser de quatro a cinco vezes superior ao nmero de fatores hipotetizados, pois
do contrrio, ele pode estar sendo apenas uma construo matemtica.
Comrey (1973), citado por MENEZES et al (1978), assinala ainda que o uso de
variveis complexas, embora possa ajudar a interpretao, se utilizado em excesso, torna
impossvel a interpretao dos resultados. Se variveis complexas so usadas, pode-se correr
o risco de interpretao de um fator com significao mltipla. Se, por exemplo, utilizamos
uma varivel que descreva um fator A e B, ao mesmo tempo, indispensvel que no conjunto
da anlise haja variveis que descrevem A sem descrever B, ao mesmo tempo que outras
descrevem B sem descrever A, de maneira que se tenham os dois fatores A e B puros,
descritos por um nmero adequado de variveis, e assim, com a possvel interseo de um
com outro, por via de variveis complexas
A no indicao do que se poderia chamar varivel pura (em contraposio a uma
varivel complexa), que descreva bem um fator, pode faz-lo surgir de qualquer maneira (a
varincia existente ser forada a aparecer em algum fator) sem explicao adequada e
produzir falsas interpretaes
Um outro ponto importante, que afeta os resultados, a representatividade da amostra.
O primeiro cuidado ter-se uma amostra (de alguma forma um nmero de observaes)
suficientemente grande para que as correlaes sejam estveis. Uma fonte de perturbao
pode ser a combinao de dois grupos de lugares (ou unidades experimentais) de natureza
essencialmente diferentes, que tenham estruturas fatoriais diferentes, em uma s anlise.
Nesse caso, deve-se proceder anlises separadas de cada grupo, para se obter a estrutura
parcial, e posteriormente, obter a anlise global e uma estrutura global (Comrey, 1973, citado
por MENEZES et al, 1978).
9. NMERO E SIGNIFICADO DOS FATORES

O princpio fundamental da anlise fatorial reduzir um nmero grande de variveis a
um nmero pequeno de fatores, de natureza abstrata, porm definidores do processo. Fica
implcito, portanto, que o conjunto de p variveis descreve a diferenciao existente entre as n
unidades de observao e que cada varivel descreve (1/p) desta diferenciao.
Esse raciocnio implica que um fator, cujo autovalor seja menor ou prximo unidade,
representa o mesmo que uma varivel isolada, o que o torna dispensvel, pela prpria
natureza do mtodo fatorial e de seu objetivo essencial (MENEZES et al., 1978).
40
Segundo MENEZES et al (1978) um fator com autovalor prximo da unidade, implica

em duas possibilidades:
a) Este fator, provavelmente, s tem uma varivel altamente correlacionada e por isto
s representa a varivel, e parte dela, apenas. A soma de quadrados de correlao
de numerosas variveis no relacionadas com fator (correlaes entre 0,2 e 0,3),
podem fazer o autovalor atingir valores relativamente altos. Nesse caso, o fator,
ser constitudo, talvez, pela soma de termos nicos e de erros (cuja distribuio
pelos vrios fatores , por definio, aleatria) e portanto, no possvel de ser
interpretada.
b) Se a varivel nica relacionada a este fator, apresenta elevado significado terico,
ao invs de abandonar o fator, ou a varivel, deve-se procurar um conjunto de
novas variveis que descrevam o mesmo processo e promover uma nova anlise
para a correo do problema.
Mensuraes ao nvel de significado estatstico do valor obtido, podem ser tentadas na
determinao do nmero de fatores. Entretanto, uma deciso desta natureza sofre influncia
do tamanho da amostra, a qual uma deciso do pesquisador, e portanto, estaro embutidos,
tambm, componentes de carter subjetivo. Assim, o nvel de significncia estatstica pode
dar uma falsa idia do significado de um fator, que em ltima instncia, apresenta relao
direta com a estrutura do processo e com a natureza das variveis envolvidas.
O nmero de fatores comuns (m) pode ser definido a priori, a partir de consideraes
tericas e/ou, com base em resultados experimentais anteriores, ou ainda por meio dos
autovalores estimados. JOHNSON & WICHERN (1988) apresentam alguns critrios para
verificao do ajuste e determinao do nmero ideal de fatores comuns:
a) A matriz residual, resultante da diferena entre as matrizes de covarincias ou
correlaes amostrais (S ou R) e as suas respectivas estimativas, a partir dos
diferentes mtodos de estimao, fornece uma maneira de verificao do ajuste de
modelo fatorial com m fatores comuns, ou seja:

(Mtodo do Componente Principal)
(Mtodo da Mxima Verossimilhana)
Os elementos da diagonal principal da matriz residual so iguais a zero. Se os demais

elementos forem pequenos (prximo de zero), pode-se inferir, subjetivamente, que o
modelo fatorial, com m fatores comuns, apropriado.
b) A adequao do modelo fatorial tambm pode ser verificada analiticamente, a partir
das contribuies dos fatores para as varincias amostrais consideradas. Os fatores
comuns devem ser responsveis pela maior poro das varincias das variveis
analisadas, ou seja:

] 2m+1 + + 2p pelo mtodo do componente
Soma de quadrados de [ R
principal. Conseqentemente, um baixo valor para a soma de quadrados dos
autovalores negligenciados implica num baixo valor para a soma de quadrados dos
erros de aproximao.
c) As contribuies dos primeiros poucos fatores para a varincia amostral das
variveis consideradas deve ser grande. De maneira generalizada, temos:
41
j
s11 + s22 + + s pp
Proporo do total da varincia amostral
devido ao j-simo fator comum
j
p
a + a + + a 2pj
2
1j
2
2j
s11 + s22 + + s pp
a 12j + a 22 j + + a 2pj
p
(anlise fatorial de S pelo mtodo do

componente principal);
(anlise fatorial de R pelo mtodo do
componente principal);
(anlise fatorial de S pelo mtodo da
mxima verossimilhana);
(anlise fatorial de R pelo mtodo da
mxima verossimilhana).
Pelo critrio anterior, o nmero de fatores comuns retidos no modelo pode ser
incrementado, at que uma proporo adequada da varincia amostral total tenha sido
obtida.
d) Outra maneira usual determinar m igual ao nmero de autovalores de R maiores
do que um, ou igual ao nmero de autovalores positivos de S.
Entretanto, JOHNSON & WICHERN (1988) consideram que o melhor procedimento
consiste em reter o menor nmero de fatores possvel, mas que proporcione uma explicao
satisfatria dos dados e um ajuste adequado de S ou de R.
Segundo MENEZES et al, (1978), cinco a seis fatores e quatro a seis variveis por
fator so, supostamente, adequados, subordinados ao princpio de que estes fatores expliquem
uma frao de 60 a 70% da variao total.
10. PERSPECTIVAS E ESTRATGIAS PARA ANLISE FATORIAL
A deciso crucial e mais importante da anlise fatorial envolve a escolha do nmero de
fatores comuns (m). Amostras grandes e/ou dados com distribuio aproximadamente normal
so adequadas para uso do modelo fatorial. Entretanto, o modelo fatorial poder no ajustarse, corretamente, para um pequeno nmero de fatores comuns, se o nmero de variveis e de
observaes for grande. Freqentemente, a deciso final acerca do nmero de fatores comuns
baseia-se nos seguintes pontos (JOHNSON & WICHERN, 1988):
a) A proporo da varincia amostral total explicada;
b) O conhecimento terico da matria em pauta;
c) A racionalidade dos resultados.
A deciso acerca do mtodo de estimao e do tipo de rotao so menos cruciais.
Normalmente, a soluo mais satisfatria aquela obtida pela confirmao substancial de
uma mesma estrutura de fatores, gerada aps a rotao dos resultados, e alcanada por mais
de um mtodo de estimao.
Uma opo de estratgia de trabalho pode ser a seguinte (JOHNSON & WICHERN,
1988):
a) Executar uma anlise fatorial pelo Mtodo do Componente Principal;
Este mtodo apropriado para uma primeira inspeo dos dados. Nessa etapa,
observaes duvidosas poderiam ser encontradas, plotando-se os escores fatoriais, ou
calculando-se os escores padronizados de cada observao. Poderia ser tentado uma
rotao varimax dos eixos coordenados.
42
b) Executar um anlise fatorial pelo Mtodo da Mxima Verossimilhana, incluindo

rotao varimax;
c) Comparar as solues obtidas em cada mtodo, verificando se os grupos de
carregamento de fatores so semelhantes e plotando os escores fatoriais obtidos
pelo mtodo do componente principal contra aqueles do mtodo da mxima
verossimilhana;
d) Repetir as trs operaes anteriores para outros nmeros de fatores comuns,
verificando a necessidade da contribuio de fatores adicionais para o entendimento
e interpretao dos dados;
e) Para sries grandes de dados, dividi-las ao meio e executar a anlise fatorial de cada
parte, comparando as duas solues entre si e tambm com aquela obtida partir da
anlise de todos os dados, checando a estabilidade das solues. Os dados podem
ser divididos ao acaso, ou pela separao dos casos de nmeros mpares e de
nmeros pares, em dois grupos distintos.
Em certas situaes, a anlise fatorial promove razovel explicao das observaes
em termos de uns poucos fatores comuns interpretveis. Na prtica, uma grande maioria de
tentativas de anlise fatorial no produz resultados claros e bem definidos. Infelizmente, o
critrio de julgamento da qualidade de qualquer modalidade de anlise fatorial no tem sido
bem quantificado. Ou melhor, ele costuma ser um critrio de sucesso se, ao examinar os
resultados da anlise fatorial o investigador puder afirmar: "sucesso, eu compreendo esses
fatores"; ento a aplicao do mtodo tida como bem sucedida (JOHNSON & WICHERN,
1988).
11. REFERNCIAS BIBLIOGRFICAS
COOLEY, W. W. & LOHNES, P. R. Multivariate data analysis. New York, John Wiley &
Sons, Inc. 1971. 364 p.
FACHEL, J. M. G. Anlise fatorial. So Paulo, USP, 1976. 81 p. (Tese MS)
FOWLER, H. G. A novel application of factor analysis to examine interactions of the
fossorial predators Sirthenia striata (Hemiptera: Reduviidae) and Megacephala fulgida
(Coleoptera: Cicindelidae). Rev. Mat. Estat. 11:93-103, 1993.
HARMAN, H. H. Modern factor analysis. Chicago, Tha University of Chicago Press, 1968.
474 p.
HOOGH, R.J. & DIETRICH, A.B. Avaliao de stio para Araucaria angustifolia (Bert) o.
ktze em povoamentos artificiais. Brasil Florestal, 10 (37):19-71, 1979.
JOHNSON, R. A. & WICHERN, D. W. Applied multivariate statistical analysis.
Englewood Cliffs, N. J., Prentice-Hall, Inc., 1988. 607 p.
KARSON, M.J. Multivariate statistical methods. Ames, Iowa, The Iowa State University
Press, 1982. 307 p.
KIM, J.O. Factor analysis. In: NIEH, H.; HULL, C.H. ; JENKINS, J.C.; STENBRENNER,
K.; BENJ, D.H. (eds.). Statistical package for social sciences. New York. Megal Hill,
1975. v 5. p 468-514.
43
MANLY, B. F. J. Multivariate statistical methods. New York, Chapman and Hall, 1986.
159 p.
MARRIOT, F.H.C. The interpretation of multiple observations. New York, Academic
Press, 1974. 117 p.
MENEZES, A.C.F.; FAISSOL, S.; FERREIRA, M.L. Anlise da matriz geogrfica:
estruturas e inter-relaes. In: IBGE. Tendncias atuais na geografia urbano-regional:
teorizao e quantificao. Rio de Janeiro, 1978. p. 67-109.
QUEIROZ, W.T. Anlise de fatores ("Factor Analysis") pelo mtodo da mxima
verossimilhana: aplicao no estudo da estrutura de florestas tropicais. Piracicaba,
ESALQ, 1984. 112p. (Tese D.S.)
SRIVASTAVA, M. S. & CARTER, E. M. An introduction to applied multivarite
statistics. North-Holland, Elsevier Science Publishing Co., 1983. 394 p.
44

Apostila ANALISEFATORIAL

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila ANALISEFATORIAL

Enviado por

Direitos autorais:

Formatos disponíveis

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

O modelo da anlise de fatores supe que cada varivel X j linearmente dependente de

X1 = a11F1 + a12 F2 + + a1m Fm + e1

onde X j a j-sima varivel, a j1 , a j2 , , a jm so as cargas dos fatores para a j-sima

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

01) ,Cov(F) = E(FF`) = ( mxm

onde uma matriz diagonal

e que F e so independentes. Assim,

Essas pressuposies e a relao em (eq.2.2) constituem o chamado modelo de fatores

De uma maneira mais fcil de entender e usando apenas propriedades da varincia,

aplicando as propriedades da varincia, e com base nas pressuposies em (eq.2.3), teremos:

V( X j ) = a 2j1V( F1 ) + a 2j2 V( F2 ) +... + a 2jm V( Fm ) + V( e j )

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

= a 2ji + a 2j2 + ... + a 2jm + V(e j )

especificidade de X j (a parte da sua varincia que no est relacionada com os fatores

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

F1* = d 11F1 + d 12 F2 +... + d1m Fm

Fm* = d m1F1 + d m2 F2 +... + d mm Fm

podem ser construidas, e "explicaro" os dados to bem quanto os anteriores. Existe um

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

provisrios so transformados, com o objetivo de se encontrar novos fatores, mais fceis de

4. MTODOS DE ESTIMAO DAS CARGAS DOS FATORES

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

Um exemplo numrico poderia ilustrar essa igualdade:

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

Os autovalores, obtidos partir da equao caracterstica |B-I| = 0, so 1 = 18, 2 =

A decomposio espectral de B , ento:

como pode ser rapidamente verificado.

j v j . Ou seja, ns poderamos escrever:

Apesar da representao da anlise de fatores em (eq.4.2) ser exata, isto no

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

o que corresponde (eq.2.4), porm omitindo-se

ou, matricialmente falando,

Com esta transformao, a matriz de covarincia corresponde matriz de correlao

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

A padronizao evita o problema de ter uma varivel, com uma varincia

poderamos, ento, escrever da seguinte maneira:

x1 = a11F1 + a12 F2 +... + a1m Fm + e1

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

4.2. Mtodo do Fator Principal

Dessa forma, as comunalidades poderiam, ento, ser reestimadas por

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza

onde r j j o j-simo elemento da diagonal principal de R 1 .

p 1 , assumindo que a mdia resultante das (p - 1) correlaes simples de X

com as outras variveis seja positiva.

pelo mtodo do fator principal obtida. A partir dessa soluo,

MANEJO FLORESTAL DEF/UFV

Prof. Agostinho Lopes de Souza