Escolar Documentos
Profissional Documentos
Cultura Documentos
Análise Fatorial
Análise Fatorial
Anlise Factorial
O propsito essencial da anlise factorial descrever, se possvel, a estrutura
de covarincias entre as variveis em termos de um n menor de variveis (no
observveis) chamadas factores. Por outras palavras, a anlise factorial estuda
os inter-relacionamentos entre as variveis, num esforo para encontrar um
conjunto de factores (em menor n que o conjunto de variveis originais) que
exprima o que as variveis originais partilham em comum.
Em geral o primeiro passo a dar neste tipo de anlise, consiste no exame das
relaes entre as variveis utilizando o coeficiente de correlao como medida
de associao entre cada par de variveis. A matriz de correlaes poder
permitir identificar subconjuntos de variveis que esto muito correlacionadas
entre si no interior de cada subconjunto, mas pouco associados a variveis de
outros subconjuntos. Neste caso a aplicao da anlise factorial permitir-nos-
concluir se possvel explicar este padro de correlaes atravs de um menor
n de variveis - os factores.
EXEMPLO:
Suponha que um director de uma fbrica de automveis pretende entender o
que leva um consumidor a escolher um modelo especfico de automvel, isto ,
quais os factores que levam os consumidores a escolher um modelo especfico
de automvel. Para isso foram consideradas as opinies de um conjunto de
consumidores acerca da importncia das seguintes variveis para a escolha de
um automvel:
CRB - custos de reparao baixos VC - variedade de cores disposio
EIA - espao interior amplo
BC - bom consumo
FM - fcil de manejar
DM - design moderno
BM - bom motor
C - confortvel
AS - aparncia suave
FC - fcil de conduzir
MA - modelo atraente
MG - mala grande
FE - fcil de estacionar
4
l conforto
II
l custo/eficincia
III l estilo
IV l facilidade de manipulao
VC
FM
DM
MA
AS
FC
FE
MG
EIA
CRB
PRA
II
MG
BM
BC
PRA
BM
EIA
BC
I
C
III
VC
FM
IV
FE
FC
DM
AS
MA
6
Seja X =(X1, X2,...,Xp) um vector aleatrio de mdia PT=(P1, P2,..., Pp) e matriz de
covarincias 6.
Modelo de anlise factorial:
X1-P1= l11F1+ l12F2 +...+ l1mFm +H1
X2-P2= l21F1+ l22F2 +...+ l2mFm +H2
X-P = LF + H
(px1)
(pxm)
(px1)
7
onde:
x lij - loading (ou peso) da varivel Xi no factor Fj
l11 l1m
x L=
- matriz de loadings
l p1 l pm
T
Note que:
i) o factor especfico Hi est associado apenas com a varivel Xi;
ii) os p desvios X1-P1, X2-P2,..., Xp-Pp so expressos em termos de p+m
E(F1 ) 0
E(F )
2
= 0
E(F) =
E(F ) 0
m
1 0 0
0 1 0
T
Cov(F) = E(FF ) = I =
0 0 1
os
factores
independentes entre si
so
E( 1 ) 0
E( )
2
= 0
E(H) =
E( ) 0
p
\1 0
0 \
2
T
Cov(H) = E(HH ) = < =
0
0
F e H so independentes
0
0
m matriz diagonal
\p
logo
Cov(Hi, Fj) = E(Hi Fj) - E(Hi) E(Fj) = 0,
e
Cov( 1,F1 ) Cov( 1,F2 )
Cov( ,F ) Cov( ,F )
2
1
2
2
Cov(H, F) = E(H FT) =
Cov( ,F ) Cov( ,F )
p
1
p
2
i=1,2,...p
j=1,2,...m
Cov( 1,Fm )
Cov( 2 ,Fm )
=0
Cov( p ,Fm )
10
i.e.
2
Var(Xi) = l i12 l i22 l im
<i
,
h i2
varincia
especfica
comunalidade
Cov(X,F) = L
i.e.
Cov(Xi,Fj) = lij
11
Em que:
h i2 comunalidade
p
poro da Var(Xi)
com
F* e H independentes
E(F*) = 0
E(H) = 0
e
e
Cov(F*) = I
Cov(H) = <
Mtodos de Estimao:
15
16
T
2
2 T
PD
,D
P CC
C
onde:
P
>a
CT
a2 ap @
1
0
0
0
2
0
Oi
ai
0
2
0
1
0
0
0
p
1
2
0
17
>
C= O 1 a1
Op ap
o L= > O 1 a1
Om am @ ,
com m < p
Var(X i ) O i a ij2
j 1
2
O i a ij
j m 1
18
~
L
>
O1 a 1
O2a2
Omam @
i.e.
~
lij
O j a ij
~
1 0 0
~
m ~
elementos da
~ 0 2 0
~
~~ T
onde i s ii lij 2 m diagonal de S - L
L
j 1
~
0 p
0
~
~
~
~
hi2 li12 li22 lim2
m soma dos quadrados da linha i de L
m
O j a ij
j 1
~
poro da Var(Xi) explicada pelos factores comuns onde lij 2
O j a ij2 a
Escolha do n de factores:
~~
~
S - L L T < # 0 m matriz residual
O2m1 O2p
Oj
Oi
i 1
Oj
Outras regras:
valor prprio maior que 1 (anlise a partir de R)
scree-test
21
Yj
Oj
Yj
j=1,,m
Var(Yj )
lij =
O j a ij
Xi
l ijFj i , i = 1,,p
j 1
com
lij =
O j a ij
22
Neste modelo estimado, cada factor comum tem varincia unitria, e os factores
so no correlacionados.
Cov( i , k )
a ij a kj j
izk
j m 1
23
TABELA DE RESULTADOS
O j aij
lij =
Y1
X1
O1 a11
Xp
Yn
m a1m
O1 a p1
ja1j2
j 1
}
m a pm
h12
m
japj2
hp2
j 1
Om
O1+}+ Om =
j 1
j 1
ja1j2 + }+ japj2
1
p
i
i 1
i
i 1
j
j 1
p
i
i 1
24
25
EXEMPLO
F1
F2
Y1
O1
Y2
O2
0.33
0.53
3.87
u
u F1 1.55
u
u F2 1
0.65
X2
0.66
0.41
0.42
3.87
u
u F1 1.55
u
u F2 2
0.81
X6
0.52
0.42
1.55
3.87
u
u F1
u
0.39
u F2 1
0.49
0.83
com i
3 a i3 F3 6 a i6 F6
,
,
Y3
Y6
28
Concluso:
a ACP procura resumir a informao presente num conjunto de variveis
29