Análise fatorial

Métodos inferenciais em Psicologia

Prof. Dr. Tiago Lima
Objetivos
• Análise Fatorial Exploratória e Análise de Componentes Principais
• O que são fatores?
• Extração de fatores: Métodos e Critérios
• Interpretando Estruturas Fatoriais: Rotação de fator
• Confiabilidade: Alfa de Cronbach e Ômega de McDonald
Mas antes... (Mais uma) Crise de mensuração na
Psicologia
Mensuração na Psicologia
• Avaliou uma amostra de 122 artigos publicados (301 instrumentos) no Journal of Personality
and Social Psychology em 2014, quanto as evidências de validade e precisão.

• Uso de medidas com apenas 1 item (30%).

• 53% dos artigos que usaram instrumentos já existentes citaram as fontes originais, outros
40% dão a entender que são medidas próprias.
• 19% foram modificados ou adaptados de alguma forma, de modo que as informações
psicométricas fornecidas pela citação não se estendam à versão adaptada.
• O alfa de Cronbach foi indicado para a maioria dos instrumentos (73%), embora em muitos
casos erroneamente como uma medida de validade de construto (e não de precisão!).
• Apenas 13% indicaram evidências de validade estrutural.
Mensuração na Psicologia

Isso sugere que muitos construtos estudados nessa amostragem carecem de validação
apropriada.

Conclusões questionáveis e a dificuldade de replicação de pesquisas subsequentes.

Capacidade de fazer qualquer afirmação sobre o fenômeno é severamente reduzida: o que

exatamente está sendo medido é desconhecido e essa incerteza atinge os principais resultados
de uma pesquisa
Mensuração na Psicologia
Os fenômenos investigados em psicologia são frequentemente latentes, na medida
que os construtos de interesse são tipicamente não observáveis ​(por exemplo:
atitudes, valores).

O estudo de construtos latentes dessa natureza requer o processo de validação da

medição do construto!

Validação é o processo de integrar evidências para apoiar o significado de um número

que se supõe representar um construto psicológico.
Mensuração na Psicologia
1. A validação começa com a identificação de um construto, definindo-o e
delimitando-o, com desenvolvimento de uma teoria sobre a estrutura do construto
(por exemplo, quantos fatores o constituem) e de uma amostragem de
comportamentos desse construto (itens).

2. Seleção de um meio de medir o construto no nível apropriado (por exemplo,

escalas do tipo Likert, diferencial semântico).

3. Estabelecer que a medida represente adequadamente o construto

(evidências de validade e precisão).
A Análise Fatorial
• Conjunto de técnicas amplamente utilizadas nas Pesquisas em Psicologia: auxiliam no
desenvolvimento, na avaliação, no refinamento e no uso de testes psicométricos.

• As técnicas de AF em constante evolução: Softwares mais atualizados dispões dos

métodos mais recentes (R, FACTOR, JASP)
A Análise Fatorial
Conjunto de técnicas estatísticas que tem por objetivo definir a estrutura
subjacente em uma matriz de dados, avaliando de que maneira um determinado
número de itens pode ser agrupado em um número menor de variáveis latentes
(fatores) que expliquem as suas inter-relações (Brown, 2015).

• Fator enquanto variável latente que explicar um conjunto de variáveis observáveis.

• Exemplo: Autoeficácia (Escala de Autoeficácia Geral Percebida; Schwarzer e

Jerusalem, 1995; Sbicigo et al., 2012):
• Costumo ser persistente na busca de meus objetivos
• Eu costumo persistir em meus planos
• Eu acredito que eu posso ter sucesso em quase qualquer coisa que eu resolva fazer
Perguntas de pesquisa

• Quais perguntas/questões de pesquisa requerem seu uso?

1. Não há evidências suficientes sobre a estrutura subjacente ao instrumento ou se
busca avaliar a estrutura em contextos/amostras distintas do/a original:
• Quantos fatores existem na escala ABC?
• A estrutura fatorial da Escala ABC apresenta a mesma estrutura quando aplicada
em organizações públicas e privadas?
Tipos de análise fatorial
Exploratória Confirmatória

• O pesquisador possui pouco • Quando o pesquisador possui

conhecimento prévio sobre a relação das
conhecimento prévio sobre a estrutura
variáveis e fatores;
dos fatores.
• Busca confirmar uma estrutura
• Busca investigar como um conjunto de previamente estabelecida.
itens se agrupa • Uso de Modelagem de Equações
• Conduzida através da AF e da ACP Estruturais: modelos que avaliam a relação
entre variáveis observadas e variáveis
latentes

Podem ser utilizadas de maneira complementar, com vistas a avaliar a plausibilidade de

determinada estrutura fatorial
Análise Fatorial Exploratória e Análise dos
Componentes principais
• Ambos os métodos assumem que a
variância dos itens é composta por três
componentes:
• Variância específica: Porção de variância do
item que não é compartilhada com nenhuma
outra variável.
• Variância comum: Variância que é
compartilhada entre todos os itens que
compõem determinado fator ou componente.
• Variância de erro: Parcela do item não
explicada pelo componente ou fator

Damásio (2012)
Fatores e Componentes
• Análise Fatorial Exploratória e Análise dos Componentes principais
• Possuem objetivos similares: reduzir número de itens a um número menor de dimensões

Análise fatorial exploratória Análise dos componentes principais

• Apenas a variância comum é considerada • Não diferencia a variância comum da

• Fatores: construtos latentes que explicam a
covariância entre os itens,
• As variâncias específicas não são
consideradas.
• Mais recomendada para se estudar um
construto latente
variância específica entre os itens.
• Componentes: Não diferencia a variância
comum da variância específica, incluindo
ambas na análise;
• Cargas fatoriais, comunalidades e variância
explicadas tendem a serem mais altas.
Fatores e Componentes
Análise Fatorial Exploratória Análise dos Componentes Principais
Modelo Reflexivo, no qual o traço Modelo Formativo, no qual os
latente gera o comportamento. Comum indicadores geram o componente.
no entendimento de construtos Comum em outras áreas
psicológicos. (Administração, Marketing, Economia,
etc.).

Item 1 Item 1

Fator Item 2 Item 2 Componente

Item 3 Item 3
Representação Matemática: Componentes

𝑌𝑖 = 𝑏1 𝑋1𝑖 + 𝑏2 𝑋2𝑖 + ⋯ + 𝑏𝑛 𝑋𝑛𝑖

Component 𝑖 = 𝑏1 Variable1𝑖 + 𝑏2 Variable2𝑖 + ⋯ + 𝑏𝑛 Variable𝑛𝑖
 Representação Matemática: Fatores
• Os fatores na Análise Fatorial não são representados da mesma maneira
que os componentes.

x = m + Lx + d

Factor = Variable Means + (Loadings × Common Factor) + Unique

Variance ou error
Pressupostos estatísticos para AF E ACP
• Existe uma estrutura subjacente aos dados?
• A amostra é homogênea (invariante) em relação à estrutura fatorial?
• A matriz de dados é passível de fatoração? Ou seja, as variáveis são suficientemente
correlacionadas umas com as outras para produzir fatores?
• Critério de Kaiser-Meyer-Olkin (KMO)
• Teste de esfericidade de Bartlett
• Os dados apresentam normalidade multivariada?
• Teste Multivariado de Mardia
Tamanho da amostra
• Quando o instrumento é de qualidade, número de participantes é menos
importante:

• Fator é representado por 4 ou mais itens; Itens com elevada carga fatorial (> 0,60)

• Amostras maiores tendem a fornecer resultados mais precisos, diminuindo o efeito

do erro amostral.

• Hair et al. (2005): N > 100 sujeitos e um número mínimo de cinco respondentes
por item.
Tamanho da amostra
• Quando o instrumento é de qualidade, número de participantes é menos
importante:

• Fator é representado por 4 ou mais itens; Itens com elevada carga fatorial (> 0,60)

• Amostras maiores tendem a fornecer resultados mais precisos, diminuindo o efeito

do erro amostral.

• Hair et al. (2005): N > 100 sujeitos e um número mínimo de cinco respondentes
por item.
Tamanho da amostra
Fatorabilidade da Matriz: KMO
• Kaiser-Meyer-Olkin (KMO): Indica a proporção de variância dos itens que
potencialmente é explicada por uma variável latente (Lorenzo-Seva et al., 2011).
• Tal índice indica o quão adequada é a aplicação da AFE para o conjunto de dados
• Valores variam de 0 a 1:
• < 0,5 são considerados inaceitáveis,
• > 0,5 e ≤ 0,7 são considerados medíocres;
• > 0,7 e ≤ 0,8 são considerados bons;
• > 0,8 e 0,9 são considerados ótimos e excelentes, respectivamente.
Fatorabilidade da Matriz: Teste de Bartlett
• Teste de esfericidade de Bartlett: Avalia em que medida a matriz de (co)variância é
similar a uma matriz-identidade (os elementos da diagonal principal tem valor igual a
um, e os demais elementos da matriz são aproximadamente zero, ou seja, não
apresentam correlações entre si, Field, 2020).

• Valores do teste de esfericidade de Bartlett com níveis de significância p < 0,05

indicam que a matriz é fatorável, ou seja, significativamente diferente de uma matriz
identidade (Field, 2020; Tabachnick & Fidell, 2007).
KMO e Teste de Bartlett

Em geral, os resultados dos testes de KMO e de esfericidade de Bartlett

tendem a ser uniformes, aceitando ou negando a possibilidade de
fatoração da matriz de dados (Dziuban & Shirkey, 1974).
Retenção de fatores – Considerações iniciais
• A qualidade da análise depende da qualidade dos dados (Lixo entra -> Lixo sai).
• As variáveis devem se correlacionar muito bem: r> 0,3
• Evite a multicolinearidade:
• Muitas variáveis com elevadas correlações, r> 0,80
• Evite a singularidade:
• algumas variáveis perfeitamente correlacionadas, r = 1.
• Faça a triagem da matriz de correlação, elimine quaisquer variáveis que obviamente
causem preocupação
Retenção de fatores: Métodos de fatoração
• Análise dos componentes principais
• Análise Fatorial Amostras grandes,
normalidade multivariada,
• Método da máxima verossimilhança (Maximum likelihood) correlações fator/itens
elevadas (>0,40)

Amostras pequenas,
normalidade multivariada é
• Método dos eixos principais (Principal axis; MINRES, OLS) violada, correlações
fator/itens menores que
0,40.

Adequado para dados

• Diagonaly Weighted Least Squares (DWLS) ordinais e não normais.
Retenção de fatores: Comunalidade
• Variância comum:
• Variância que uma variável compartilha com outras variáveis.
• Variância única:
• Variância que é única para uma variável particular; inclui também a variância de
erro
• A proporção da variância comum em uma variável é chamada de
comunalidade
• Comunalidade = 1, Toda a variância é compartilhada.
• Comunalidade = 0, sem variância compartilhada.
• 0 <Comunalidade <1 = Alguma variância é compartilhada.
Retenção de fatores: Comunalidade
• Encontramos fatores calculando a quantidade de variância comum
• Análise de componentes principais:
• Assume que toda a variação é compartilhada
• Todas as comunalidades = 1
• Análise Fatorial
• Estimar comunalidade
• Usa correlação múltipla quadrada, ou seja, usas demais itens para explicar o item
em específico
Retenção de fatores: Comunalidade
Componentes principais Análise Fatorial - PAF
Na PAF a comunalidade inicial de cada item é
calculada regredindo nos demais itens
Retenção de fatores
• Método de extração de Kaiser (1960): retém
fatores com valores próprios> 1
• Scree plot (Cattell, 1966): use "ponto de inflexão"
no diagrama de declividade

• Não são bons métodos, embora sejam os mais

utilizados.

Eigenvalue mede a variância em todas as variáveis que é devida ao fator. Se o

eigenvalue é baixo, o fator é pouco relevante ou redundante (Garson, 2009)
Retenção de fatores - Kaiser
Extração de fatores - Cattell
Extração de fatores
• Quais os melhores métodos?
1. Análise Paralela (Horn, 1956; Timmerman & Lorenzo-Seva, 2011)
2. Método Hull
3. BIC
Extração de fatores – Análise Paralela
• Análise Paralela Clássica (Horn, 1965)
• O método AP usa dados randômicos com o mesmo número de variáveis e sujeitos e
calcula os autovalores baseados nesses dados randômicos.
• O número de componentes/fatores com autovalores empíricos maiores do que os
autovalores randômicos é o número de fatores a ser retido na APH (Enzmann, 1997; Laros,
2005; Lautenschlager, 1989).

• Implementação Otimizada (Timmerman & Lorenzo-Seva, 2011)

• Baseada em variância explicada dos fatores

• São retidos os fatores baseados nos dados originais que tenham maior variância explicada.
Extração de fatores
Extração de fatores
• Método Hull: avalia os índices de adequação (CFI e CAF) de um determinado
conjunto de soluções fatoriais possíveis.
• BIC (Schwarz´s Bayesian Information Criterion): Busca a estrutura fatorial mais
parcimoniosa e que seja próxima da estrutura fatorial verdadeira. A estrutura com
menor valor de BIC é a melhor.
Rotação fatorial
• Para facilitar a interpretação dos fatores, é possível maximizar as cargas fatoriais de
uma variável em um fator, minimizando suas cargas em todos os outros fatores

• Isso é conhecido como rotação de fatores

• Existem dois tipos:

• Ortogonal (os fatores não estão correlacionados)

• Oblíquo (fatores correlacionados)

Rotação
Rotação
• Rotação ortogonal (Varimax, Quartimax, Equamax)
• Fatores extraídos são não correlacionados (r = 0)
• Independência entre os fatores é pouco provável na Psicologia.
• Resultam em perda de confiabilidade se os fatores forem correlacionados
• Acarretam superestimação da variância explicada, já que as interseções entre os fatores
são desconsideradas.

• Rotação oblíqua (Promin, Direct Oblimin)

• Permite que os fatores se correlacionem entre si.
• Quando os fatores são independentes, os resultados obtidos são semelhantes aos que
seriam obtidos por uma rotação ortogonal.
Interpretando fatores
• Etapa eminentemente QUALITATIVA da análise fatorial

• Análise quanti (cargas) x qualitativa (conteúdo dos itens aliado a teoria)

• Os itens com cargas maiores “podem ter” maior peso na definição do nome dos
fatores!

• Definir valor aceitável da carga fatorial (0,30, 0,40).

Selecionar o tipo de
fatoração: ACP ou AFE
Definir o número de
fatores.
- Por análise paralela
Selecionar o tipo rotação:
- Indicando autovalor
ortogonal ou oblíqua.
maior que 1.
- Definir número
manualmente

Selecionar o método de
estimação. Geralmente
selecionaremos o PAF.

Selecionar o tipo de
matriz a ser
analisada.

Selecionar o “ponto de
corte” para as cargas
fatoriais. Valores abaixo do
indicado são suprimidos
na tabela.
Teste dos pressupostos de
adequação da amostra e
de correlação entre os
itens.
Estratégia para lidar com
dados missing.
Organizar o output por
tamanho das cargas
fatoriais ou por nome das
variáveis.
Indicadores adicionais:
Matriz Estrutura
Tabela com as correlações
entre os fatores
Índices de ajuste do
modelo aos dados.
Selecionar Scree plot para
o teste de Cattel para
definição do número de
fatores.
É possível gerar um
diagrama de caminhos,
similar à SEM
 Overral MSA (Measure of
Sample Adequacy) – Valor
do KMO

Teste de Bartlett

X2 (253) = 1933,5, p < 0,001

Índice adicional, Teste de

qui-quadrado para
adequação do modelo.
 Cargas fatoriais ordenadas da
maior para menor por fator.
Uniqueness (1 – comunalidade):
Variância do item que não é
compartilhada com os demais

Soma dos quadrados das cargas

fatoriais (Eigenvalue de cada
fator)

Variância dos dados

explicada por cada fator.

Variância cumulativa, o
último dado indica a
variância explicada total
para o conjunto de
fatores.
Índices de ajuste adicionais:

Valores de TLI próximo ou maiores

do que 0,95 e valores de RMSEA
menores do que .06 indicam um
bom ajuste (Brown, 2015).

O BIC é uma medida de ajuste

comparativo, usado quando os
modelos não são aninhados. O
modelo com menor valor tem
mais ajuste aos dados.

Teste Scree de Cattell

Aqui também aparecem os dados

simulados da análise paralela,
apresentados através da linha
pontilhada. Os fatores com eigenvalues
reais maiores do que os simulados
devem ser mantidos.
Confiabilidade: Alfa de Cronbach
• Kline (1999): Confiável se α> 0,7
• Depende do número de itens
• Mais itens = α maior
• Trate subescalas separadamente
• Lembre-se de reverter a pontuação dos itens com frases inversas!
• Caso contrário, α é reduzido e pode até ser negativo
Interpretando o Alfa de Cronbach
• Alpha de Cronbach:
• O Alfa é um estimador conservador da fidedignidade, o verdadeiro valor é maior do que o
observado.
• Calculado com base no pressuposto da tau-equivalência: todos os itens tem a mesma
importância para o fator

• Alternativas: Estimativas que consideram o peso do item no fator

• Fidedignidade Ômega (McDonald, 1999)
Avaliar a confiabilidade
(precisão) dos fatores.
 Selecionar os itens do
fator.

Selecionar o coeficiente de
precisão (Alfa de Cronbach
e ômega de McDonald).

Selecionar as estatísticas individuais dos

itens. Primeiro qual seria o valor do
coeficiente se o item fosse eliminado.
Segundo, selecionar a correlação item-
total, indicador adicional de consistência
entre os itens
 Selecionar itens que
medem em sentido
inverso aos demais (ver
itens com carga fatorial
negativa)

Selecionar valor padronizado do

alfa de Cronbach.
 Valores dos índices de
precisão, com respectivo
intervalo de confiança.

Valores dos índices de precisão,

caso o respectivo item fosse
excluído.

Ao lado temos a correlação item-

total, valores devem estar entre
0,30 e 0,90 (Hair et al., 2003).
Reportando análises fatoriais
Descrever os procedimentos selecionados (fatoração, extração de fatores, rotação)

Descrever a estrutura fatorial obtida e a confiabilidade de cada fator

Quais itens devem ser retidos? Quais itens você eliminou e por quê?

Descrever e nomear os fatores

Onde o seu questionário será usado?

Aplicação
Como isso se encaixa na teoria psicológica?