Análise de Componentes Principais

Curso: Licenciatura em Ensino de

Matemática com Habilitação em
Estatística
Autor: Benedito Jemias Nhatsolo
 Estrutura da Apresentação

Introdução
Objectivos (Geral e Específicos);
Revisão da Literatura
Metodologia
Análise e Interpretação de Dados
Conclusão
Referências Bibliográficas

2
 Introdução
A presente pesquisa, faz o
retracto da Análise de
Componentes Principais, com
o objectivo de identificar as
componentes mais importantes
dentro de alguma lista de
personalidades das pessoas
1 factorial surge como um
Sabe-se que a Análise de
Componentes Principais é
considerada por muitos autores,
um dos muitos tipos de Análise
Factorial.
2 Neste contexto, a análise
procedimento estatístico
3 que permite reduzir a
complexidade do problema
original, agrupando p
variáveis aleatórias, X1.
3
 Compreender a Análise de Componentes bem como a sua
Geral operacionalização.

Específico 01 Definir os conceitos Análise de Componentes

Principais e Análise Factorial;

Específico 02 Descrever os métodos de estimação na Análise de

Objectivos Componentes Principais;
Específico 03 Identificar as componentes mais importantes dentro 44 tipos de
personalidades previamente consideradas num conjunto de 455
pessoas. 4
 É uma técnica estatística da análise multivariada que linearmente transforma um conjunto original
de variáveis correlacionadas em um outro conjunto substancialmente pequeno de variáveis não

ACP 01 correlacionadas, chamadas de componentes principais que representam a maior informação

possível contida no conjunto original de variáveis (Dunteman, 1989).

AF é usada principalmente para identificar ou estimar os factores ou dimensões

Análise Factorial 02 latentes que reflictam o que as variáveis tem em comum e ela tem como base
várias hipóteses para que essas estimativas sejam precisas (Hair, et all, 2005).

ACP é usado quando o objectivo é resumir a maior parte da

Revisão ACP 03
informação original (variância) a um número mínimo de factores
Bibliográfica para propósitos de previsão.
Análise Factorial 04
Tem como objectivo descrever, se possível, a estrutura de
covariâncias entre as variáveis em termos de um nº menor de
variáveis (não observáveis) chamadas factores.

01 Abordagem é Quantitativa 5 Quanto ao método de pesquisa usou-

se ACP
02 Natureza é Aplicada

Abordagem 7 Processamento e Análise de dados

Metodológica 03 Usou-se o SPSS 25, a análise foi inferencial. Bem
Objectivos é Descritiva
Tipo de como o critério da raiz latente ou critério de Kaiser
pesquisa para a retenção das componentes principais,
quanto a 04 Procedimentos é Bibliográfica
5
 2 Cálculo da estatística de Bartlett no SPSS
Resultados
Teste de KMO e Bartlett
2.1 Tendo em conta o tipo de dados sujeitos a análise considera-se que Medida Kaiser-Meyer-Olkin de adequação de amostragem. .841
são ideais para a aplicação de uma análise de componentes principais? Teste de esfericidade de Bartlett Aprox. Qui-quadrado 6730.363
Gl 946
1 Hipóteses
Sig. .000

Estatística do Teste
(1.0),
Onde, graus de liberdade (g.l.) = , n tamanho da amostra e k nº
de variáveis, D, o determinante da matriz de correlações.
  3 2.2 Autovalores e variância compartilhada pelas
Regra de Decisão
Se sig. , Rejeita-se a Hipótese nula. Isto é, a matriz de
correlações é estatisticamente igual à matriz Identidade I de
mesma dimensão.
Decisão
Como na estatística para 946 graus de liberdade o ,
Rejeita-se a Hipótese nula. Isto é, a matriz das correlações
é estatisticamente diferente da matriz identidade.
Conclusão
É razoável prosseguir com a análise da Análise de
componentes principais.
variáveis originais para a formação de cada factor
(componentes principais) processados no SPSS.
Nota: O Critério que utilizou para a retenção das
componentes principais chama-se critério da raiz latente
ou critério de Kaiser. Que consiste, na escolha da
quantidade dos factores correspondentes a autovalores
maiores que 1.
Autovalores e variância compartilhada pelas variáveis originais
para a formação de cada factor.
Matriz de componente rotativaa processada no SPSS

Interpretação
Haverá extracção de 10 factores (estes estão destacados a
negrito na tabela) e Como considerou-se na análise apenas
os factores cujos autovalores sejam maiores que 1 (na
coluna do total, tabela 1.3), nota-se o percentual de
variância compartilhada pelas variáveis originais para a
formação apenas desses factores.
 Interpretação dos Resultados
 Componente 1: É constituído por 9 personalidades (destacadas na primeira
coluna), das quais 5 são mais importantes no caso (Faz um trabalho completo,
Confiável, Persevera, Eficiente e Adere aos planos).
 Componente 2: É constituído por 6 personalidades (destacadas com uma
coloração, na 2ª coluna), das quais uma é são mais importantes no caso
(Reservado)
 Componente 3: É constituído por 7 personalidades (destacadas na coluna 3) das
quais nenhuma é importante
 Componente 4: É constituído por 5 personalidades (destacadas na coluna 4) das
quais todas são importantes, no caso (Útil / ajuda os outros, Perdoa, Confiante,
Atencioso e Cooperativo).
 Componente 5: É composto por 4 personalidades (destacadas na coluna 5), sendo
todas importantes (Incentivador, Gera entusiasmo nos outros, Cheio de energia e
Curioso).
 Componente 6: É composto por 5 personalidades (destacadas na coluna 6), sendo
que nenhuma é importante.
 Componente 7: É composto por 4 personalidades (destacadas na coluna 7), sendo
todas importantes, no caso (Original, Engenhoso, Imaginativo e Reflexivo).
 Componente 8: É composto por 3 personalidades (destacadas na coluna 8), das
quais apenas duas são importantes, no caso (Valoriza experiências artísticas e
Sofisticado em arte e música).
 Componente r 9: É composto por apenas uma personalidade (destacada na coluna
9) e que ela é importante, no caso (Extrovertido).
 Componente 10: Não apresenta nenhuma personalidade, seja ela importante assim
como não.
 
 No total de 44 personalidades, os resultados revelam a existência
de apenas 22 personalidades importantes, contra 22 não
1 importantes. Isto é, o número de personalidades é o mesmo

Conclusão Componentes que apresentaram maior número de personalidades

positivas são os componentes 1 e 4; maior número de personalidades
3 negativas registou-se na Componente 3.
Componentes que apresentaram menor número de personalidades
positivas são os componentes 2 e 9; menor número de personalidades
negativas registou-se na Componente 8.
Não registou-se nenhuma personalidade na componente 10.

1 Fávero, L. & Belfiore, P. (2017). Manual de Análise de Dados: Estatística e

Modelagem Multivariada com Excel, SPSS e Stata. Rio de Janeiro: Elsevier.
Referências
Bibliográficas 2 Dunteman, G. E. (1989). Principal Components analysis. Newbury Park,
CA:Sage.
3 Marcelo, F. P. & Bourdel, M. C. (1998). Método de simulação e escolha de
factores na análise dos principais componentes. Revista de Saúde Pública.
4
Matos, D. A. S. & Rodrigues, E. C. (2019). Análise Factorial. Brasília: Enap.
99
Pela Atenção Dispensada o meu
muito Obrigado
FIM