O que é a Análise Fatorial?
Tal como a análise de agregados envolve o agrupamento de casos semelhantes, a análise de factores envolve o agrupamento de variáveis semelhantes em dimensões. Este processo é utilizado para identificar variáveis latentes ou construções. O objectivo da análise de factores é reduzir muitos itens individuais a um número menor de dimensões. A análise de factores pode ser utilizada para simplificar dados, tais como a redução do número de variáveis em modelos de regressão.
Factores são, na maioria das vezes, rotacionados após a extracção. A análise de factores tem vários métodos de rotação diferentes, e alguns deles asseguram que os factores são ortogonais (ou seja, não relacionados), o que elimina problemas de multicolinearidade na análise de regressão.
Análise de factores é também utilizada para verificar a construção da escala. Em tais aplicações, os itens que compõem cada dimensão são especificados à partida. Esta forma de análise de factores é mais frequentemente utilizada no contexto da modelação de equações estruturais e é referida como análise de factores de confirmação. Por exemplo, uma análise de factores de confirmação poderia ser realizada se um investigador quisesse validar a estrutura de factores dos traços de personalidade dos Cinco Grandes utilizando o Inventário dos Cinco Grandes.
Análise de factores também pode ser utilizada para construir índices. A forma mais comum de construir um índice é simplesmente resumir todos os itens de um índice. No entanto, algumas variáveis que compõem o índice podem ter um poder explicativo maior do que outras. Uma análise de factores poderia ser utilizada para justificar a eliminação de perguntas para encurtar questionários.
A Análise de Factores em SPSS
A pergunta de pesquisa que queremos responder com a nossa análise de factores exploratória é:
Quais são as dimensões subjacentes aos nossos resultados de testes padronizados e de aptidão? Ou seja, como é que a aptidão e os testes padronizados formam dimensões de desempenho?
A análise de factores pode ser encontrada em Analyze/Dimension Reduction/Factor…
Na caixa de diálogo da análise de factores começamos por adicionar as nossas variáveis (os testes padronizados de matemática, leitura e escrita, bem como os testes de aptidão 1-5) à lista de variáveis.
No diálogo Descrições… precisamos de adicionar algumas estatísticas para verificar as suposições feitas pela análise de factores. Para verificar os pressupostos, precisamos do teste KMO de esfericidade e da matriz de Correlação Anti-Imagem.
A caixa de diálogo Extracção… permite-nos especificar o método de extracção e o valor de corte para a extracção. Geralmente, o SPSS pode extrair tantos factores quantos tivermos variáveis. Numa análise exploratória, o valor próprio é calculado para cada factor extraído e pode ser utilizado para determinar o número de factores a extrair. Um valor de corte de 1 é geralmente utilizado para determinar factores com base em valores próprios.
Next, é necessário seleccionar um método de extracção adequado. Os principais componentes são o método de extracção padrão no SPSS. Ele extrai combinações lineares não correlacionadas das variáveis e dá o primeiro factor de variância máxima explicada. Todos os factores seguintes explicam porções cada vez mais pequenas da variância e são todos não correlacionados entre si. Este método é apropriado quando o objectivo é reduzir os dados, mas não é apropriado quando o objectivo é identificar construções latentes.
O segundo método de extracção mais comum é o factoring do eixo principal. Este método é apropriado quando se tenta identificar construções latentes, em vez de simplesmente reduzir os dados. Na nossa pergunta de investigação, estamos interessados nas dimensões por detrás das variáveis, e por isso vamos utilizar o factoring do eixo principal.
O passo seguinte é seleccionar um método de rotação. Depois de extrair os factores, o SPSS pode rodar os factores para melhor adequar os dados. O método mais comummente utilizado é o varimax. O varimax é um método de rotação ortogonal que tende a produzir uma carga de factores muito alta ou muito baixa, facilitando a correspondência de cada item com um único factor. Se forem desejados factores não ortogonais (ou seja, factores que podem ser correlacionados), uma rotação obliminar directa é apropriada. Aqui, escolhemos varimax.
Na caixa de diálogo Opções podemos gerir a forma como os valores em falta são tratados – pode ser apropriado substituí-los pela média, que não altera a matriz de correlação mas assegura que não penalizamos excessivamente os valores em falta. Além disso, podemos especificar na saída se não quisermos exibir todas as cargas de factores. As tabelas de carregamento de factores são muito mais fáceis de ler quando suprimimos os pequenos carregamentos de factores. O valor por defeito é 0,1, mas neste caso, vamos aumentar este valor para 0,4. O último passo seria guardar os resultados no diálogo Pontuação… Isto cria automaticamente pontuações padronizadas representando cada factor extraído.
