Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Comunalidade vs. Singularidade: Entendendo as Diferenças

A Análise Fatorial Exploratória é uma técnica estatística amplamente utilizada na área da psicometria para compreender a estrutura subjacente dos dados observados.

Nesse contexto, aparecem dois conceitos fundamentais são: “comunalidade” e a “singularidade”.

Vamos explorar cada um deles para entende-los conceitualmente e como podem ajudar nas decisões sobre um modelo fatorial exploratório.

O que é comunalidade

A comunalidade é uma medida que representa a proporção da variância de uma variável observada que pode ser explicada pelas dimensões comuns extraídas da análise fatorial.

Em outras palavras, é a quantidade de variância compartilhada por uma variável com outras variáveis presentes no conjunto de dados.

Quanto mais próxima de 1 for a comunalidade, maior a proporção de variância da variável que é explicada pelos fatores comuns. Assim:

Comunalidade próxima a 0: Indica que a variância da variável não é bem representada pelos fatores comuns extraídos. Isso pode sugerir que a variável tem uma estrutura única e não compartilhada com outros itens ou que não está relacionada aos fatores subjacentes em estudo.

Comunalidade próxima a 1: Indica que a variável é altamente representada pelos fatores comuns. Isso sugere que a variância da variável é em grande parte compartilhada com outras variáveis.

Exemplo

Vamos supor que estamos realizando uma análise fatorial exploratória em um conjunto de dados que contém três variáveis: “Autoestima”, “Confiança” e “Motivação”. Se essas três variáveis estiverem relacionadas por um fator subjacente, digamos “Autoconfiança”, a comunalidade representará a porcentagem de variância de cada variável explicada pelo fator comum “Autoconfiança”.

Pontos de corte usualmente utilizados

Embora os pontos de corte para comunalidades possam variar dependendo do contexto e da natureza dos dados, alguns valores são frequentemente considerados como referência na interpretação:

Valores acima de 0,7: Comunalidades iguais ou maiores que 0,7 indicam que a variância da variável é bem representada pelos fatores comuns. Essas variáveis podem ser interpretadas como altamente representativas da estrutura subjacente em estudo.

Valores entre 0,5 e 0,7: Comunalidades nessa faixa podem ser consideradas moderadas, indicando que a variância das variáveis é em grande parte compartilhada com os fatores comuns. Elas são geralmente aceitas como adequadas para a análise fatorial.

Valores abaixo de 0,5: Comunalidades abaixo de 0,5 indicam que a variância da variável não é bem representada pelos fatores comuns e pode sugerir que a variável possui uma estrutura única e específica. Nesses casos, é importante avaliar a relevância teórica e prática da inclusão da variável na análise.

O que é singularidade

A singularidade é a parcela da variância de uma variável observada que não pode ser explicada pelas dimensões comuns extraídas pela análise fatorial.

Em outras palavras, é a parte única ou exclusiva da variância que não é compartilhada com outras variáveis.

Exemplo

Continuando com o exemplo anterior, suponha que há uma quarta variável chamada “Ansiedade”. Se a “Ansiedade” não está relacionada com as outras três variáveis (“Autoestima”, “Confiança” e “Motivação”), então a singularidade dessa variável representa a parcela da variância que é exclusiva dela e não pode ser explicada pelo fator “Autoconfiança” compartilhado pelas outras três variáveis.

Pontos de corte usualmente utilizados

Embora os pontos de corte para singularidades também possam variar dependendo do contexto e da natureza dos dados, alguns valores são comumente considerados como referência na interpretação:

Valores abaixo de 0,3: Singularidades menores que 0,3 indicam que a variância da variável é em grande parte compartilhada com os fatores comuns.

Isso sugere que a variável está bem representada pelos fatores extraídos e tem uma contribuição significativa na estrutura geral da AFE.

Valores entre 0,3 e 0,5: Singularidades nessa faixa podem indicar que a variância da variável tem uma proporção moderada de exclusividade.

Nesses casos, é importante avaliar se a singularidade é teoricamente relevante e se a variabilidade única da variável agrega informações importantes à análise.

Valores acima de 0,5: Singularidades acima de 0,5 indicam que a variância da variável é predominantemente singular, sugerindo que a variabilidade exclusiva é alta.

Nesses casos, é essencial avaliar cuidadosamente a relevância e a pertinência da inclusão da variável na análise.

Como a comunalidade e a singularidade podem ajudar nas decisões ao realizar uma Análise Fatorial Exploratória – AFE

A análise desses coeficientes permite uma compreensão mais profunda da relação entre as variáveis e dos fatores subjacentes, contribuindo para uma interpretação robusta dos resultados da AFE.

Vamos explorar como a avaliação da comunalidade e da singularidade dos itens é utilizada nesse contexto.

Comunalidade na AFE

Como á vimos, a comunalidade é uma medida que representa o grau em que uma variável compartilha sua variância com outros fatores ou variáveis presentes na análise.

Ela indica a proporção de variância de um item que é explicada pelos fatores comuns extraídos na AFE. Durante a análise, os coeficientes de comunalidade são calculados para cada item, e eles variam de 0 a 1.

A avaliação das comunalidades é relevante para:

Identificar variáveis representativas: Variáveis com comunalidades elevadas são altamente representativas dos fatores em comum extraídos na AFE.

Elas indicam que uma grande parte da variância das variáveis é compartilhada com outros itens, sugerindo que medem aspectos similares do construto em estudo

Selecionar itens para a análise: Com base nas comunalidades, é possível verificar quais itens são mais adequadas para representar os fatores comuns.

Itens com comunalidades baixas podem ter pouca relação com os fatores extraídos e possivelmente ao serem excluídos da análise pode-se obter uma estrutura mais clara e significativa.

Singularidade na AFE

Agora, por outro lado, a singularidade, como abordamos anteriormente, representa a parcela de variância de uma variável que é exclusiva. É a parte específica da variância da variável que não pode ser explicada pelos fatores comuns identificados na análise. Assim como a comunalidade, a singularidade é avaliada para cada variável, variando de 0 a 1.

A avaliação das singularidades é relevante para:

Identificar características únicas: Itens com altas singularidades têm uma variância predominantemente singular, o que sugere que elas medem aspectos específicos e distintos não abrangidos pelos fatores em comum. Essas variáveis podem ser relevantes para compreender dimensões exclusivas do construto em estudo.

Considerar inclusão ou exclusão de variáveis: A análise das singularidades auxilia na decisão de incluir ou excluir itens do instrumento. Itens com altas singularidades podem trazer informações únicas para a análise, mesmo que não compartilhem muita variância com os fatores comuns. Nesses casos, a inclusão ou exclusão do item deve ser fundamentada teoricamente.

Equilíbrio entre Comunalidade e Singularidade

Na AFE, busca-se um equilíbrio entre comunalidade e singularidade. Ao considerar os valores de comunalidade e singularidade, é importante destacar que os pontos de corte não são regras absolutas, mas sim orientações.

A interpretação adequada da comunalidade e da singularidade requer uma análise cuidadosa do contexto da pesquisa, da teoria subjacente e da relevância prática das variáveis em estudo.

É fundamental considerar que a singularidade não é necessariamente um indicador de má qualidade da variável.

Em muitos casos, variáveis com alta singularidade podem representar características únicas e específicas que são de interesse teórico ou prático, e sua inclusão na análise pode ser justificada com base nesses fundamentos.

Conclusão

Neste post, abordamos os conceitos de comunalidade e singularidade na análise fatorial exploratória. A comunalidade representa a proporção da variância compartilhada com outras variáveis, enquanto a singularidade indica a parcela de variância exclusiva de uma variável.

Ao realizar essa análise, é fundamental considerar tanto a comunalidade quanto a singularidade para tomada de decisões sobre as relações subjacentes entre as variáveis em estudo.

Aproveite e inscreva-se no canal e aprimore suas habilidades em análise de dados!

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.