--- title: "Exploraty Graph Analysis: Uma alternativa à Análise Fatorial Exploratória?" url: https://www.blog.psicometriaonline.com.br/exploraty-graph-analysis-uma-alternativa-a-analise-fatorial-exploratoria canonical: https://www.blog.psicometriaonline.com.br/exploraty-graph-analysis-uma-alternativa-a-analise-fatorial-exploratoria language: pt-BR published: 2026-05-06T18:45:22.365Z updated: 2026-05-06T18:45:33.856Z modified: 2026-05-06T18:45:33.856Z author: "Alessandro Reis" categories: ["Análise de redes", "Análise fatorial", "Inteligência artificial"] tags: ["análise de dados", "análise de redes", "análise fatorial exploratória"] description: "Descubra como a Exploratory Graph Analysis (EGA) usa redes e detecção de comunidades para estimar dimensionalidade em psicometria, reduzindo a arbitrariedade da AFE tradicional." source: Blog Psicometria Online --- # Exploraty Graph Analysis: Uma alternativa à Análise Fatorial Exploratória? > O post discute as limitações dos métodos tradicionais da Análise Fatorial Exploratória (AFE) para determinar o número de fatores, destacando o caráter muitas vezes heurístico de critérios como eigenvalues e scree plot. Em seguida, apresenta a Exploratory Graph Analysis (EGA) como uma abordagem alternativa baseada em redes de correlações parciais e algoritmos de detecção de comunidades, que permite inferir dimensionalidade de forma mais orientada pelos dados. O texto também explora a conexão entre EGA e princípios de Machine Learning, como regularização e clustering em grafos, além de discutir suas vantagens e limitações. Por fim, posiciona a EGA como complementar à AFE e à AFC, propondo um uso integrado para maior robustez na investigação de construtos psicológicos. Se você já trabalha com **Análise Fatorial Exploratória (AFE)**, provavelmente internalizou que uma das decisões mais críticas — e mais frágeis — do processo é a escolha do número de fatores. Critérios como *eigenvalues* maiores que 1, inspeção visual do *scree plot* ou mesmo a *análise paralela* são amplamente utilizados, mas carregam um componente inevitável de arbitrariedade. Mas, em muitos casos, pequenas variações na amostra ou no método levam a soluções fatoriais diferentes, o que levanta uma questão incômoda: até que ponto estamos realmente “descobrindo” a estrutura latente, e até que ponto estamos impondo decisões heurísticas ou mesmo subjetivas sobre os dados? É nesse contexto que a **Exploratory Graph Analysis (EGA)** surge não como uma simples alternativa técnica, mas como uma mudança de perspectiva. Em vez de perguntar *“quantos fatores explicam a covariância entre os itens?”,* a EGA reformula o problema para *“quantas comunidades emergem da estrutura de relações entre os itens?”*. Essa mudança parece sutil, mas é conceitualmente profunda. A AFE parte de um modelo latente que explica correlações observadas; a EGA parte das próprias relações observadas e busca padrões estruturais nelas. Em termos epistemológicos, isso desloca o foco de decomposição de variância para detecção de estrutura. Na figura abaixo, temos um exemplo de EGA que separou os dados em 5 "comunidades" de itens. ![](/uploads/1778092077629-638510064.png) Fonte: [Exploratory Graph Analysis • EGAnet](https://r-ega.net/articles/ega.html) O funcionamento da EGA combina ideias da psicometria com avanços da **análise de redes.** Essa abordagem aproxima a psicometria de problemas clássicos em **Machine Learning,** especialmente aqueles relacionados à detecção de estrutura em grafos e clustering não supervisionado. ## Como funciona a EGA O primeiro passo é estimar uma rede de correlações parciais entre os itens, frequentemente utilizando o *Graphical LASSO*, que introduz penalização para eliminar conexões espúrias e produzir uma rede mais parcimoniosa. Isso já representa um avanço relevante em relação à matriz de correlação tradicional, pois reduz o efeito de associações indiretas. Em seguida, algoritmos de detecção de comunidades — como *Walktrap* ou *Louvain* — são aplicados para identificar agrupamentos de itens que apresentam maior conectividade interna. Cada uma dessas comunidades é interpretada como uma **dimensão subjacente.** Ou seja, a dimensionalidade não é escolhida a priori, mas inferida como propriedade emergente da rede (GOLINO; EPSKAMP, 2017; GOLINO et al., 2020). Embora a EGA não seja, estritamente falando, um algoritmo de ML, ela incorpora princípios centrais desse campo, como regularização, inferência orientada por dados e redução de dependência de decisões heurísticas. Em vez de depender de critérios fixos, a estrutura dimensional emerge de algoritmos que buscam maximizar coesão interna e separação entre grupos, algo conceitualmente alinhado com métodos de clustering em redes complexas (JONES; MA; MCGUIRE, 2021). Uma das principais vantagens práticas da EGA é justamente a redução da arbitrariedade. Não é necessário escolher método de rotação, interpretar scree plots ambíguos ou depender exclusivamente de critérios baseados em autovalores. Além disso, o uso de correlações parciais tende a produzir estruturas mais limpas, menos infladas por relações indiretas entre itens. Estudos recentes mostram que a EGA apresenta desempenho comparável ou superior à análise paralela na recuperação da dimensionalidade correta, especialmente em cenários com estruturas complexas ou dados ruidosos (CHRISTENSEN; GOLINO; SILVA, 2020; GOLINO et al., 2021). Neste outro exemplo de EGA, 24 sintomas experienciados por sobreviventes do câncer são organizados em 5 "comunidades": ![](/uploads/1778092560149-273505347.png) Fonte: [Network analysis of multidimensional symptom experience among postoperative esophageal cancer survivors | Health and Quality of Life Outcomes | Springer Nature Link](https://link.springer.com/article/10.1186/s12955-025-02459-8) ## EGA substitui a Análise Fatorial Exploratória? No entanto, tratar a EGA como uma solução definitiva seria um erro. Assim como qualquer método baseado em dados, seus resultados dependem de escolhas analíticas — como o nível de regularização e o algoritmo de detecção de comunidades — e podem variar entre amostras. Além disso, a interpretação das comunidades ainda exige julgamento teórico. A EGA pode sugerir quantas dimensões existem, mas não explica automaticamente o que essas dimensões significam. Em outras palavras, ela reduz a arbitrariedade estatística, mas não elimina a necessidade de fundamentação conceitual. Esse ponto é crucial para manter rigor psicométrico e evitar uma substituição ingênua de modelos latentes por estruturas puramente empíricas (FRIED; VAN BORKULO; EPSKAMP, 2022). Outro aspecto relevante é que a EGA não substitui a Análise Fatorial Confirmatória (AFC), mas pode complementá-la de forma estratégica. Uma prática promissora é utilizar a EGA como etapa exploratória para identificar uma estrutura plausível e, em seguida, testar essa estrutura via AFC em uma amostra independente. Essa integração aproxima a psicometria de práticas consolidadas em Machine Learning, como validação fora da amostra e preocupação com generalização. Afinal, uma estrutura que emerge em um conjunto de dados, mas não se replica em outro, tem valor limitado, independentemente do quão bem ajustada ela pareça inicialmente. No fundo, o que a EGA coloca em evidência é que talvez a pergunta tradicional da AFE — “quantos fatores existem?” — seja menos fundamental do que imaginamos. Ao tratar dimensionalidade como uma propriedade emergente de uma rede de relações, ela convida a repensar o próprio conceito de construto psicológico em termos de sistemas interconectados, e não apenas variáveis latentes independentes. Essa mudança não invalida a psicometria clássica, mas amplia seu repertório metodológico e aproxima o campo de abordagens contemporâneas orientadas por dados. Se há uma síntese possível, é esta: a AFE modela a covariância, a AFC testa hipóteses sobre essa modelagem, e a EGA explora a estrutura relacional subjacente aos dados. Nenhuma dessas abordagens é suficiente isoladamente. Mas, combinadas, oferecem um caminho mais robusto para lidar com um dos problemas mais persistentes da mensuração psicológica: identificar, com menos arbitrariedade e mais evidência, a estrutura dos construtos que pretendemos medir. **Referências (ABNT)** CHRISTENSEN, A. P.; GOLINO, H.; SILVA, P. J. Estimating the stability of psychological dimensions via bootstrap exploratory graph analysis: a Monte Carlo simulation and tutorial. *Psychometrika*, v. 85, n. 4, p. 1072–1104, 2020. FRIED, E. I.; VAN BORKULO, C. D.; EPSKAMP, S. On the importance of estimating and reporting measurement error in network psychometrics. *Psychological Methods*, v. 27, n. 6, p. 1125–1141, 2022. GOLINO, H.; EPSKAMP, S. Exploratory graph analysis: a new approach for estimating the number of dimensions in psychological research. *PLoS ONE*, v. 12, n. 6, e0174035, 2017. GOLINO, H. et al. Investigating the performance of exploratory graph analysis and traditional techniques to identify the number of latent factors: a simulation and tutorial. *Psychological Methods*, v. 26, n. 3, p. 292–320, 2021. GOLINO, H. et al. A tutorial on exploratory graph analysis. *Journal of Personality Assessment*, v. 102, n. 3, p. 292–309, 2020. JONES, P. J.; MA, R.; MCGUIRE, P. A. Network analysis in psychology: foundations and applications. *Annual Review of Clinical Psychology*, v. 17, p. 31–58, 2021. > **Como citar este artigo:** Reis, A. (2026, 6 de maio). Exploraty graph analysis: Uma alternativa à análise fatorial exploratória? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/exploraty-graph-analysis-uma-alternativa-a-analise-fatorial-exploratoria