O que é exploratory graph analysis?

Neste post, falaremos sobre o exploratory graph analysis, uma técnica inovadora que ajuda a identificar as dimensões subjacentes em dados psicológicos.

Primeiramente, vamos entender por que descobrir essas dimensões é essencial. Em seguida, exploraremos métodos tradicionais usados para essa finalidade. Por fim, explicaremos como surgiu o exploratory graph analysis e como ele funciona na prática.

A importância do exploratory graph analysis na psicologia

Investigar o número de fatores ou dimensões latentes subjacentes a dados multivariados é essencial para a construção e a validação de instrumentos psicológicos. De fato, esse processo é um dos primeiros passos na análise de dados, pois pode influenciar diretamente a escolha das análises e as conclusões que se pode extrair.

Além disso, determinar o número de fatores contribui para o desenvolvimento de teorias psicológicas. Isso se aplica especialmente a áreas como personalidade e inteligência, que dependem fortemente da identificação de estruturas latentes para compreender os traços humanos.

O exploratory graph analysis (EGA), que veremos mais adiante, é um método baseado na análise de rede e que visa auxiliar na estimativa do número de fatores que devemos reter na análise fatorial exploratória.

Saiba mais: Análise de rede aplicada a dados psicológicos

Métodos tradicionais para estimar dimensões latentes

Desde a década de 1960, diversos métodos foram propostos para essa tarefa. Entre os mais conhecidos, destacam-se:

• Critério de Kaiser: recomenda reter apenas os fatores com autovalores (eigenvalues) superiores a 1. No entanto, essa abordagem tende a superestimar o número de fatores, o que pode comprometer a interpretação dos resultados.
• Teste scree de Cattell: consiste na visualização gráfica dos autovalores em ordem decrescente. Em síntese, o ponto onde a curva se estabiliza — conhecido como “cotovelo” — indica o número ideal de fatores que devem ser retidos. Ainda assim, sua subjetividade e tendência à superestimação fazem com que esse método esteja cada vez mais em desuso.
• Análise paralela de Horn: simula uma matriz de dados aleatórios e compara seus autovalores com os autovalores reais da matriz original. Desse modo, a retenção fatorial é feita ao considerar apenas os fatores cujos autovalores empíricos superam os valores aleatórios da simulação.

Essas abordagens, embora amplamente utilizadas, possuem limitações que abriram espaço para o desenvolvimento de métodos mais modernos.

Veja também: Quais são os principais métodos de retenção fatorial na análise fatorial exploratória?

Exploratory graph analysis: uma abordagem contemporânea

Recentemente, Golino e Epskamp (2017) propuseram o EGA como uma alternativa eficiente para estimar dimensões em dados psicológicos. Essa técnica faz parte da psicometria de rede, uma área emergente que se concentra em modelos de rede não direcionados.

Em resumo, o EGA combina o modelo gráfico gaussiano com o algoritmo de agrupamento walktrap (Pons & Latapy, 2006), baseado em passeios aleatórios. Dessa forma, ele permite avaliar a dimensionalidade de forma visual e intuitiva.

Como funciona o exploratory graph analysis na prática?

O processo envolve várias etapas. Primeiramente, estima-se a matriz de correlação entre as variáveis observadas — em geral, usando correlações parciais.

Em seguida, aplica-se a regularização LASSO (least absolute shrinkage and selection operator) para obter uma matriz de covariância inversa esparsa, com o parâmetro que governa o grau de regularização sendo definido pelo índice EBIC. Por fim, o algoritmo walktrap identifica subgrafos densos que indicam agrupamentos latentes.

Em outras palavras, o número de subgrafos detectados corresponde ao número de fatores latentes presentes nos dados. Além disso, o EGA não apenas revela essas dimensões, como também mostra claramente quais itens pertencem a cada uma delas.

Por exemplo, a Figura 1 (Golino & Epskamp, 2017) indica sete subgrafos, o que sugere sete dimensões latentes subjacentes aos dados. Além disso, a Figura 1 também indica quais itens pertencem a quais dimensões, representando-os em cores distintas por dimensão latente sugerida.

Conclusão

Gostou deste conteúdo? Então aproveite e também se inscreva em nosso canal do YouTube para ficar por dentro de nossas novidades.

Se você precisa aprender análise de dados, então 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).

Referências

Golino, H. F., & Epskamp, S. (2017). Exploratory graph analysis: A new approach for estimating the number of dimensions in psychological research. PLoS ONE, 12(6), Article e0174035. https://doi.org/10.1371/journal.pone.0174035

Pons, P., & Latapy, M. (2005). Computing communities in large networks using random walks. In International Symposium on Computer and Information Sciences (pp. 284–293). Springer Berlin Heidelberg.

Como citar este post

França, A. (2025, 13 de junho). O que é exploratory graph analysis? Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/o-que-e-exploratory-graph-analysis/