O seu Blog de Psicometria

Tenha acesso à nossa enciclopédia virtual de conhecimento em Psicometria e Análise de Dados

Junte-se a mais de 22.300 membros e receba conteúdos exclusivos e com prioridade

Principais métodos de retenção de fatores

Alex França

mar 28, 2023

O que é o processo de retenção fatorial?

A retenção de fatores é o processo pelo qual é determinado o número de fatores que devem ser extraídos a partir de um conjunto de dados para explicar a maior parte da variância observada nas variáveis originais. No entanto, nem todos os fatores extraídos são necessários para explicar a estrutura dos dados. Assim, a retenção de fatores é um processo de seleção de um número menor de fatores que são mais importantes e que explicam a maior parte da variância nas variáveis originais. Esse processo é aplicado quando realizamos Análise Fatorial Exploratória (AFE).

A etapa de retenção fatorial pode ser considerada a mais importante da análise fatorial exploratória, pois a retenção fatorial pode afetar diretamente a interpretação dos resultados e a identificação dos padrões subjacentes nos dados.

Se forem extraídos muitos fatores, a estrutura fatorial pode se tornar difícil de interpretar e os resultados podem se tornar menos confiáveis. Por outro lado, se forem extraídos poucos fatores, pode haver perda de informações importantes e a estrutura fatorial não será capaz de explicar adequadamente a variabilidade das variáveis originais.

Os principais métodos de retenção fatorial utilizados na análise fatorial exploratória

Critério de Kaiser: Este é o método mais comumente utilizado para determinar o número de fatores a serem retidos. Ele se baseia no valor próprio de cada fator, e sugere que apenas os fatores com autovalores (eigenvalues) acima de 1,0 devem ser mantidos na análise.

Método de scree plot: Este método envolve a plotagem do gráfico de autovalores (eigenvalues) em ordem decrescente. O número de fatores a serem retidos é determinado pelo ponto onde a curva se aplaina, ou “scree”, o que indica o número de fatores mais significativos.

Antes de prosseguirmos, cabe ressaltar que estes dois primeiros métodos de retenção estão em desuso por superestimar o número de fatores, além de serem métodos ultrapassados em relação aos atuais. Portanto devem ser evitados.

Nesse sentido, a análise paralela, o método Hull e Exploratory Graph Analysis se apresentam como alternativas de métodos mais confiáveis e precisos para determinar o número de fatores a serem retidos.

Análise Paralela de Horn: Neste método, é gerada uma matriz de dados aleatórios com as mesmas dimensões da matriz original, mas com valores fixos de correlação entre as variáveis. O número de fatores a serem retidos é determinado pela comparação dos autovalores (eigenvalues) obtidos para cada conjunto de dados. Este método utiliza matrizes de correlações de Pearson para obter as matrizes aleatórias.

Análise Paralela (Optimal implementation): Também é um método baseado em simulação que usa dados aleatórios para criar um conjunto de autovalores (eigenvalues) que podem ser comparados com os autovalores (eigenvalues) reais da matriz de correlação.

A principal diferença em relação a Análise Paralela de Horn, é que a Análise Paralela (Optimal implementation) utiliza o mesmo tipo de correlações da matriz original, isto é, se a matriz original foi gerada por meio de correlações policóricas, as matrizes aleatórias também serão geradas por meio de correlações policóricas.

Método Hull: Pode-se dizer que o este método utiliza uma abordagem iterativa, começando com um modelo de um fator e adicionando gradualmente mais fatores até que o critério de retenção seja satisfeito.

Em cada iteração, é avaliada a qualidade do ajuste do modelo e é verificado se o critério de retenção é atendido. Se o critério não for satisfeito, outro fator é adicionado e o processo é repetido até que o critério seja atendido ou até que o número máximo de fatores seja alcançado.

Outro método recente e promissor, por apresentar desempenho semelhante a análise paralela e método Hull é o Exploratory Graph Analysis que abordaremos a seguir.

Exploratory Graph Analysis: Também conhecido como EGA, é uma nova técnica recentemente proposta no âmbito da psicometria de rede para estimar o número de fatores subjacentes a dados multivariados. O número de dimensões é verificado usando o walktrap, um algoritmo de passeio aleatório usado para identificar comunidades em redes.

Esse método, por enquanto, apenas pode ser aplicado por meio de um pacote no R chamado EGAnet. Para saber mais detalhes você pode acessar nosso post sobre EGA.

Por fim vale algumas dicas: é importante utilizar mais de um método (que não seja o critério de Kaiser ou Scree plot) , verificar se os fatores extraídos fazem sentido teoricamente, e se os itens agrupados em cada fator são coerentes com a dimensão correspondente.

Espero que este post tenha te ajudado a entender o que são os métodos de retenção fatorial.

Ficou interessado em saber mais sobre Análise Fatorial Exploratória? Clique aqui e veja nosso post super completo sobre o tema.

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).

Conteúdo

Mais lidos

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Postados recentemente

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Alex França

Posts sugeridos

Glossário de Análise Fatorial Exploratória

A Psicometria Online tem o prazer de anunciar a publicação de um valioso recurso para profissionais e estudantes da Psicometria: o Glossário de Análise Fatorial…

psicometriaonline

abr 16, 2024

Vantagens da TRI sobre a Teoria Clássica dos Testes

Ao tratar da análise e construção de testes nas esferas de avaliação educacional e psicológica, duas metodologias dominantes emergem: a Teoria Clássica dos Testes (TCT)…

Alex França

set 25, 2023

Glossário da Análise Fatorial Exploratória

Quando nos deparamos com uma vasta quantidade de dados, muitas vezes desejamos entender as estruturas subjacentes que permeiam esse conjunto. A questão é: como desvendar…

Alex França

set 17, 2023

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.