Análise Fatorial. A análise fatorial é uma técnica estatística multivariada que trata do relacionamento entre conjunto de variáveis. Basicamente, o modelo fatorial é motivado pelo seguinte argumento: suponha-se que as variáveis possam ser agrupadas por suas correlações, isto é, suponha-se que todas as variáveis em um determinado grupo sejam altamente correlacionadas entre si, mas têm correlações relativamente baixas com variáveis de um grupo diferente. Então, é concebível que cada grupo de variáveis representa uma construção subjacente singular, ou fator, que é responsável pelas correlações observadas (Xxxxxxx e Wichern,1998). O objetivo da análise fatorial é descobrir fatores latentes e ocultos que formam a estrutura de correlação de um conjunto de variáveis. Supõe-se que esses fatores sejam independentes e linearmente correlacionados às variáveis. O modelo de Análise Fatorial é um modelo linear para as variáveis padronizadas, Zi = ⎣⎡( Xi − μi ) / σi ⎦⎤ , em notação matricial este modelo pode ser representado por: Zi = Lij Fj + εi , onde o vetor F é um vetor contendo fatores que descrevem os elementos da população em estudo, L é uma matriz de coeficientes que representam o grau de relacionamento linear da característica padronizada Zi com o fator Fj. O método das componentes principais é um dos mais usados para resolver o problema clássico da análise fatorial. A análise de componentes principais está relacionada com a estrutura de co-variância, por meio de poucas combinações lineares das variáveis originais em estudo. Os objetivos desta análise são a redução da dimensão original e facilitação da interpretação das análises realizadas.
Análise Fatorial. A análise fatorial é uma técnica estatística multivariada que trata do relacionamento entre conjunto de variáveis. Basicamente, o modelo fatorial é motivado pelo seguinte argumento: suponha-se que as variáveis possam ser agrupadas por suas correlações, isto é, suponha-se que todas as variáveis em um determinado grupo sejam altamente correlacionadas entre si, mas têm correlações relativamente baixas com variáveis de um grupo diferente. Então, é concebível que cada grupo de variáveis representa uma construção subjacente singular, ou fator, que é responsável pelas correlações observadas (Xxxxxxx e Wichern,1998). O objetivo da análise fatorial é descobrir fatores latentes e ocultos que formam a estrutura de correlação de um conjunto de variáveis. Supõe-se que esses fatores sejam independentes e linearmente correlacionados às variáveis. O modelo de Análise Fatorial é um modelo linear para as variáveis padronizadas, Zi Xi i / i , em notação matricial este modelo pode ser representado por: Zi Lij Fj i , onde o vetor F é um vetor contendo fatores que descrevem os elementos da população em estudo, L é uma matriz de coeficientes que representam o grau de relacionamento linear da característica padronizada Zi com o fator Fj. O método das componentes principais é um dos mais usados para resolver o problema clássico da análise fatorial. A análise de componentes principais está relacionada com a estrutura de co-variância, por meio de poucas combinações lineares das variáveis originais em estudo. Os objetivos desta análise são a redução da dimensão original e facilitação da interpretação das análises realizadas.
Análise Fatorial. Nesta dissertação, a análise factorial foi elaborada através do SPSS e, para isso, procedeu-se à análise do Kaiser-Xxxxx-Xxxxx (KMO), Teste Bartlett e % de Variância explicada. Para Xxxxxxx (2011, pág. 97) “a análise factorial, a partir de um conjunto inicial de variáveis, tenta identificar um conjunto menor de variáveis hipotéticas (fatores). O objetivo final é a redução da dimensão dos dados, sem perda de informação.”. Segundo os autores Pestana e Xxxxxxx (2008), para a continuação da análise factorial é necessário que haja uma correlação entre as variáveis, no entanto, caso a correlação entre elas for baixa, é muito pouco provável que tenham factores em comum. Nesta investigação, para testar a qualidade das correlações entre as variáveis, foram realizados dois testes estatísticos: Kaiser-Xxxxx-Xxxxx (KMO) e o Teste Bartlett. O Teste de Kaiser-Xxxxx-Xxxxx (KMO) testa a correlação entre os coeficientes de correlação e coeficientes de correlação parcial, os valores pretendidos devem estar compreendidos entre 0,8 e 0,9, já o Teste de Bartlett testa a hipótese da matriz dos coeficientes de correlação ser uma matriz identidade, o valor de significância deve ser inferior a 0,05, sendo o desejável quanto mais próximo de zero.