Análise Fatorial Exploratória

A Análise Fatorial (AFE) é uma técnica estatística de interdependência, pois estuda o interrelacionamento entre variáveis (BEZERRA., 2009; HAIR JR. et al., 2009). Segundo Bezerra (2009, p. 74), a “Análise Fatorial busca, através da variação de um conjunto de variáveis, a identificação de dimensões de variabilidade comuns existentes em um conjunto de fenômenos; o intuito é desvendar estruturas existentes, mas que não são observáveis diretamente”.

A Análise Fatorial tem por finalidade descrever a estrutura de covariâncias entre as variáveis, isto é, apresentar essa estrutura em termos de um número menor de variáveis não observáveis. Cada uma dessas dimensões de variabilidade comum recebe o nome de fator (BEZERRA, 2009).

Tal técnica permite detectar a existência de certos padrões subjacentes nos dados, de maneira que possam ser reagrupados num conjunto menor de dimensões ou fatores. Ela

pressupõe altas correlações entre variáveis gerando agrupamentos que configuram os fatores, isto é, a correlação entre as variáveis surge porque essas variáveis compartilham ou estão correlacionadas pelo mesmo fator.

Segundo Hair Jr. et al. (2009, p.102), “esses grupos de variáveis (fatores) são por definição altamente relacionados, são considerados como representantes de dimensões dentro dos dados”. Nesse sentido, o propósito da utilização da técnica de Análise Fatorial do tipo Exploratória (AFE) no presente estudo é o de resumir as informações contidas em diversas variáveis originais num conjunto menor de novas dimensões compostas ou variáveis estatísticas com uma perda mínima de informações.

O resultado da Análise Fatorial (AFE), ou seja, o conjunto menor de dimensões ou variáveis resultantes do processamento da técnica permitiu identificar os padrões de correlações, ou seja, foi possível descobrir a validade fatorial das questões que compõem cada escala ou construto, que serviram de base para a técnica de modelagem de equações estruturais, segunda etapa da análise de dados. Segundo o que sugere Damásio (2012), a Análise Fatorial Exploratória (AFE) pode ser definida como um conjunto de técnicas multivariadas, que tem como objetivo encontrar a estrutura subjacente numa matriz de dados e determinar o número e a natureza das variáveis latentes (fatores), isto é, aquelas que melhor representam um conjunto de variáveis observadas.

Nesse sentido, a Análise Fatorial Exploratória (AFE) busca analisar a estrutura das interrelações de um determinado número de variáveis observadas, definindo os fatores que melhor explicam a sua covariância (HAIR JR. et al., 2005). Para Borges, Benedicto e Carvalho (2014), o principal objetivo da AFE é o de tentar estabelecer uma estrutura inerente entre as variáveis que estão sendo analisadas por meio de estruturas de correlação subjacentes, ou seja, pretende definir fatores que estão altamente interrelacionados.

Ainda segundo os autores, a técnica é utilizada para reduzir a complexidade de um grande número de variáveis num arranjo menor, buscando explicar o fenômeno de maneira minuciosa. Por sua vez, Hair Jr. et al. (2009) destacam que no uso da Análise Fatorial há a necessidade do estabelecimento dos seguintes passos: (I) identificação e formulação adequada do problema; (II) construção da matriz de correlação; (III) determinação do número de fatores; (IV) rotação dos fatores; (V) interpretação dos fatores; (VI) cálculo das cargas fatoriais ou escolha de variáveis substitutas e (VII) determinação do ajuste do modelo.

A Análise Fatorial Exploratória foi testada no SPSS por meio dos testes Kaiser-Meyer- Olkin (KMO), Measure of Sampling Adequacy (MSA), teste de comunalidade, variância total explicada. O método de extração foi a análise dos componentes principais (ACP).

Tal método permite transformar um conjunto de variáveis iniciais correlacionadas entre si, num outro conjunto de variáveis não correlacionadas (independentes/ortogonais), as chamadas componentes principais, que resultam de combinações lineares do conjunto inicial. O propósito desta análise é determinar as componentes principais para explicar o máximo possível da variação total dos dados com o menor número possível de componentes.

Na AFE, os dados são reduzidos, isto é, há a simplificação de sua estrutura, de forma que o fenômeno em estudo passe a ser representado de modo tão simples quanto possível, sem sacrificar informações importantes (PREARO et al., 2011). Segundo Prearo et al. (2011, p.07), para um adequado uso da técnica de AFE, deve-se observar as seguintes premissas:

a) Sensibilidade ao tamanho da amostra

O tamanho da amostra, isto é, o número de casos, indivíduos, observações, entrevistas deve ser adequado para permitir a generalização dos resultados, os quais podem ser verificados pela significância estatística dos testes (PREARO et al., 2011).

b) Multicolinearidade

Para os autores, o vocábulo multicolinearidade refere-se à existência de mais de uma relação linear exata, isto é, significa a existência de uma “perfeita” (ou exata) relação linear entre algumas ou todas as variáveis explicativas de um modelo de regressão. Assim, a avaliação da multicolinearidade pode ser realizada por meio dos testes: MSA (Measure of Sampling Adequacy); KMO (Kaiser-Meyer-Olkin); VIF (Variance Inflation Factor); índice de condição; índice de tolerância (PREARO et al., 2011).

c) Normalidade multivariada

Ainda conforme os autores, nas técnicas de análise multivariada que se utilizam de variáveis métricas e testes estatísticos, a normalidade multivariada é a condição fundamental de aplicação. Os autores salientam que, em dados reais, a presença de variáveis com distribuição normal multivariada exata dificilmente ocorre. Nesse sentido, a densidade normal é frequentemente uma aproximação útil e a verdadeira distribuição da população (PREARO et al., 2011).

d) Linearidade

A premissa da linearidade, conforme o que sugerem Hair Jr. et al. (2005) e Prearo et al. (2011), enfatiza valores que se ajustam a uma linha reta, que manifesta uma mudança com unidade constante da variável dependente em relação a uma mudança constante da variável independente. Tal premissa pode ser observada na inspeção simples de gráficos como o diagrama de dispersão (scatterplot). Prearo et al. (2011) salientam que a linearidade pode ser

verificada ainda na análise de correlação e em outros testes mais complexos apropriados para a detecção dessa premissa.

e) Homoscedasticidade

Homoscedasticidade é uma importante premissa a ser observada na Análise Fatorial Exploratória (AFE). Sua não observação pode invalidar toda a análise estatística. Para Prearo et al. (2011), a homoscedasticidade ocorre quando a variância dos termos de erro parece constante ao longo do domínio da variável preditora. Nesse sentido, tal premissa pode inicialmente ser verificada por meio de gráficos de resíduos (erros).

Assim, a AFE busca analisar o comportamento de uma variável ou grupos de variáveis em covariação com outras, isto é, reduzir dados muito complexos a um tamanho manuseável para que o pesquisador possa interpretar melhor os seus resultados (GREEN e SRINIVASAN, 1978; KERLINGER, 1979).

Neste sentido, vale salientar que a aplicação da técnica deu-se em razão da pesquisa ter caráter exploratório, considerando que a escala foi construída pela pesquisadora. Assim, tal técnica serviu para validar o instrumento, isto é, serviu para a validação estatística da escala.