Análise Fatorial Exploratória

Para que se procedesse à verificação de consistência das variáveis indicadoras para medir cada uma das variáveis latentes foi utilizada a análise fatorial exploratória.

De acordo com Hair et al. (2009),

[...] a análise fatorial é uma técnica de interdependência, na qual todas as variáveis são simultaneamente consideradas como cada uma sendo relacionada com as outras [...]. Na análise fatorial, as variáveis estatísticas (fatores) são formadas para maximizar seu poder de explicação do conjunto inteiro de variáveis. Logo, cada variável é prevista por todas as outras. (Hair et al., 2009, p. 92)

Dessa forma, a análise fatorial não é uma técnica de dependência ou previsão, mas é uma ferramenta que permite examinar um conjunto de relações interdependentes, ou identificação de estrutura

Laros (2005) destaca que

[...] a análise fatorial é um dos procedimentos psicométricos mais frequentemente utilizados tanto na construção, quanto na revisão e avaliação de instrumentos psicológicos, como no desenvolvimento de teorias psicológicas. (Laros, 2005, p. 163)

O mesmo autor salienta que a análise fatorial é particularmente útil para analisar escalas de mensuração de atributos relacionados à personalidade, comportamentos e atitudes.

A análise fatorial exploratória tem como principais objetivos reduzir o número de itens utilizados para a explicação de um construto latente e também o agrupamento e redução desses itens, quando necessário.

Netemeyer, Bearden e Sharma (2003) explicam que a análise fatorial exploratória permite validar os construtos de uma pesquisa. Ela permite avaliar se os itens utilizados para mensurar um construto (itens estes também chamados de variáveis indicadoras ou manifestas) têm correlação entre si e, portanto, se têm capacidade de medir o construto para os quais foram designados.

Neste estudo, são construtos latentes: as variáveis que representam a tolerância ao risco (variável dependente), aquelas que compõem os traços de personalidade (extroversão, amabilidade, neuroticismo, conscienciosidade, abertura para experiências), e também as variáveis que representam os vieses estudados (medo do arrependimento, autocontrole).

[...] aborda o problema de analisar a estrutura das inter-relações (correlações) entre um grande número de variáveis [...] definindo um conjunto de dimensões latentes comuns, chamada de fatores. (Hair Jr. et al. 2009, p. 102)

Após esta análise, é possível determinar quais variáveis indicadoras são relevantes para a representação do conceito, excluindo aquelas que não estão correlacionadas.

Dessa forma, a análise fatorial exploratória aplica-se aqui para que seja verificada a coerência e consistência dos itens para medir os construtos latentes. Esta etapa é útil uma vez que algumas das escalas foram adaptadas de escalas internacionais. Além disso, mesmo a escala de traços de personalidade utilizada, que foi pela validada no Brasil pelo Laboratório de Pesquisa em Psicologia Social, não se tem notícia de que já tenha sido aplicada em um contexto de avaliação de comportamento de investimentos.

Portanto, a análise fatorial foi utilizada para verificar a adequação das variáveis latentes que estão subjacentes às escalas, ou seja, para a verificação da unidimensionalidade dos itens utilizados em cada uma delas:

O pressuposto da unidimensionalidade implica que todos os itens de um instrumento estejam medindo um único construto. Se o instrumento está de fato medindo mais do que um fator, um escore total individual deve ser calculado para cada fator e todas as análises estatísticas subseqüentes devem ser feitas independentemente para cada fator. (Laros, 2005, p. 163)

Além de permitir verificar a adequação dos itens para mensuração de construtos, de acordo com Hair Jr. et al. (2009), a análise fatorial exploratória permite a redução do número de itens de uma escala, condensando-os em um número menor de fatores ou componentes. Essa análise permite, portanto, que seja identificado um número relativamente pequeno de fatores capaz de representar relações entre um grande número de itens inter-relacionados. Esses autores observam ainda que os itens que apresentam uma correlação relevante entre si compartilham algum fator em comum, podendo substituir os demais, ao mesmo tempo em que preservam um bom percentual da variabilidade de dados originais.

O método utilizado para a extração de fatores foi o Método dos Componentes Principais, também conhecido como análise de componentes. Este método permite que os dados sejam agrupados em função da correlação entre as variáveis medida, apresentando a vantagem de concentrar um número mínimo de fatores capaz de explicar a maior parte da variância da amostra (Hair Jr. et al., 2009, p.108).

Para verificar se a amostra se adequava à aplicação da análise fatorial, foram calculados o teste de esfericidade de Bartlett, que indica se há ou não correlação entre os itens, e o teste Kaiser-Meyer-Olkin (KMO) que mostra o grau dessa correlação.

O Teste de Esfericidade de Bartlett permite testar a hipótese nula de que a matriz de correlação é uma matriz identidade, ou seja, aquela em que cada variável indicadora se correlaciona perfeitamente com ela própria (r=1), porém, sem ter correlação com as demais (r=0). Caso a matriz de correlação fosse uma matriz identidade, não existiria correlação entre os dados. Portanto, um bom resultado é aquele que rejeita a hipótese nula, com resultado abaixo de 0,05, indicando então que há correlações significativas entre pelo menos algumas das variáveis indicadoras (Malhotra, 2001).

Por sua vez, o Teste de KMO indica a proporção da variância dos dados que pode ser considerada comum a todas as variáveis indicadoras utilizadas para mensuração do construto. Quanto mais próximo de 1 for o KMO, maior o grau de correlação entre as variáveis. Os valores obtidos por meio do teste KMO variam entre 0 e 1, sendo que um valor de 0,80 ou acima é considerado ótimo; entre 0,70 e 0,80 é um valor bom; entre 0,50 e 0,70, o valor é considerado medíocre (Hutcheson & Sofroniou, 1999).

Além dos testes de Bartlett e KMO, foram avaliadas também as cargas fatoriais para cada um dos construtos. De acordo com Hair Jr. et al (2009, p. 115), “uma carga fatorial é a correlação da variável e do fator, a carga ao quadrado é a quantia de variância total da variável explicada pelo fator”. Assim, as cargas fatoriais representam a importância de cada uma das variáveis indicadoras para a explicação da variável latente.

De acordo com Hair Jr. et al. (2009), os critérios para avaliar as cargas fatoriais são os seguintes: as cargas fatoriais entre 0,30 e 0,40 são consideradas como atendendo o nível mínimo para interpretação da variável; as cargas de 0,50 ou maiores podem ser consideradas praticamente significantes e as cargas que excederem 0,70 são consideradas como muito boas, pois, esta carga indica que o fator explica 50% ou mais da variância da variável. Portanto, de acordo com esses autores, quanto maior o valor absoluto da carga fatorial, mais importante ela é na interpretação da matriz fatorial.

Em alguns casos, os itens inicialmente utilizados para explicar um construto dividem-se em mais do que um fator. Neste caso, de acordo com Hair Jr. et al. (2009),

deve-se aplicar a rotação fatorial, a qual deixa explícita a separação dos fatores que compõem o construto. Os métodos de rotação podem ser ortogonais ou oblíquos, sendo que os ortogonais produzem fatores que não estão correlacionados entre si, podendo ser interpretados por suas cargas fatoriais.

No presente trabalho, para o construto que gerou mais do que um fator (viés do autocontrole) foi utilizada a rotação fatorial ortogonal. Este tipo de rotação considera que cada fator é independente, ou ortogonal aos outros, ou seja, a correlação entre os fatores é zero. O método utilizado foi o Varimax, o qual busca minimizar o número de variáveis que têm altas cargas em um fator, simplificando a interpretação dos fatores (Fávero, Belfiore, Silva & Chan, 2009).

Também foi calculado o Alpha de Cronbach, medida utilizada para verificar a consistência interna dos itens utilizados. De acordo com Hair Jr. et al. (2009, p. 111), “a idéia de consistência interna é que os itens ou indicadores individuais da escala devem medir o mesmo construto e assim ser altamente inter-correlacionados”. O valor do Alpha de Cronbach pode variar de 0 a 1, no entanto, os valores de 0,60 a 0,70 são considerados os mínimos aceitáveis (Hair Jr. et al.,2009).