Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

Sistema de Informacin Cientfica

Dalson Brito Figueiredo Filho, Jos Alexandre da Silva Jnior Viso alm do alcance: uma introduo anlise fatorial Opinio Pblica, vol. 16, nm. 1, junio, 2010, pp. 160-185, Universidade Estadual de Campinas Brasil
Disponvel em: http://www.redalyc.org/articulo.oa?id=32915842007

Opinio Pblica, ISSN (Verso impressa): 0104-6276 cesop@unicamp.br Universidade Estadual de Campinas Brasil

Como citar este artigo

Fascculo completo

Mais informaes do artigo

Site da revista

www.redalyc.org
Projeto acadmico no lucrativo, desenvolvido pela iniciativa Acesso Aberto

Viso alm do alcance: uma introduo anlise fatorial

Dalson Brito Figueiredo Filho Jos Alexandre da Silva Jnior

Programa de Doutorado em Cincia Poltica Universidade Federal de Pernambuco

Resumo: Como mensurar fenmenos que no podem ser diretamente observados? O principal objetivo desse artigo demonstrar por que a anlise fatorial a resposta mais adequada para responder a essa pergunta. Metodologicamente, utilizamos um banco de dados com diferentes medidas de democracia para ilustrar como a tcnica de anlise fatorial de componentes principais pode ser utilizada para medir as duas dimenses da poliarquia propostas por Robert Dahl (1971): contestao e inclusividade. Em termos substantivos, esperamos facilitar a compreenso dessa tcnica nas Cincias Sociais em geral e na Cincia Poltica em particular. Palavras-chave: anlise fatorial; democracia; poliarquia; mensurao; mtodos quantitativos

Abstract: How do we measure phenomena that cannot be directly observed? The principal aim of this paper is to demonstrate why factor analysis technique is the best answer to this question. Methodologically, we use a database with different indicators of democracy to show how principal component analysis can be employed to measure the two polyarchy dimensions proposed by Robert Dahl (1971): contestation and inclusiveness. On substantive grounds, we hope to facilitate the understanding of factor analysis technique in Social Sciences in general and in Political Science in particular. Keywords: factor analysis; democracy; polyarchy; measurement; quantitative methods

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

What is important to study cannot be measured and what can be measured is not important to study (CONVERSE, 1964) Concepts without percepts are empty (...) percepts without concepts are blind (KANT) Introduo Faz parte da rotina das Cincias Sociais mensurar fenmenos que no podem ser diretamente observados (BLALOCK, 1974; BOLLEN e GRANDJEAN, 1981; FIELD, 2005). Para Blalock, ainda que o desenvolvimento da teoria seja importante em si mesmo, eu acredito que os mais srios e importantes problemas que requerem nossa imediata e forte ateno so aqueles de conceitualizao e mensurao (BLALOCK, 1979: 882). Nesse sentido, um dos principais desafios enfrentados pelos pesquisadores operacionalizar conceitos abstratos em variveis empiricamente observveis (BLALOCK, 1984). De acordo com Zeller e Carmines (1980), a transformao de conceitos em indicadores empricos no um processo simples. Pois o mesmo conceito pode ser operacionalizado de formas diferentes. Suponha que um pesquisador esteja interessado em medir vulnerabilidade social. Uma das possibilidades para tentar capturar esse conceito eleger um proxy. Por exemplo, alguns estudos escolhem uma linha de pobreza especfica como indicador de vulnerabilidade. Operacionalmente, o pesquisador pode escolher o proxy como representativo do seu conceito/varivel de interesse, analisar como ele se relaciona com outras variveis e utiliz-lo como varivel dependente ou independente em estgios mais avanados de seu desenho de pesquisa. Um processo alternativo de mensurao identificar variveis que caminham juntas, ou seja, variveis que apresentam a mesma estrutura subjacente (TABACHINICK e FIDELL, 2007). Tecnicamente, isso pode ser implementado atravs da anlise fatorial. A principal funo das diferentes tcnicas de anlise fatorial reduzir uma grande quantidade de variveis observadas a um nmero reduzido de fatores. Os fatores representam as dimenses latentes (construtos) que resumem ou explicam o conjunto de variveis observadas (HAIR et al, 2005). Ao resumir dados, a anlise fatorial obtm dimenses latentes que descrevem os dados em um nmero menor de conceitos do que as variveis individuais originais (HAIR et al, 2006, p. 91). Para Zeller e Carmines (1980), a anlise fatorial no se refere a uma nica tcnica estatstica, mas a uma variedade de tcnicas relacionadas desenhadas para tornar os dados observados mais facilmente interpretveis. Em resumo, existem ao menos duas formas de mensurar variveis que no so empiricamente observveis: escolher um proxy ou reduzir um 161

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

conjunto de variveis a poucas dimenses atravs de anlise fatorial. Embora mais simples, o primeiro caminho pode ser mais arriscado j que em muitas oportunidades no possvel identificar proxies adequados para representar os conceitos de interesse. Por outro lado, a anlise fatorial oferece uma alternativa que agrega mais informaes, no entanto, tende a exigir do pesquisador um maior grau de sofisticao tcnica. O principal objetivo desse artigo apresentar a lgica da anlise fatorial a partir de uma abordagem intuitiva. No sem razo, uma motivao adicional que orienta este trabalho a tmida utilizao dessa tcnica nas Cincias Sociais brasileira. Acreditamos que esse fenmeno pode ser explicado por dois principais componentes: (1) a resistncia dos cientistas sociais brasileiros aos mtodos quantitativos (SOARES, 2005; WERNECK VIANNA et al 1988; VALLE e SILVA, 1999; SANTOS e COUTINHO, 2000) e (2) o grau de complexidade matemtica envolvido na operacionalizao das diferentes tcnicas de anlise fatorial (DUNTEMAN, 1989). Um entrave adicional utilizao das tcnicas de anlise fatorial que os benefcios associados sua utilizao ainda no so evidentes do ponto de vista conceitual (MOONEY, 1996). Dessa forma, enquanto no ficarem claras as suas potencialidades, improvvel que esse repertrio de tcnicas seja incorporado ao cotidiano dos pesquisadores brasileiros. Portanto, nossa questo de pesquisa : como diferentes variveis podem ser resumidas em um conjunto reduzido de fatores? Metodologicamente, utilizamos um banco de dados com diferentes medidas de democracia para ilustrar como a anlise fatorial de componentes principais pode ser utilizada para mensurar as duas dimenses da poliarquia propostas por Robert Dahl (1971): contestao e inclusividade. Teoricamente, essa anlise foi pioneiramente realizada por Coppedge, Alvarez e Maldonado (2008). Similarmente, Baker e Koesel (2001) utilizam o conceito de poliarquia plus mensurada a partir da anlise fatorial de 20 indicadores de democracia para pases do leste europeu (1992-2000). Aqui nosso foco refere-se mais ao modus operandi da tcnica do que interpretao substantiva dos resultados, nosso interesse apresentar cada passo da anlise fatorial bem como as vantagens conceituais associadas sua utilizao. Para tanto, o artigo est dividido em cinco partes. A primeira seo revisa brevemente parte da literatura sobre a anlise fatorial; a segunda sumariza os principais requisitos que devem ser satisfeitos para utilizar essa tcnica. A terceira parte oferece um exemplo de um desenho de pesquisa utilizando anlise fatorial de componentes principais. Depois disso, descrevemos as principais estatsticas de interesse bem como a sua respectiva interpretao. A quinta seo apresenta as principais concluses do artigo.

162

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

Breve reviso da literatura1 De acordo com BARTHOLOMEW (1984), a anlise fatorial uma tcnica amplamente estatstica, mas seus fundamentos tericos so um tanto obscuros e sujeitos a disputa (BARTHOLOMEW, 1984, p. 221). No entanto, atribui-se aos trabalhos de Charles Spearman e Karl Pearson os primeiros passos da anlise fatorial (ZELLER e CARMINES, 1980). Spearman (1904) testou a hiptese de que diferentes testes de habilidade mental - habilidades em matemtica, verbais, raciocnio lgico, entre outras - poderiam ser explicadas por um fator comum de inteligncia que ele denominou g. De acordo com Kaplunovsky (2009), outra contribuio relevante foi feita por Thurstone (1935) ao desenvolver a idia de multiple factor analysis. Outras contribuies significativas podem ser creditadas a Hotelling ao propor o mtodo de componentes principais que permite o clculo da nica matriz de fatores ortogonais (KAPLUNOVSKY, 2009). Dessa forma, o desenvolvimento das diferentes tcnicas de anlise fatorial pode ser explicado a partir do acmulo de diferentes trabalhos. Mas para que serve a anlise fatorial? De acordo com King (2001) no modelo da anlise fatorial, h muitas variveis observadas cujo objetivo gerar fatores subjacentes no observados (KING, 2001, p. 682). Ou seja, a principal funo das diferentes tcnicas de anlise fatorial reduzir uma grande quantidade de variveis observadas em um nmero menor de fatores. Mas o que so fatores? Hair et al (2005) definem fator como a combinao linear das variveis (estatsticas) originais2. A Figura 1 ilustra a relao entre variveis diretamente observadas e os seus respectivos fatores.

Para os propsitos desse artigo, o grau de complexidade matemtica foi minimizado. Para os leitores interessados em aprofundar seus conhecimentos sugerimos cobrir a bibliografia citada. Para trabalhos clssicos sobre anlise fatorial ver Harman (1967), Rummel (1967; 1970), Cooper (1983) e Bartholomew (1984). Para textos introdutrios ver Kim e Mueller (1978a; 1978b), Zeller e Carmines (1980), Decoster (1998) e Costelo e Orborne (2005). Para uma abordagem mais aprofundada ver Tabachnick e Fidell (2007), Lawley e Maxwell (1973), Isogawa e Okamoto (1980), Yalcin e Amemiya (2001) e Bollen e Arminger (1991). Para anlise fatorial de dados missing ver Mackelprang (1970) e Ligny et al (1981), para anlise fatorial de dados categricos ver Bartholomew (1980) e Vermunt e Magidson (2004). Para aplicaes prticas utilizando o SPSS ver Dancey e Reidy (2004), Pallant (2007) e Ho (2006). Para uma introduo em portugus ver Hair et al (2005). Para diferentes aplicaes ver Grumm (1963), Roberts (1987), Dunn, Schneck e Lawson (1973), Haydyk et al (1995), Bonjean e Browning (1969) e Slatin (1974). 2 Para Bartholomew (1984) h s vezes debate sobre se essas variveis latentes so reais em qualquer sentido, mas elas podem ser vistas simplesmente como construtos desenhados para simplificar e resumir a complexa rede de variveis interrelacionadas com que a natureza nos confronta (BARTHOLOMEW, 1984, p. 221).

163

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

Figura 1 Modelo das vias para duas variveis, modelo de um fator comum

X1
b1 F b2

d1

U1

X2

d2

U2

Fonte: Asher, 1983

Na figura acima, X1 e X2 so variveis observadas: X1 causado por F e por U1. da mesma forma, X2 causado por F e por U2. Na medida em que F comum a X1 e X2 ele considerado um fator comum. Contrariamente, tanto U1 quanto U2 so considerados fatores nicos j que so restritos a X1 e X2, respectivamente (ASHER, 1983). De acordo com Kim e Mueller (1978), a anlise fatorial se baseia no pressuposto fundamental de que alguns fatores subjacentes, que so em menor nmero que as variveis observadas, so responsveis pela covariao entre as variveis (KIM e MUELLER, 1978, p. 12). Nesse exemplo F, U1 e U2 so considerados fatores (no podem ser diretamente observados) enquanto que X1 e X2 so as variveis que o pesquisador pode observar diretamente. nesse sentido que a anlise fatorial supe que as variveis observadas (medidas) so combinaes lineares de algumas variveis-fonte subjacentes (fatores). Isto , ela supe a existncia de um sistema de fatores subjacentes e um sistema de variveis observadas (KIM e MUELLER, 1978, p. 7-8)3. Dito isso, importante atentar para o fato de a literatura diferenciar duas principais modalidades de anlise fatorial: exploratria e confirmatria (TABACHINICK e FIDELL, 2007). A anlise fatorial exploratria (AFE) geralmente utilizada nos estgios mais embrionrios da pesquisa, no sentido de literalmente
King (2001) adverte que um erro comum consiste em ver as variveis observadas como causas do fator. Isso incorreto. O modelo correto tem variveis dependentes observveis como funes dos fatores subjacentes e no (KING, 2001, p. 682). Ou seja, por mais intuitivo que seja acreditar que as variveis observadas causam o fator, a interpretao correta justamente o posto: o fator um construto (dimenso) comum entre as variveis. Para a diferena na interpretao entre fatores e componentes ver Tabachinick e Fidell (2007).
3

164

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

explorar os dados. Nessa fase, procura-se explorar a relao entre um conjunto de variveis, identificando padres de correlao. Alm disso, a AFE pode ser utilizada para criar variveis independentes ou dependentes que podem ser utilizadas posteriormente em modelos de regresso. Por sua vez, a anlise fatorial confirmatria (AFC) utilizada para testar hipteses. Nesse caso, o pesquisador guiado por alguma teoria testa em que medida determinadas variveis so representativas de um conceito/dimenso4. Para os nossos propsitos, utilizaremos anlise fatorial confirmatria (AFC) para demonstrar como diferentes indicadores de democracia podem ser sumarizados para representar as duas dimenses da poliarquia propostas por Dahl (1971): contestao e inclusividade. O planejamento de uma anlise fatorial Para iniciar o lado mais operacional da misso deste artigo necessrio observar que requisitos precisam ser satisfeitos para a utilizao da anlise fatorial (TABACHINICK e FIDELL, 2007). O objetivo dessa seo sumarizar essas informaes. A Tabela 1 sintetiza o planejamento de uma anlise fatorial em trs estgios.

Tabela 1 Planejamento da anlise fatorial em trs estgios

Procedimento Verificar a adequabilidade da base de dados O que deve ser observado Nvel de mensurao das variveis, tamanho da amostra, razo entre o nmero de casos e a quantidade de variveis e o padro de correlao entre as variveis. O tipo de extrao (principal components, principal Determinar a tcnica de extrao e o nmero de fatores a serem extrados factors, image factoring; maximum likelihood factoring; alpha factoring; unweighted least squares; generalized least squares). Decidir o tipo de rotao dos fatores Se for ortogonal (Varimax, Quartimax, Equamax), se for oblqua (direct oblimin, Promax).

Uma utilizao adicional da anlise fatorial em modelos de equaes estruturais (Structural Equation Modeling). Para um introduo ver Kline (2004) e Hair et al (2006). Para aplicaes mais avanadas ver Bollen (1989, 1993, 2006). Para softwares ver Lisrel e AMOS. Para dois tutoriais na internet ver <http://davidakenny.net/cm/causalm.htm e http://www2.gsu.edu/~mkteer/semfaq.html>

165

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

Caso este artigo fosse meramente terico, nesta seo seriamos obrigados apenas a informar que: 1) todas as variveis trabalhadas so contnuas; 2) o mtodo de extrao dos fatores por componentes principais e 3) a rotao deles feita pelo mtodo ortogonal de Varimax. Mas, o que cada uma dessas escolhas implica, e que supostos esto por traz de cada uma delas? Como em outras tcnicas, o ponto de partida verificar a adequabilidade da base de dados. Em relao ao nvel de mensurao, a literatura mais conservadora recomenda apenas a utilizao de variveis contnuas ou discretas. Hair et al (2006) aconselham evitar a incluso de variveis categricas, e caso seja necessrio, recomenda-se a incluso de variveis dummies. De toda forma, importante que os procedimentos sejam devidamente reportados e as estatsticas sejam adequadamente registradas para que os leitores possam analisar criticamente o nvel de confiabilidade dos resultados encontrados. J King (2001) adverte que determinadas variveis como sexo e cor nunca devem ser includas em um modelo de anlise fatorial j que improvvel que algum fator influencie a sua variao. Dessa forma, alm dos critrios tcnicos necessrio considerar teoricamente como os fatores se relacionam com as variveis observadas5. Em relao ao nmero de casos, quanto maior, melhor. Hair et al (2006) sugerem que a amostra deve ser superior a 50 observaes, sendo aconselhvel no mnimo 100 casos para assegurar resultados mais robustos (HAIR et al, 2006). A razo entre o nmero de casos e a quantidade de variveis deve exceder cinco para um ou mais (HAIR et al, 2006). No que concerne ao padro de correlao entre as variveis, a matriz de correlaes deve exibir a maior parte dos coeficientes com valor acima de 0,30. O teste de Kaiser-Meyer-Olklin (KMO) varia entre 0 e 1. Quanto mais perto de 1, tanto melhor. Palant (2007) sugere 0,6 como um limite razovel. Friel (2009) sugere a seguinte escala para interpretar o valor da estatstica KMO: entre 0,90 e 1 excelente; entre 0,80 e 0,89 bom; entre 0,70 e 0,79 mediano; entre 0,60 e 0,69 medocre; entre 0,50 e 0,59 ruim e entre 0 e 0,49 inadequado. J Hair et al (2006) sugerem 0,50 como patamar aceitvel. Por fim, a estatstica Bartelett Test of Spherecity (BTS) deve ser estatisticamente significante (p<0,05). A Tabela 2 a seguir sintetiza essas informaes.

Existem tcnicas de estimao que permitem trabalhar com diferentes nveis de mensurao (KRITZER, 1978a; 1978b). Por exemplo, Vermunt e Magidison (2004) desenvolveram uma tcnica chamada LCFA (Latent Class Factor Analysis) que permite trabalhar com variveis categricas e ordinais. Outra tcnica a BFA (Binary Factor Analysis) tambm conhecida como Anlise Fatorial Booeliana (KREPT, 2004). O SPSS tem uma funo denominada CATPCA - Categorical Principal Component Analysis que permite trabalhar com variveis categricas. O pesquisador deve escolher as opes Analyze, Data reduction, Optimal Scaling.

166

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

Tabela 2 Sntese do primeiro estgio do planejamento da AF

Nvel de mensurao Amostras mnimas entre 50 e 100 casos; razo entre o nmero Amostra de observaes e a quantidade de variveis igual ou superior a cinco. Correlao KMO BTS Maior parte dos coeficientes de correlao deve apresentar valores acima de 0,30. Quanto maior melhor, tendo 0,50 como o patamar mnimo de adequabilidade (Hair et al 2006) p<0,05 Variveis contnuas e discretas

Depois de verificar a adequabilidade da base de dados, o pesquisador deve seguir para o segundo estgio: determinar a tcnica de extrao dos fatores (componentes principais, fatores principais, fatorao por imagem; fatorao por verossimilhana mxima; fatorao alfa; mnimos quadrados no ponderados; mnimos quadrados)6. Aqui vale destacar a diferena entre anlise de componentes principais (ACP) versus anlise fatorial (AF). Ambas as tcnicas procuram produzir combinaes lineares de variveis que capturem o mximo possvel a varincia das variveis observadas. Na ACP toda a varincia utilizada. Na AF apenas a varincia compartilhada (DANCEY e REIDY, 2004). Tabachnick e Fidell argumentam que: se voc estiver interessado numa soluo terica no contaminada por variabilidade de erro, a anlise fatorial deve ser sua escolha. Se voc quiser simplesmente um resumo emprico do conjunto de dados, a anlise de componentes principais uma escolha melhor (TABACHINICK e FIDELL, 2007, p. 608). Para Garson (2009), a anlise de componentes principais em geral preferida para fins de reduo de dados (traduzindo o espao das variveis num espao timo de fatores), enquanto a anlise fatorial em geral preferida quando o objetivo da pesquisa detectar a estrutura dos dados ou a modelagem causal. De acordo com Hair et al (2006), na maioria dos casos tanto a ACP, quanto a AF, chegam aos mesmos resultados se o nmero de variveis superar 30 ou se as comunalidades excederem 0,60 para a maior parte das variveis. Este artigo utilizar o mtodo de componentes principais por ser o mais utilizado (PALLANT, 2007). Depois de decidir o mtodo de extrao, o pesquisador deve determinar o nmero de fatores que sero extrados. O objetivo da extrao dos fatores (factor
6 Todas essas formas de rotao esto disponveis na seo Extraction do pacote estatstico SPSS, verso 16.0. Para a diferena entre as diferentes tcnicas de extrao de fatores ver Tabachinick e Fidell (2007).

167

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

extraction) determinar a quantidade de fatores que melhor representa o padro de correlao entre as variveis observadas. Aqui o pesquisador enfrenta um trade off entre parcimnia e explicao. Quanto mais fatores forem extrados, menor o grau de parcimnia, no entanto, maior a quantidade total de varincia pelos fatores. Por outro lado, quanto menos fatores forem extrados, maior o grau de parcimnia, todavia, menor ser a quantidade total de varincia carregada pelos fatores. Dessa forma, a soluo tima identificar o nmero mnimo de fatores que maximiza a quantidade de varincia total explicada. Apesar de no existir um critrio consensual para definir quantos fatores devem ser extrados, a literatura aponta alguns mtodos que podem auxiliar o pesquisador na hora de tomar essa deciso. Por exemplo, a regra do eigenvalue7 (critrio de Kaiser) sugere que devem ser extrados apenas os fatores com valor de eigenvalue acima de um. Isso porque se o fator apresenta baixo eigenvalue, ele est contribuindo pouco para explicar a varincia nas variveis originais. Para Tabachinick e Fidell (2007), esse mtodo funciona melhor quando o pesquisador utiliza entre 20 e 50 variveis. Um mtodo auxiliar o Scree test (Catell 1966; 1978). Para tanto, o pesquisador deve analisar graficamente a disperso do nmero de fatores at que a curva da varincia individual de cada fator se torne horizontal ou sofra uma queda abrupta. Em ambas as situaes, isso indica que muita varincia foi perdida e, por isso, deve-se parar de extrair fatores8. Adicionalmente, o pesquisador pode utilizar o critrio da varincia acumulada para determinar a quantidade de fatores que devem ser extrados. Hair et al (2006) sugerem o patamar de 60% como sendo aceitvel. Dessa forma, a extrao dos fatores deve continuar at que o referido patamar seja alcanado. Por fim, no caso da anlise fatorial confirmatria, alm dos critrios estatsticos tambm importante apresentar razes tericas para justificar a extrao dos fatores. Nesse sentido, o pesquisador deve justificar em termos conceituais qual o padro de relao esperado entre as variveis observadas e os fatores.

7 Para Garson (2009), o eigenvalue de um dado fator mede a varincia em todas as variveis que devida ao fator. A razo de eigenvalues a razo da importncia explicativa dos fatores em relao s variveis. Se um fator tem um eigenvalue baixo ele contribui pouco para a explicao das varincias nas variveis e pode ser ignorado como redundante em relao a fatores mais importantes. 8 Horn Parallel Analysis (1965) outro mtodo de extrao. Ele consiste em comparar os valores dos eingenvalues da amostra piloto com os valores gerados a partir de uma amostra aleatria do mesmo tamanho. Apenas so retidos os eigenvalues com valor superior aos gerados na amostra aleatria.

168

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

Tabela 3 Sntese do segundo estgio do planejamento da AF

Determinar a tcnica de extrao dos fatores (principal components, principal factors, image factoring; maximum likelihood factoring; alpha factoring; unweight least square; generalized least square) Devem ser extrados apenas os fatores com valor do eigenvalue acima de 1 Analisar graficamente a disperso do nmero de fatores at que curva da varincia individual de cada fator se tornar horizontal ou sofrer uma queda abrupta > 60% O pesquisador deve justificar teoricamente como as variveis se relacionam com os fatores extrados.

Tipo de extrao

Regra de Kaiser Scree test Varincia acumulada Razo terica

Depois de verificar a adequabilidade da base de dados e determinar a tcnica de extrao e o nmero dos fatores, o pesquisador deve seguir para o terceiro estgio: decidir o tipo de rotao dos fatores. De acordo com Schawb, o mtodo de rotao se refere ao mtodo matemtico que rotaciona os eixos no espao geomtrico. Isso torna mais fcil determinar quais variveis so carregadas em quais componentes (SCHAWB, 2007). Ou seja, o principal objetivo da rotao dos fatores tornar o resultado emprico encontrado mais facilmente interpretvel, conservando as suas propriedades estatsticas9. De acordo com Tabachinick e Fidell (2007), existem dois principais tipos de rotao: ortogonal e oblqua. Por um lado, as rotaes ortogonais so mais fceis de reportar e de interpretar. No entanto, o pesquisador deve assumir que os construtos so independentes (na prtica esse pressuposto mais difcil de ser respeitado). Por outro lado, as rotaes oblquas permitem que os fatores sejam correlacionados. Todavia, so mais difceis de descrever e interpretar. Em geral, as duas formas de rotao produzem resultados bastante semelhantes, principalmente quando o padro de correlao entre as variveis utilizadas claro (PALLANT, 2007; HAIR et al, 2006). De acordo com Pallant (2007), o tipo de rotao ortogonal Varimax o mais comumente utilizado (esse mtodo procura minimizar o nmero de variveis que apresentam altas cargas em cada fator). Por esse motivo, esse artigo utilizar esse tipo de rotao de fatores10.

Para a diferena entre os diferentes tipos de rotao ver os Anexos do artigo e Tabachinick e Fidell (2007). 10 Para a diferena detalhada das diferentes formas de rotao ver Tabachinick e Fidell (2007).

169

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

Exemplo de desenho de pesquisa: Dahl e a democracia Dahl argumenta que uma caracterstica chave da democracia a contnua responsividade do governo s preferncias dos cidados, considerados como politicamente iguais (DAHL, 1971, p.25). Isso significa que os cidados devem ter oportunidade de: formular suas preferncias; apresentar essas preferncias a outros cidados e ao governo atravs da ao individual ou coletiva; ter essas preferncias igualmente respeitadas na conduo do governo, ou seja, sem discriminao pelo tipo ou fonte da preferncia (DAHL, 1971, p. 02). Essas so as condies bsicas para considerar um regime democrtico. No entanto, para garantir que essas condies sejam efetivamente implementadas, o autor argumenta que necessrio assegurar oito garantias institucionais. A Tabela 4 sumariza essas informaes. Tabela 4 Alguns requisitos de uma democracia para um grande nmero de pessoas
So 1. 2. I. Formular preferncias II. Exprimir preferncias III. Ter preferncias igualmente consideradas na conduta do governo. 6. 7. 8. 3. 4. 5. necessrias Liberdade as de seguintes formar e garantias aderir a

institucionais: organizaes; Liberdade de expresso; Direito de voto; Elegibilidade para cargos pblicos; Direito de lderes polticos disputarem apoio; Fontes alternativas de informao; Eleies livres e idneas; Instituies para fazer com que as polticas governamentais dependam de eleies e de outras manifestaes de preferncia.
Fonte: reproduzido pelos autores a partir de Dahl (1971)

As oito garantias mencionadas permitem que os regimes sejam classificados em uma escala do menos ao mais democrtico. Alm disso, essas garantias podem ser reduzidas a duas dimenses: liberalizao e inclusividade. Pelo primeiro, Dahl entende o reconhecimento do direito de contestao. A inclusividade diz respeito ampliao do nmero de pessoas formalmente incorporadas ao processo poltico. Nesse sentido, quanto mais desenvolvidas forem essas duas dimenses, maior o grau de democratizao de um determinado 170

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

regime. nesse sentido que o conceito de poliarquia proposto por Dahl (1971) constitui uma das mais influentes tentativas de traduzir um conceito em um indicador emprico. De acordo com Coppedge, Alvarez e Maldonado (2008) cerca de trs quartos do que a Polity, a Freedom House e outros indicadores tm medido consiste em variaes das duas dimenses da democracia que Robert Dahl props em Poliarquia contestao e inclusividade (COPPEDGE, ALVAREZ e MALDONADO, 2008, p. 01). A Figura 2 ilustra essa lgica, onde V1 at V10 so variveis observadas em diferentes bancos de dados sobre democracia11.

Figura 2 Dimenses de Dahl (1971) e variveis observadas

V1 V2 Contestao (Z1) V3 V4 V5 Democracia V6 V7 Inclusividade (Z2) V8 V9 V10

Nosso desenho de pesquisa replica o teste de hiptese efetuado por Coppedge, Alvarez e Maldonado (2008) 12. A prxima seo apresenta as principais estatsticas de interesse e as suas respectivas interpretaes.
11 Para uma anlise das vantagens e desvantagens dos diferentes bancos de dados sobre democracia ver Verkuilen (2009). 12 King (1995) argumenta que o mtodo mais comum e cientificamente produtivo de construir a partir de pesquisa replicar uma descoberta existente seguir exatamente o caminho tomado por um

171

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

Os resultados Antes de proceder anlise dos dados, importante apresentar algumas informaes sobre a amostra. O banco de dados utilizado tem 12.078 entradas, contemplando o perodo entre 1946 e 2006. A unidade de anlise so os pases ao longo do tempo. Como nosso propsito replicar os passos percorridos por Coppedge, Alvarez e Maldonado (2008), analisamos os dados de forma transversal durante o ano de 1985. importante conferir a estatstica descritiva das variveis (observar possveis outliers, erros de digitao, etc). Como pode ser observado, a amostra apresenta 127 casos, sugerindo que o critrio mnimo de observaes foi respeitado. O mesmo pode ser dito a respeito da proporo do nmero de casos por varivel, 127 casos/10 variveis, valor acima do mnimo recomendado. A Tabela 5 apresenta a matriz de correlao. Tabela 5 Estatstica descritiva
Desvio padro 2,03 2,25 24,82 2,35 1,11 39,79 3,03 0,67 23,77 1,52

Varivel V1 (Liberdades Civis) V2 (Direitos Polticos) V3 (Competio) V4 (Limites ao Executivo) V5 (Competitividade do Recrutamento do Executivo) V6 (Sufrgio adulto) V7 (Seleo Legislativa) V8 (Direitos Polticos das Mulheres) V9 (Participao) V10 (Abertura do Recrutamento do Executivo)

Mdia 4,45 4,30 22,01 3,60 2,45 77,37 8,86 1,61 29,16 3,20

N 127 127 127 127 127 127 127 127 127 127

Fonte Freedom House Freedom House Vanhanen (2007) Polity Polity Bollen et al Banks CIRI Vanhanen (2007) Polity

A maior parte das correlaes supera 0,30 (Tabela 6). Logo, seguindo a recomendao de Hair et al (2006) os dados so adequados a utilizao da anlise fatorial (as correlaes com valores abaixo de 0,30 esto sombreadas). O
pesquisador anterior e ento melhorar os dados ou metodologia, de uma maneira ou de outra (KING, 1995, p. 445).

172

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

pesquisador deve atentar para o padro de correlao entre as suas variveis de interesse. Caso uma varivel seja estatisticamente independente das demais, o pesquisador pode cogitar exclu-la da anlise. Por exemplo, observa-se que a varivel V8 (Direitos Polticos das Mulheres) apresenta cinco correlaes abaixo do patamar mnimo exigido. Em uma perspectiva mais conservadora, o pesquisador poderia exclu-la e estimar novamente a anlise fatorial. Isso porque como a anlise fatorial depende do padro de correlao entre as variveis observadas, espera-se que variveis estatisticamente independentes no contribuam para a construo de um fator comum. Portanto, o teste final para a incluso ou excluso da varivel ser o nvel de associao entre a varivel e o fator extrado, sinalizado pelo valor da comunalidade. O prximo passo verificar os testes de adequao da amostra. A tabela abaixo sintetiza essas informaes.

Tabela 6 - Matriz de correlaes

V1 V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 1,000 ,932 -,866 -,844 -,811 -,353 -,251 -,185 -,491 -,338 1,000 -,891 -,881 -,883 -,398 -,345 -,180 -,477 -,422 1,000 ,863 ,844 ,397 ,336 ,205 ,545 ,399 1,000 ,917 ,373 ,347 ,242 ,512 ,524 1,000 ,409 ,382 ,228 ,495 ,645 1,000 ,676 ,496 ,629 ,440 1,000 ,422 ,460 ,480 1,000 ,420 ,312 1,000 ,414 1,000 V2 V3 V4 V5 V6 V7 V8 V9 V10

Tabela 7 - Testes de adequao da amostra

Teste KMO BTS gl sig Valor observado 0,868 1254,06 45 0,000

173

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

O valor do KMO da amostra de 0,868, ou seja, superior ao patamar crtico de 0,60. Da mesma forma, o teste BTS estatisticamente significante (p<0,000). Em ambos os casos, os testes sugerem que os dados so adequados anlise fatorial. O passo seguinte determinar o nmero de fatores que sero extrados, a partir da Tabela 8. Tabela 8 - Eigenvalues e varincia acumulada
Initial eigenvalues Componente 1 2 3 4 5 6 7 8 9 10 Total 5,791 1,789 0,700 0,581 0,478 0,278 0,140 0,120 0,071 0,053 % varincia 57,906 17,885 6,996 5,810 4,776 2,778 1,404 1,204 ,713 ,527 % acumulado 57,906 75,791 82,788 88,598 93,374 96,152 97,556 98,760 99,473 100,000 Extraction sums of squares loadings Total 5,791 1,789 % varincia 57,906 17,885 % acumulado 57,906 75,791

O critrio de Kaiser sugere que deve-se extrair dois fatores: o primeiro apresenta um eigenvalue de 5,791, carregando cerca de 58% da varincia. O segundo fator apresenta eigenvalue de 1,789, carregando cerca de 18% da varincia. Em conjunto, esses dois fatores explicam 75,79% da varincia das variveis originais. O grfico 1 ilustra a disperso dos componentes no Scree test.

174

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

Grfico 1 Scree test

Scree Plot

Eigenvalue

Component Number

A linha pontilhada ilustra o critrio de Kaiser (eigenvalue >1). Ao utilizar o critrio do scree test o pesquisador poderia ser levado a extrair mais fatores. Por exemplo, a extrao de um terceiro fator apresentaria um ganho de 7% de varincia. Tanto Hair et al (2006) quanto Schawb (2007) sugerem que a extrao deve continuar at o pesquisador captar, pelo menos, 60% da varincia. Por adotarmos uma perspectiva confirmatria, o critrio da varincia acumulada no deve ser utilizado com tanta rigidez j que definimos a priori o nmero de fatores que seriam extrados. A Tabela 9 apresenta as comunalidades associadas a cada varivel.

175

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

Tabela 9 Comunalidades
Varivel V1 (Liberdades Civis) V2 (Direitos Polticos) V3 (Competio) V4 (Limitaes ao Executivo) V5 (Competitividade do Recrutamento Executivo) V6 (Sufrgio Adulto) V7 (Seleo Legislativa) V8 (Direitos Polticos das Mulheres) V9 (Participao) V10 (Abertura do Recrutamento do Executivo) Initial 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 Extraction 0,880 0,929 0,881 0,902 0,897 0,757 0,675 0,546 0,598 0,473

De acordo com Schawb (2007), as comunalidades representam a proporo da varincia para cada varivel includa na anlise que explicada pelos componentes extrados. Por exemplo, os dois fatores extrados explicam 88,0% da varincia da V1 (Liberdades Civis). Usualmente o valor mnimo aceitvel de 0,50. Logo, caso o pesquisador encontre alguma comunalidade abaixo desse patamar a varivel deve ser excluda e a anlise fatorial deve ser realizada novamente13. Alm disso, baixa comunalidade entre um grupo de variveis um indcio de que elas no esto linearmente correlacionadas e, por isso, no devem ser includas na anlise fatorial. No caso acima, a varivel V10 (Abertura do Recrutamento Executivo) apresenta comunalidade ligeiramente abaixo do valor crtico. Em uma perspectiva mais conservadora, seria aconselhvel exclu-la da anlise e realizar novamente a anlise fatorial. Para os nossos propsitos, vamos conserv-la. Depois de eliminar as variveis problemticas (associadas ao baixo grau de comunalidade), o pesquisador deve analisar as cargas fatoriais de cada varivel em relao aos componentes extrados. A Tabela 10 sintetiza essas informaes.

13 Um procedimento adicional que o pesquisador pode adotar analisar a matriz anti-imagem e verificar na diagonal os valores abaixo de 0,50. Escores abaixo desse patamar devem ser removidos da amostra e a anlise fatorial deve ser realizada novamente (SCHAWB, 2007).

176

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

Tabela 10 Matriz no-rotacionada

Componente Varivel V1 (Liberdades Civis) V2 (Direitos Polticos) V3 (Competio) V4 (Limitaes ao Executivo) V5 (Competitividade do Recrutamento Executivo) V6 (Sufrgio Adulto) V7 (Seleo Legislativa) V8 (Direitos Polticos das Mulheres) V9 (Participao) V10 (Abertura do Recrutamento do Executivo) 1 -0,859 -0,902 0,890 0,908 0,918 0,633 0,567 0,413 0,699 0,638 2 0,376 0,339 -0,299 -0,280 -0,234 0,597 0,594 0,613 0,331 0,257

Na matriz no-rotacionada, o pesquisador deve: (1) observar as cargas fatoriais de cada varivel e (2) identificar as variveis que apresentam elevadas cargas fatoriais em ambos os componentes, no caso, valores acima de 0,40. Tanto Hair et al (2006) quanto Schawb (2007) sugerem que um dos pressupostos da anlise fatorial a estrutura simples de seus componentes. O argumento defende que a mesma varivel no pode contribuir para a construo de fatores distintos. Adota-se 0,40 como limite aceitvel da contribuio da varivel na criao do fator com o objetivo de evitar o problema da indeterminao da relao entre variveis e fatores. Em uma perspectiva exploratria, critrios puramente tcnicos podem ajudar o pesquisador a tomar essa deciso. Em uma perspectiva confirmatria, no entanto, prudente o pesquisador utilizar elementos tericos para justificar a incluso e a excluso de variveis em sua anlise. O passo seguinte rotacionar as variveis em relao aos componentes extrados. Com o objetivo facilitar a visualizao da relao entre as variveis observadas e os componentes extrados. A Tabela 11 apresenta os valores de cada componente aps a rotao.

177

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

Tabela 11 Matriz rotacionada (VARIMAX) (V1 at V10)

Componente Varivel V1 (Liberdades Civis) V2 (Direitos Polticos) V3 (Competio) V4 (Limitaes ao Executivo) V5 (Competitividade do Recrutamento Executivo) V6 (Sufrgio Adulto) V7 (Seleo Legislativa) V8 (Direitos Polticos das Mulheres) V9 (Participao) V10 (Abertura do Recrutamento do Executivo) 1 -0,927 -0,944 0,912 0,917 0,901 0,216 0,162 0,021 0,414 0,402 2 -0,141 -0,195 0,223 0,248 0,293 0,843 0,806 0,739 0,653 0,558

No caso acima, duas variveis violam ligeiramente esse pressuposto: V9 (Participao) e V10 (Abertura do Recrutamento Executivo). Elas devem ser excludas e a anlise fatorial deve ser realizada novamente. A Tabela 12 ilustra esses dados14.

14

As estatsticas de interesse referentes ao modelo 2 esto em anexo.

178

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

Tabela 12 Matriz rotacionada (VARIMAX) (V1 at V8)

Componente Varivel V1 (Liberdades Civis) V2 (Direitos Polticos) V3 (Competio) V4 (Limitaes ao Executivo) V5 (Competitividade do Recrutamento Executivo) V6 (Sufrgio Adulto) V7 (Seleo Legislativa) V8 (Direitos Polticos das Mulheres) 1 -0,934 -0,953 0,922 0,927 0,911 ,257 ,200 ,056 2 -,120 -,176 ,191 ,203 ,232 0,840 0,824 0,770

Seguindo a Tabela 12, nenhuma varivel apresenta estrutura complexa, ou seja, cargas fatoriais acima de 0,40 em ambos os componentes; e que houve um incremento generalizado no valor das cargas fatoriais associadas aos componentes extrados. Alm disso, ao se comparar os resultados encontrados utilizando todas as variveis e os resultados obtidos utilizando as oito variveis, chega-se concluso de que a segunda soluo alm de ser mais parcimoniosa, apresenta fatores que carregam maior quantidade de varincia acumulada: 75,79% no primeiro modelo versus 82,30% no segundo modelo. Em termos substantivos, o primeiro fator est relacionado s variveis V1, V2, V3, V4 e V5, representando a dimenso da contestao. O segundo fator est associado s variveis V6, V7 e V8, ilustrando a dimenso da incluso. O Grfico 2 ilustra a distribuio dos pases a partir da interao entre essas duas dimenses.

179

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

Grfico 2 Contestao e Inclusividade

Contestao (Fator 1)

Inclusividade (Fator 2)

Os valores so padronizados de tal forma que a mdia zero e a distncia entre os escores medida em termos de desvio padro. No quadrante inferioresquerdo, tanto a contestao (fator 1) quanto a inclusividade (fator 2) esto abaixo da mdia, sugerindo que esses regimes se aproximam do que Dahl (1971) denominou de hegemonia fechada. No quadrante inferior-direito, a incluso est acima da mdia, mas a contestao fracamente desenvolvida o que caracteriza os regimes como hegemonias inclusivas. No quadrante superior-esquerdo esto os pases com grau de contestao acima da mdia, mas que apresentam menor nvel de inclusividade, casos que Dahl (1971) define como oligarquias competitivas. Finalmente, o quadrante superior-direito apresenta os pases com ambas as dimenses, inclusividade e contestao, acima da mdia, ou seja, regimes polirquicos. Concluso Como mensurar fenmenos que no podem ser diretamente observados? Essa foi a questo de pesquisa que orientou nossos esforos. Partindo do pressuposto de que a operacionalizao de conceitos em variveis empiricamente observveis um procedimento central para viabilizar a produo do conhecimento, 180

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

esse artigo apresentou a lgica da anlise fatorial a partir de uma abordagem intuitiva. Isso porque grande parte da literatura apresenta um grau proibitivo de complexidade, o que dificulta a compreenso. Em termos substantivos, acreditamos que problemas de mensurao constituem um dos principais obstculos ao desenvolvimento do conhecimento. De forma direta, acreditamos que variveis mal medidas comprometem a validade das inferncias. Quanto mais erros em nossas medidas, tanto piores sero nossas concluses a respeito dos fenmenos de interesse. Acreditamos fortemente que a credibilidade dos mtodos empregados um critrio central para avaliar os resultados de pesquisa (COLLIER, SEAWRIGHT e MUNCK, 2004, p.23), pois exatamente a utilizao rigorosa do mtodo que distingue o conhecimento sistemtico de outras formas de conhecimento. Esperamos contribuir para a difuso da anlise fatorial como tcnica de mensurao nas Cincias Sociais em geral e na Cincia Poltica em particular. Afinal, medidas confiveis e vlidas constituem um elemento fundamental na construo do conhecimento cientfico.

Referncias Bibliogrficas ASHER, H. B. Causal Modeling. Beverly Hills, CA: Sage, 1983. BAKER, E. K. Polyarchy Plus: Measuring the Quality of Democracy within Thirteen Eastern European Countries. Trabalho apresentado na American Political Science Association, So Francisco, CA, 30 de Agosto - 2 de setembro, 2001. BARTHOLOMEW,D.J. The foundations of factor analysis, Biometrika, 71, 221-232, 1984. BLALOCK, H. M. Measurement in the social sciences: Theories and strategies. Chicago, Illinois: Aldine Publishing Company, 1974. ______. Basic Dilemmas in the Social Sciences. Beverly Hills, CA: Sage, 1984. BOLLEN , K. A.; ARMINGER, G. Observational Residuals in Factor Analysis and Structural Equation Models. Sociological Methodology, 21, 235-262, 1991. BOLLEN, K. A. Structural Equations with Latent Variables. Wiley Series in Probability and Mathematical Statistics. Nova York: Wiley, 1989. BOLLEN, K.A.; CURRAN, P. J. Latent Curve Models: A Structural Equation Perspective. Wiley Series in Probability and Mathematical Statistics. Nova York: Wiley, 2006. 181

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

BOLLEN, K.A.; LONG, J.S. Testing Structural Equation Models. Newbury Park, CA: Sage, 1993. BOLLEN, K. A.; GRANDJEAN, B. D. The Dimension(s) of Democracy: Further Issues in the Measurement and Effects of Political Democracy. American Sociological Review, 46, 5, 651-59, 1981. BONJEAN, C. M.; BROWNING, H. L. Toward Comparative Community Research: A Factor Analysis of United States Counties. The Sociological Quarterly, 10, 2, 157-176, 1969. ______. The Scree Test for the Number of Factors. Multivariate Behavioral Research, 1(2), 245-276, 1966. CATTELL, R. B. The Scientific Use of Factor Analysis in Behavioral and Life Sciences. Nova York: Plenum, 1978. COLLIER, D; SEAWRIGHT; J, MUNCK; GERARDO, L. Sources of Leverage in Causal Inference: Toward an Alternative View of Methodology. In: BRADYM, H. e COLLIER, D. (orgs), Rethinking Social Inquiry: Diverse Tools, Shared Standards. Lanham, MD: Rowman and Littlefield, 2004. COOPER, J. C.B. Factor Analysis: An Overview. The American Statistician, 37, 2, 141147, 1983. COPPEDGE, M. Two Persistent Dimensions of Democracy: Contestation and Inclusiveness. Journal of Politics, 70, 3, 1-45, 2008. COSTELLO, A. B; OSBORNE, J. W. Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment Research & Evaluation, 10, 7, 13-24, 2005. DAHL, R. Poliarquia: Participao e Oposio. So Paulo: Edusp, 1971. DANCEY, C; REIDY, J. Estatstica Sem Matemtica para Psicologia: Usando SPSS para Windows. Porto Alegre: Artmed, 2006. DECOSTER, J. Overview of Factor Analysis. [Online] Disponvel em: <http://www.stathelp.com/notes.html> Acesso em: [22 jan. 2010]. DUNN, M. J.; SCHNECK, R.; LAWSON, J. A Test of the Uni-Dimensionality of Various Political Scales through Factor Analysis: A Research Note. Canadian Journal of Political Science / Revue Canadienne de Science Politique, 6, 4, 664-669, 1973. DUNTEMAN, G. H. Principal Components Analysis. Newbury Park: Sage, 1989.

182

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

FIELD, A. Discovering Statistics Using SPSS. Londres: Sage, 2005. GARSON, G. D. Statnotes: Topics in Multivariate Analysis. [Online] Disponvel em? <http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm> Acesso em: [22 jan. 2010]. GRUMM, J. G. A Factor Analysis of Legislative Behavior. Midwest Journal of Political Science, 7, 4, 336-356, 1963. HAIR, Jr; BLACK, W. C; BABIN, B. J; ANDERSON, R. E e TATHAM, R. L. Multivariate Data Analysis. 6 edio. Upper Saddle River, NJ: Pearson Prentice Hall, 2006. HARMAN, H.H. Modern Factor Analysis. 2 edio. Chicago: University of Chicago Press, 1967. HO, R. Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS. North Carolina: Chapman and Hall, 2006. ISOGAWA, Y; OKAMOTO, M. Linear Prediction in the Factor Analysis Model. Biometrika, 67, 2, 482-484, 1980. KAPLUNOVSKY, A.S. Why using factor analysis? (dedicated to the centenary of factor analysis). [Online] Disponvel em: <http://www.magniel.com/fa/kaplunovsky.pdf> Acesso em: [22 jan. 2010]. KIM, J; MUELLER, C. W. Factor analysis: Statistical methods and practical issues. Beverly Hills, CA: Sage, 1978a. ______. Introduction to factor analysis - what it is and how to do it. Beverly Hills, CA: Sage, 1978b. KING, G. How not to lie with statistics [Online] Disponvel em: <http://gking.harvard.edu/files/mist.pdf> Acesso em: [22 jan. 2010]. KLINE, R. B. Principles and Practice of Structural Equation Modeling. Nova York: Guilford, 2004. LAWLEY, D. N; MAXWELL, A. E. Regression and Factor Analysis. Biometrika, 60, 2, 331-338, 1973. LIGNY, C. L; NIEUWDORP, G. H. E; BREDERODE, W. K; HAMMERS, W. E; HOUWELINGEN, J. C. van. An Application of Factor Analysis with Missing Data. Technometrics, 23, 1, 91-95, 1981. MACKELPRANG, A. J. Missing Data in Factor Analysis and Multiple Regression. Midwest Journal of Political Science, 14, 3, 493-505, 1970. 183

OPINIO PBLICA, Campinas, vol. 16, n 1, Junho, 2010, p. 160-185

MOONEY, C. Z. Bootstrap Statistical Inference: Examples and Evaluation For Political Science. American Journal of Political Science, 40, 570-602, 1996. PALLANT, J. SPSS Survival Manual. Open University Press, 2007. ROBERTS, B. R. A Confirmatory Factor-Analytic Model of Alienation. Social Psychology Quarterly, 50, 4, 346-351, 1987. RUMMEL, R. J. Understanding Factor Analysis. The Journal of Conflict Resolution, 11, 4, 444-480, 1967. RUMMEL, R.J. Applied Factor Analysis. Evanston: Northwestern University Press, 1970. SANTOS, M. H; COUTINHO, M. Poltica comparada: estado das artes e perspectivas no Brasil. BIB, 5 4, 3-146, 2000. SCHAWB, A.J. Eletronic Classroom.[Online] Disponvel em: <http://www.utexas.edu/ssw/eclassroom/schwab.html> Acesso em: [22 jan. 2010]. SLATIN, G. T. A Factor Analytic Comparison of Ecological and Individual Correlations: Some Methodological Implications. The Sociological Quarterly, 15, 4, 507-520, 1974. SOARES, G. O calcanhar metodolgico da cincia poltica no Brasil. Sociologia, 48, 27-52, 2005. SPEARMAN, C. General intelligence, objectively determined and measured. American Journal of Psychology, 15, 201-293, 1904. TABACHNICK, B.; FIDELL, L. Using multivariate analysis. Needham Heights: Allyn & Bacon, 2007. THURSTONE, L. L. The vector of mind. Chicago: University of Chicago, 1935. VALLE E SILVA, N. Relatrio de Consultoria sobre Melhoria do Treinamento em Cincia Social Quantitativa e Aplicada no Brasil. Rio de Janeiro, Laboratrio Nacional de Computao Cientfica, 1999. VERMUNT, J. K; MAGIDSON, J. Factor Analysis with categorical indicators: A comparison between traditional and latent class approaches. In: VAN DER ARK, A. CROON, M.A. and SIJTSMA, K. New Developments in Categorical Data Analysis for the Social and Behavioral Sciences. Mahwah: Erlbaum, 2005.

184

FIGUEIREDO, D. e SILVA, J. Viso alm do alcance: uma introduo anlise fatorial

WERNECK VIANNA, L. et al. Doutores e teses em cincias sociais. Dados, 41, 3, 453-515, 1998. YALCIN, I; AMEMIYA, Y. Nonlinear Factor Analysis as a Statistical Method. Statistical Science, 16, 3, 275-294, 2001. ZELLER, R. A; CARMINES, E. G. Measurement in the social sciences: The link between theory and data. Cambridge: Cambridge University Press, 1980.

Dalson Brito Figueiredo Filho - dalsonbritto@yahoo.com.br Jos Alexandre da Silva Jnior - jasjunior2007@yahoo.com.br

Recebido para publicao em fevereiro de 2009 Aprovados para publicao em abril de 2010

185