Vous êtes sur la page 1sur 11

Aspectos estatsticos da anlise fatorial

de
escalas de avaliao
Rinaldo Artes 1

RESUMO

A anlise fatorial uma tcnica estatstica multivariada largamente utilizada em psiquiatria. Detalhamos,
neste trabalho, alguns aspectos de ordem prtica ligados sua aplicao. Como ilustrao da tcnica,
analisamos um conjunto de dados que consiste nos itens da forma trao do Inventrio de Ansiedade
Trao-Estado aplicados a uma amostra de universitrios.

Unitermos: Anlise Estatstica Multivariada; Inventrio de Ansiedade Trao-Estado (forma trao)

ABSTRACT

Statistical Aspects of the Factor Analysis of Rating Scales

Factor analysis is a multivariate statistical analysis widely used in psychiatry. We discuss, in this text,
some issues about the application of this technique. We illustrate it in a data set of the trait form of the
State-Trait Anxiety Inventorys items applied to a sample of college students.

Key words: Multivariate Statistical Analysis; State-Trait Anxiety Inventory (Trait form)

INTRODUO

O uso da anlise fatorial (AF) no estudo de escalas de avaliao bastante amplo e


antigo, sua criao e desenvolvimento estiveram intimamente ligados anlise desse
tipo de dado e foram, durante muito tempo, de responsabilidade de psicometristas. Sua
origem data do incio do sculo, quando Spearman (Spearman, 1904) desenvolveu um
mtodo para a criao de um ndice geral de inteligncia (fator "g") com base nos
resultados de vrios testes (escalas), que supostamente refletiriam essa aptido. Tratava-
se de um primeiro mtodo de AF, adequado para a estimao de um nico fator.

O desenvolvimento inicial de mtodos de AF esteve muito ligado ao problema da


avaliao de escalas cognitivas e foi responsabilidade de uma srie de pesquisadores da
rea de psicologia (Spearman, 1904; Thurstone, 1935, 1947 e Burt, 1941, por exemplo).
No incio, os mtodos apresentavam uma caracterstica mais emprica do que formal.
Em 1940, com Lawley, surge um primeiro trabalho com maior rigor matemtico (em
termos de inferncia estatstica), o que fez com que se aumentasse a aceitao dessas
tcnicas, nesse meio 1.

Ao idealizarmos este texto, decidimos voltar nossas atenes aos usurios de AF que
no possuem uma forte formao em Estatstica. Desse modo, nossa inteno inicial
discutir algumas dvidas importantes sobre a aplicao da AF. Devido a escassez de
espao, priorizamos as questes que nos pareceram mais importantes. Aspectos
omitidos neste texto podem ser encontrados na literatura apresentada.

Como ilustrao da tcnica, apresentamos ao longo do texto uma AF aplicada aos itens
da forma trao do Inventrio de Ansiedade Trao-Estado (IDATE-T), Spielberger et al.
(1970), validado para o portugus por Biaggio e Natalcio (1979). Os itens dessa escala
constituem-se de frases (ver tabela 1) e so avaliados por meio da atribuio de um
escore de 1 a 4, onde 1 indica que o estado descrito na frase quase nunca ocorre e 4
indica que ocorre quase sempre. Para a anlise dos itens, esses escores foram
convertidos de modo que escore alto represente um estado negativo. Os dados em
questo correspondem a um subconjunto de uma amostra de universitrios fornecida
pelo Prof. Dr. Hlio Guerra Vieira Filho e Teng Chei Tung, que vem sendo analisada por
eles e pelas Profa. Dra. Clarice Gorenstein e Profa. Dra. Laura H. S. G. de Andrade,
alm do prprio autor. Nessa aplicao, consideramos os dados de 790 estudantes do
curso de letras da Faculdade de Filosofia, Letras e Cincias Humanas da USP.

Tabela 1
Descrio dos itens da escala IDATE
Item Descrio
1 Sinto-me bem
2 Canso-me facilmente
3 Tenho vontade de chorar
4 Gostaria de ser to feliz quanto os outros parecem ser
5 Perco oportunidades porque no consigo tomar decises rpidas
6 Sinto-me descansado
7 Sinto-me calmo, ponderado e senhor de mim mesmo
Sinto que as dificuldades esto se acumulando de tal forma que no as
8
consigo resolver
9 Preocupo-me demais com as coisas sem importncia
10 Sou feliz
11 Deixo-me afetar muito pelas coisas
12 No tenho confiana em mim mesmo
13 Sinto-me seguro
14 Evito ter que enfrentar crises e problemas
15 Sinto-me deprimido
16 Estou satisfeito
17 As vezes idias sem importncia entram na cabea e ficam me preocupando
18 Levo os desapontamentos to a srio que no consigo tir-los da cabea
19 Sou uma pessoa estvel
20 Fico tenso e perturbado quando penso em meus problemas do momento
1. O que e para que serve uma Anlise Fatorial?

Uma situao comum em vrias reas do conhecimento e, em particular, na psiquiatria,


aquela na qual, para cada elemento de uma amostra, observa-se um grande nmero de
variveis. Essas variveis podem ser, por exemplo, um conjunto de itens de uma escala
ou os escores obtidos por um indivduo em diferentes escalas de avaliao. Diante de
um quadro como esse, o pesquisador enfrenta dois problemas:

a. a caracterizao dos avaliados, levando-se em conta um conjunto eventualmente


grande de variveis, e

b. a descrio da inter-relao dessas variveis, eventualmente explicitando uma


estrutura de interdependncia subjacente aos dados.

A AF permite resolver esses dois problemas. Reis (1997) define a AF como "um
conjunto de tcnicas estatsticas cujo objetivo representar ou descrever um nmero de
variveis iniciais a partir de um menor nmero de variveis hipotticas". Trata-se de
uma tcnica estatstica multivariada que, a partir da estrutura de dependncia existente
entre as variveis de interesse (em geral representada pelas correlaes ou covarincias
entre essas variveis), permite a criao de um conjunto menor de variveis (variveis
latentes, ou fatores) obtidas como funo das variveis originais. Alm disso, possvel
saber o quanto cada fator est associado a cada varivel e o quanto o conjunto de fatores
explica da variabilidade geral dos dados originais. Note que isso vem de encontro
resoluo do problema (a), haja vista que, quando a AF bem-sucedida, o pesquisador
pode trabalhar com um nmero reduzido de variveis sem uma perda muito grande de
informaes. O problema (b) tambm solucionado, j que cada um desses fatores pode
representar uma caracterstica subjacente aos dados. Tome por exemplo Sperman
(1904), que interpretou o fator "g" como uma medida de inteligncia que estaria
implicitamente ligada ao desempenho de um conjunto de testes.

2. Quais so os mtodos para a obteno dos fatores? Que suposies eles exigem?

Os fatores explicam parte da variabilidade total dos dados, expressa atravs da soma das
varincias das variveis originais. As variveis com uma maior variabilidade (varincia)
podem vir a ser predominantes na construo dos fatores, mascarando, eventualmente, a
presena de variveis com menor variabilidade. Nesses casos, sugere-se trabalhar com
as variveis padronizadas, cujas varincias so iguais a um e cujas covarincias
correspondem s correlaes entre as variveis originais.

Um mtodo bastante conhecido para a obteno dos fatores o da mxima


verossimilhana (ver Johnson e Wichern, 1992, por exemplo), em que, em sua verso
usual, supe-se que as variveis envolvidas sigam uma distribuio normal. Esse
mtodo, em geral, no indicado para os casos em que a suposio de normalidade das
variveis envolvidas no esteja satisfeita. Isso limita sua utilizao na anlise de escalas
psicolgicas de avaliao, j que estas, em sua maioria, so compostas por itens cujas
respostas no podem ser modeladas por meio da distribuio normal.

Um dos mtodos mais utilizados o baseado na anlise de componentes principais 2


(ver Johnson e Wichern, 1992, por exemplo). A vantagem desse mtodo que no h a
pressuposio da normalidade das variveis envolvidas. Tecnicamente os fatores so
obtidos a partir de uma decomposio 3 da matriz de correlao (ou de covarincia 4).
Como resultado dessa decomposio, temos as cargas fatoriais, que indicam o quanto
cada varivel est associada a cada fator e os autovalores associados a cada um dos
fatores envolvidos.

Os autovalores so nmeros que refletem a importncia do fator. Quando o nmero de


fatores igual ao nmero de variveis, a soma dos autovalores corresponde soma das
varincias dessas variveis (lembre que no caso de se utilizar a matriz de correlao
estamos utilizando variveis padronizadas e, conseqentemente, cada uma delas tem
varincia um, o que faz com que essa soma seja igual ao nmero de variveis
envolvidas). Desse modo, a razo entre um autovalor e a soma das varincias (ou o
nmero de variveis, no caso da matriz de correlao) indica a proporo da
variabilidade total dos dados que explicada pelo fator. A soma das propores relativas
aos fatores considerados na anlise refletem o quanto da variabilidade dos dados
explicada pelo conjunto de fatores.

As tabelas 2 a 4 resumem a aplicao do mtodo dos componentes principais aos itens


da escala IDATE-T. Como medida da interdependncia dos dados utilizamos a matriz de
correlao entre os itens. Na tabela 2, encontram-se os autovalores e suas respectivas
porcentagens de explicao. Note que o primeiro fator sozinho explica 34,2% da
variabilidade total dos dados; a explicao conjunta dos dois primeiros fatores da
ordem de 42,5% da variabilidade total e assim sucessivamente at 100% de explicao
que atingida ao se considerar todos os 20 fatores. Ao longo do texto discutiremos os
resultados de uma AF com quatro fatores; note que os quatro primeiros fatores explicam
conjuntamente, 54,0% da variabilidade total dos dados. As anlises das tabelas 3 e 4
sero discutida na prxima seo.

Existem outros mtodos de obteno de fatores que no sero tratados neste texto.

TABELA 2
Resumo da explicao dos fatores de uma AF obtida a partir de uma ACP
aplicada aos itens da escala IDATE - T
Explicao 6 Explicao Variao da
Fator Autovalor
(%) Acumulada 7 Explicao 8
1 6,85 34,2 34,2
2 1,66 8,3 42,5 25,9
3 1,28 6,4 48,9 1,9
4 1,01 5,1 54,0 1,3
5 0,93 4,7 58,6 0,4
6 0,83 4,2 62,8 0,5
7 0,77 3,9 66,7 0,3
8 0,71 3,6 70,2 0,3
9 0,68 3,4 73,6 0,2
10 0,65 3,2 76,8 0,2
11 0,61 3,1 79,9 0,1
12 0,57 2,8 82,7 0,3
13 0,54 2,7 85,4 0,1
14 0,51 2,5 87,9 0,2
15 0,47 2,4 90,3 0,1
16 0,44 2,2 92,5 0,2
17 0,42 2,1 94,6 0,1
18 0,41 2,0 96,7 0,1
19 0,36 1,8 98,5 0,2
20 0,30 1,5 100,0 0,3
6
100* autovalor / 20
7
soma das explicaes da linha atual e das linhas anteriores
8
diferena entre as explicaes de dois fatores consecutivos

3. Como interpretar os fatores? O que rotao?

Definido o nmero de fatores, h, grosso modo, trs informaes bsicas que podem ser
extradas de uma AF: a porcentagem de explicao da variabilidade total (discutida
anteriormente), as comunalidades e as cargas fatoriais.

As comunalidades so ndices atribudos s variveis originais que expressam, em


termos percentuais, o quanto da variabilidade de cada varivel explicada pelo modelo
de AF estimado. A tabela 3 traz as comunalidades da soluo com 4 fatores para os
dados de nosso exemplo. Note que o item que melhor explicado pelos fatores o 10
(com 71%) e o pior o 3 (com 38%). Quanto mais prximo de um estiverem as
comunalidades, melhor ser o ajuste da AF. Os nossos dados indicam um ajuste regular,
o que j era de se esperar, uma vez que apenas 54,0% da variabilidade total est sendo
explicada por essa soluo.

TABELA 3
Comunalidades referentes a uma soluo com 4 fatores
Item Comunalidade Item Comunalidade
1 0,60 11 0,55
2 0,42 12 0,43
3 0,38 13 0,54
4 0,47 14 0,55
5 0,57 15 0,61
6 0,64 16 0,65
7 0,58 17 0,59
8 0,46 18 0,58
9 0,56 19 0,47
10 0,71 20 0,45

Um dos problemas com a aplicao da AF a interpretabilidade dos fatores. Para um


mesmo conjunto de variveis possvel encontrar um nmero infinito de solues, ou
seja, um conjunto infinito de fatores que explica muito bem o comportamento dos
dados. Em geral, a primeira soluo fornecida pelos programas estatsticos no gera
fatores que tenham uma interpretao adequada. Nesses casos, outras solues,
equivalentes a essa, do ponto de vista da explicao da variabilidade dos dados, devem
ser obtidas. Isso pode ser feito por meio de procedimentos de "rotao" dos fatores. H
mtodos de rotao que permitem obter fatores com maior potencial de
interpretabilidade (Varimax, por exemplo).

A interpretao dos fatores de uma AF feita por meio das cargas fatoriais, que so
parmetros de um modelo de AF que expressam as covarincias entre cada fator e as
variveis originais. No caso de utilizar variveis padronizadas (matriz de correlao),
esses valores correspondem s correlaes entre os fatores e as variveis originais. A
tabela 4 traz as cargas fatoriais de nosso exemplo. Para facilitar a interpretao dos
fatores, marcamos em negrito todos os valores superiores ou iguais a 40% 5. Note que
na soluo no rotacionada, o primeiro fator est associado a praticamente todos os itens
e o quarto fator no se associa fortemente a nenhum item; isso dificulta a identificao
de estruturas de dependncia. Quando observamos a cargas obtidas aps uma rotao
Varimax, conclumos que:

os itens 1, 3, 4, 7, 10, 13, 15, 16 e 19 predominam na definio do fator 1;

3, 9, 11, 17, 18 e 20 predominam na definio do fator 2;

os itens 2, 6, 7,13 e 19 predominam no fator 3 e

5, 8, 12 e 14 predominam no 4.

Cabe ao analista avaliar o que h de comum em cada um dos quatro conjuntos de itens
descritos acima. Essas caractersticas em comum esto ligadas s interpretaes dos
respectivos fatores, podendo ser construtos ligados ao daquele medido pela escala
IDATE-T.

TABELA 4
Cargas fatoriais para uma soluo com 4 fatores, sem e com rotao
Fatores
Soluo no rotacionada Soluo aps rotao Varimax
Item 1 2 3 4 1 2 3 4
1 0,60 -0,47 0,10 -0,09 0,72 0,01 0,25 0,09
2 0,47 -0,03 -0,21 0,39 0,09 0,16 0,59 0,17
3 0,54 0,01 -0,08 -0,28 0,43 0,43 0,08 0,00
4 0,53 -0,02 0,38 -0,19 0,52 0,22 -0,09 0,37
5 0,51 0,18 0,47 0,23 0,22 0,17 0,09 0,69
6 0,46 -0,17 -0,50 0,39 0,12 0,16 0,77 -0,09
7 0,66 -0,22 -0,23 0,20 0,41 0,22 0,60 0,07
8 0,60 0,05 0,17 0,25 0,28 0,22 0,34 0,47
9 0,54 0,47 -0,22 -0,08 0,02 0,71 0,19 0,13
10 0,67 -0,44 0,18 -0,19 0,81 0,08 0,17 0,13
11 0,60 0,39 -0,15 -0,09 0,14 0,68 0,19 0,18
12 0,57 0,16 0,18 0,21 0,21 0,29 0,26 0,48
13 0,69 -0,14 0,02 0,20 0,44 0,20 0,46 0,30
14 0,25 0,33 0,55 0,29 -0,04 0,08 -0,06 0,74
15 0,70 -0,15 0,06 -0,31 0,67 0,38 0,10 0,09
16 0,71 -0,37 0,06 -0,11 0,73 0,16 0,29 0,13
17 0,56 0,46 -0,20 -0,18 0,09 0,75 0,12 0,11
18 0,66 0,27 -0,09 -0,25 0,34 0,66 0,10 0,13
19 0,63 -0,21 -0,16 0,04 0,47 0,24 0,44 0,05
20 0,57 0,34 -0,09 -0,06 0,15 0,59 0,18 0,20

4. Como escolher o nmero de fatores?

A escolha do nmero de fatores uma das tarefas mais importantes de uma AF. Hair et
al. (1995) discute que, se o pesquisador opta por um nmero muito reduzido, ele pode
no identificar estruturas importantes existentes nos dados e, por outro lado, se o
nmero excessivo, ele pode vir a ter problemas de interpretabilidade dos fatores.
Existem, na literatura, vrios critrios que auxiliam na determinao do nmero de
fatores que, invariavelmente, quando empregados em um mesmo conjunto de dados,
conduz a resultados diferentes. Como regra geral, o pesquisador deve procurar um
compromisso entre o nmero de fatores (que, a princpio, deve ser o menor possvel) e a
sua interpretabilidade. comum, em situaes prticas, simplesmente comparar
solues com um nmero diferente de fatores e fazer a escolha com base no bom senso
do pesquisador. Nesses casos, os critrios apresentados na seqncia podem ser
utilizados como ponto de partida para a obteno de uma soluo final.

Os mtodos de escolha, que passamos a descrever, tm carter apenas indicativo, no


existindo uma hierarquia entre eles.

Critrio de Kaiser Esse critrio, desenvolvido por Kaiser (1958),


tambm conhecido como critrio da raiz latente, determina que o
nmero de fatores deve ser igual ao nmero de autovalores maiores ou
iguais mdia das varincias das variveis analisadas. Na situao em
que a AF feita sobre a matriz de correlao (variveis padronizadas),
esse critrio corresponde excluso de fatores com autovalores
inferiores a um. Nesses casos, conforme descrito na Seo 2, o valor 1
corresponde varincia de cada varivel padronizada e,
conseqentemente, esse critrio descarta os fatores que tenham um grau
de explicao inferior ao de uma varivel isolada. O critrio de Kaiser
aplicado ao nosso exemplo, levar-nos-ia optar por uma soluo com
quatro fatores (ver tabela 2).
Critrio da porcentagem da varincia explicada O nmero
determinado de modo que o conjunto de fatores explique uma
porcentagem pr-definida da variabilidade global. No exemplo, se
estipularmos um nvel de explicao de pelo menos 70% da
variabilidade total dos dados, deveramos optar por uma soluo com
oito fatores (tabela 2).
Critrio "screen test" comum que a diferena de explicao entre
os primeiros fatores de uma AF seja grande e que tenda a diminuir nos
seguintes. Por este critrio, o nmero timo de fatores obtido quando
a variao da explicao entre fatores consecutivos passa a ser pequena.
Na ltima coluna da tabela, apresentamos a diferena de explicao
entre dois fatores consecutivos; note que a partir do quinto fator, essa
diferena diminui sensivelmente. Desse modo, esse mtodo sugere a
adoo de 4 fatores.
Mtodos inferenciais Outros mtodos foram desenvolvidos para os
casos em que as variveis originais seguem uma distribuio normal.
Esses mtodos consistem no desenvolvimento de testes estatsticos que
se aliceram na suposio de normalidade e, dessa forma, no so, em
princpio, adequados anlise da maioria das escalas psicolgicas.
Apesar disso, esses mtodos podem ser utilizados com um fim
puramente indicativo, sendo que a significncia obtida nessas situaes
no corresponde realidade. Dentre esses testes destacamos o de
Bartlett (ver Johnson e Wichern, 1992, por exemplo) que verifica a
adequabilidade do modelo de AF estimado (pelo mtodo da mxima
verossimilhana) para representar a estrutura de dependncia dos
dados.

5. Qual o tamanho de amostra necessrio para se ter bons resultados?

Uma AF envolve a estimao de um grande nmero de parmetros e, para que isso seja
feito com um mnimo de qualidade, necessrio um tamanho amostral relativamente
grande em comparao ao nmero de variveis envolvidas. H, na literatura estatstica,
uma srie de sugestes para a escolha desse tamanho amostral. Em geral, essas opes
baseiam-se na experincia pessoal dos diversos autores que, em alguns casos, sugerem
um tamanho amostral da ordem de 20 vezes o nmero de variveis envolvidas (ver Hair
et al., 1995, p.373). Reis (1997, p. 274) e Hair et al. (1995, p. 373) sugerem que o
nmero de observaes deva ser de no mnimo 5 vezes o nmero de variveis, alm
disso, indicam que preferencialmente a anlise seja feita com pelo menos 100
observaes. Hair et al. (1995) enfatiza que ela no deve ser utilizada em amostras
inferiores a 50 observaes.

6. O que anlise fatorial "bem-sucedida"?

O sucesso de uma AF est diretamente ligado aos objetivos iniciais do pesquisador; por
exemplo, se a inteno a simples reduo do nmero de variveis, ela ser bem-
sucedida se for possvel determinar um pequeno conjunto de fatores, que consiga
explicar uma parte considervel da variabilidade do conjunto original de variveis. De
qualquer modo, h algumas propriedades que so desejveis para a soluo de uma AF:

a. encontrar um nmero relativamente pequeno de fatores que possuam um alto grau de


explicao da variabilidade original dos dados;

b. encontrar fatores interpretveis.

Dentre as razes que explicariam o insucesso de uma AF, destacamos:


a. tamanho insuficiente da amostra uma amostra pequena pode no conseguir refletir
de maneira precisa a estrutura de interdependncia dos dados;

b. variveis com uma fraca interdependncia por exemplo, considere uma escala
composta por itens, em que cada item mede um aspecto diferente do construto de
interesse, nesse caso possvel que uma AF no consiga identificar fatores com um grau
razovel de interpretabilidade. Hair et al. (1995) discutem que para o sucesso de uma
AF necessrio que exista um nmero razovel de correlaes superiores (em mdulo)
a 30%, caso contrrio a estrutura de interdependncia ser muito tnue para produzir
resultados satisfatrios;

c. a estrutura de dependncia pode no ser homognea em toda a amostra considere,


como ilustrao, itens de uma escala que se associam diferentemente (possuem
estruturas de dependncia diferentes) para homens e mulheres, nesse caso, uma AF
aplicada apenas a um dos sexos pode ser bem-sucedida, mas aplicada amostra total
no. Parece razovel que, no caso de insucesso e quando existirem razes tericas para
isso, se faa uma AF para cada subgrupo de interesse de uma amostra.

7. O que uma AF confirmatria?

O que foi dito at este ponto, aplica-se a uma modalidade de AF que poderia ser
denominada exploratria. Uma AF exploratria (AFE) no exige a formulao de
hipteses a priori a respeito da estrutura de dependncia dos dados. Essa estrutura, se
existir, ser um dos resultados da AFE.

Em algumas situaes, o pesquisador quer verificar se os itens de uma escala


comportam-se segundo uma estrutura pr-definida. s vezes, estudos anteriores podem
indicar, por exemplo, a existncia de dois fatores em uma escala e quais itens associam-
se a cada um desses fatores. Essa a situao ideal para a aplicao de uma AF
confirmatria (AFC).

O que diferencia uma AFE de uma AFC que na segunda o usurio indica que estrutura
ele imagina existir nos dados e, atravs da aplicao da tcnica, ter indcios objetivos
para concluir se aquela estrutura ou no aceitvel para explicar o comportamento dos
dados. Trata-se de uma tcnica mais elaborada que, por si s, j mereceria um texto
especfico. Um livro introdutrio sobre esse assunto mencionado em Long (1983).

CONCLUSO

Discutimos, neste texto, apenas os aspectos essenciais ligados a uma AF genrica e,


ainda assim, de modo superficial. H vrios detalhes e desenvolvimentos que foram
ignorados; dentre eles destacamos a utilizao dos escores fatoriais. Sugerimos aos
interessados na aplicao dessa tcnica a leitura de Hair et al. (1995), que descreve a AF
de modo bastante informal; o livro trata, basicamente, da AF baseada na matriz de
correlao (que parece ser a mais utilizada na prtica). O livro de Reis (1997) tambm
traz uma interessante introduo tcnica com uma abordagem um pouco mais formal.
O texto de Reyment e Jreskog (1996) indicado para aqueles que j possuem bons
conhecimentos bsicos sobre AF e desejam aprofundar-se no assunto. Para quem busca
um texto um pouco mais formal do ponto de vista estatstico, mas com boas ilustraes,
sugerimos o livro de Johnson e Wichern (1992).

NOTAS

1. parte dessa introduo foi adaptada de Fachel (1976)


volta ao texto

2. cabe ressaltar que a rigor a AF e a anlise de componentes principais (ACP) so tcnicas multivaridas
distintas e com objetivos diferentes. A ACP, desenvolvida por Pearson em 1901, nada mais do que uma
tcnica de transformao de variveis; a partir de um conjunto de p variveis de interesse, cria-se um
novo conjunto p de variveis (componentes principais), de tal modo que a primeira componente seja
aquela com maior varincia possvel dentre todas as possveis combinaes lineares das variveis
originais, e os demais componentes so ordenados em termos de sua variabilidade. A AF apenas utiliza o
mtodo numrico da CP para a obteno dos fatores
volta ao texto

3. decomposio espectral, veja Johnson e Wichern (1992) para maiores detalhes


volta ao texto

4. trata-se de uma estrutura composta pelas correlaes entre as variveis duas a duas, no caso da matriz
de correlao, ou pelas covarincias e varincias das variveis envolvidas, no caso da matriz de
covarincia
volta ao texto

5. valor arbitrrio
volta ao texto

REFERNCIAS

Biaggio, A.M.B. e Natalcio, L. Manual para o Inventrio de Ansiedade Trao-Estado (IDATE).


Centro de Psicologia Aplicada, Rio de Janeiro, 1979.

Burt, C. The Vector of the Mind: An Introduction to Factor Analysis in Psychology. Mc.Millan, New
York, 1941.

Fachel, J.M.G. Anlise Fatorial. Dissertao de Mestrado, IME-USP, So Paulo, 1976.

Hair, J.F.Jr.; Anderson, R.E.; Tatham, R.L. e Black, W.C. Multivariate Data Analysis (with
readings), 4 ed. Prentice Hall, Englewood Cliffs, 1995.
Johnson, R.A. e Wichern, D.W. Applied Multivariate Statistical Analysis. Prentice Hall, Englewood
Cliffs, 1992.

Kaiser, H.F. The Varimax Criterion for Analytic Rotation in Factor Analysis. Psychometrika 23:187-
200,1958.

Lawley, D.N. The Estimation of Factor Loadings by the Method of Maximum Likelihood. Proceedings
of the Royal Society of Edinburg, A, 60:331-338,1940.

Long, J.S. Confirmatory Factor Analysis. Sage Pub., Beverly Hills, 1983.

Reis, E. Estatstica Multivariada Aplicada. Edies Slabo, Lisboa, 1997.

Reyment, R. e Jreskog, K.G. Applied Factor Analysis in the Natural Sciences. Cambridge University
Press, Cambridge, 1996.

Spearman, C. General Intelligence Objectivelly Determined and Measured. American Journal of


Psychology 15:201-293,1904.

Spielberger, C.D.; Gorsuch, R.L. e Lushene, R.E. Manual for the State-Trait Anxiety Inventory.
Consulting Psychologist Press, Palo Alto, 1970.

Thurstone, L.L. The Vectors of Mind. Univ. Chicago Press, Chicago, 1935.

Thurstone, L.L. Multiple Factor Analysis. Univ. Chicago Press, Chicago, 1947.

Revista
de
Psiquiatria
1. Departamento de Estatstica, Instituto de Matemtica e Estatstica,
Universidade de So Paulo
Clnica

Endereo para correspondncia: Departamento de Estatstica do IME-USP, ndice


Caixa Postal 66.281. CEP : 05315-970 So Paulo - SP. Tel : (011)818.6227.
Fax: (011) 818.6130
E-Mail : artes@ime.usp.br