Bayramlar

A análise fatorial é um conjunto de técnicas estatísticas voltadas à análise de dados científicos amplamente utilizadas nas pesquisas em Psicologia. Esta técnica estatística é majoritária no contexto da Psicometria, especialmente para a validação de instrumentos psicológicos (FLOYD; WIDAMAN, 1995). Ela oferece informações importantes sobre a possibilidade de um conjunto de itens medir um mesmo construto, bem como fornece dados sobre a qualidade dos itens (PASQUALI, 2009). São avaliadas a discriminação dos itens – que indicam o poder de diferenciar pessoas quanto ao traço latente e a dificuldade, relativamente à “magnitude do traço latente que o sujeito deve possuir para acertar ou aceitar o item (PASQUALI, 1999, p.63).

A Análise Fatorial (AF) tem um papel fundamental para a determinação empírica da dimensionalidade de um conjunto de itens. A partir da AF, determina-se o número de fatores (variáveis latentes ou constructos latentes) e os pesos (cargas fatoriais) de cada variável ou item sobre o fator. Na AF, sem estabelecer uma relação de dependência, as variáveis são avaliadas ao mesmo tempo, o que eleva, ao máximo, sua explicação, sem a prevenção de uma ou mais variáveis dependentes. Esta requer que sejam estimados os fatores e as cargas fatoriais (HAIR JR et al., 2009).

As técnicas de AF têm o mesmo objetivo: reduzir um conjunto de itens a um menor número de variáveis, e, uma das técnicas que pode ser mencionada e que será desenvolvida nesta pesquisa, é a Análise Fatorial exploratória (AFE). Esta técnica é utilizada quando o

pesquisador não possui o aparato de uma teoria anterior que embase, empiricamente, os estudos e como se delineia dado instrumento, o qual será construído. Durante sua execução, diversas decisões precisam ser tomadas a fim de se obter uma estrutura fatorial adequada. Essas decisões – a serem tomadas durante a execução de uma AFE – não podem ser arbitrárias e subjetivas, mas devem ser pautadas em critérios teóricos e metodológicos claros (DAMÁSIO, 2012).

Segundo Laros (2005), no processo de validação de instrumentos, a AF tem sido associada com a verificação de validade de construto. Já a AFE tem como objetivo encontrar a estrutura subjacente em uma matriz de dados e determinar o número e a natureza dos fatores que melhor representam um conjunto de variáveis observadas (BROWN, 2006).

Assim, observam-se dois métodos principais: o critério de Kaiser-Meyer-Olkin (KMO) e o Teste de Esfericidade de Bartlett. O KMO trabalha com as correlações parciais das variáveis, que geram uma matriz anti-imagem que deve ser 0 e, quando o KMO é 1, a matriz R - a matriz que surge análise de correlação entre os dados na AF - é, portanto, perfeitamente fatorizável (PASQUALI, 2012). Seu cálculo pode ser visto na seguinte equação:

�

=

onde a covariância é dividida pela covariância somada ao MSA. Os resultados são classificados por Kaiser (1974), para o KMO geral, da seguinte maneira:

Tabela 06 - Classificação dos Resultados do KMO

KMO Resultado 0,90 Maravilhoso 0,80 Meritório 0,70 Mediano 0,60 Modesto 0,50 Miserável ˂ 0,50 Inaceitável Fonte: Kaiser (1974).

Segundo Pasquali (2009), o KMO – uma medida de adequação da amostra – também aponta a viabilidade de se usar esta análise, sendo 0,60 um valor mínimo aceitável para estudos em ciências humanas, valor escolhido neste estudo. O teste de Esfericidade de Bartlett analisa se a matriz de covariância é ou não identidade, segundo a qual não há evidências de

relação entre as variáveis. Quando este teste apresenta um nível de significância p <0,05, rejeita-se a hipótese nula de que a matriz dos dados é similar a uma matriz identidade e se prossegue com a AF. Existem vários métodos de extração dos fatores, porém, o método da máxima verossimilhança e a análise do eixo principal (PAF- Principal Axis Factoring) são mais comumente usados para amostras com distribuição normal e não-normal, respectivamente (COSTELLO, OSBORNE, 2005; FABRIGAR et.al, 1999).

A partir da medida do KMO geral e da análise do KMO por variável individual, através da matriz anti-imagem, pode ser visto o MSA (Measure of Sampling Adequacy). Esta é a medida de adequação da amostra, cujo valor geral precisa ser superior a 0,60 e o valor individual da variável precisa ser no mínimo 0,50 para que a AF seja executada adequadamente (HAIR et al., 2009).

É necessário decidir, além da escolha do método, quanto ao número de fatores a serem extraídos. Para isso, são colocados alguns critérios: 1) fatores cujo autovalor seja superior a 1, de acordo com o critério de Kaiser-Guttman (DAMÁSIO, 2013); 2) estrutura fatorial que possua explicação da variância total superior a 60%; 3) observação da estrutura apresentada em pesquisas anteriores, caso existam, além da observação da teoria que baseia o construto de interesse, no caso de pesquisas psicológicas; 4) através da observação do gráfico scree e do número de fatores que ficaram acima do ponto de inflexão do gráfico (esse também conhecido como critério de Cattell) (CATTELL, 1966); e 5) a análise paralela, ou critério de Horn (1965). Esse critério tem sido adaptado para o uso no contexto da AF (CRAWFORD et al., 2010; VELICER et al., 2000), sendo considerado um procedimento adequado para escolher quantos fatores devem ser retidos (DAMÁSIO, 2013).

Para a interpretação dos fatores, utiliza-se o método das rotações fatoriais para se ter uma melhor visualização da relação entre as variáveis e os fatores, de modo a deixar mais claro o grau de pertença de cada variável em cada fator. Este método tem o objetivo de encontrar uma solução mais simples e interpretável possível, na qual cada variável apresente carga fatorial elevada em poucos fatores, ou em apenas um (ABDI, 2003). Há dois tipos de rotações fatoriais, são elas: ortogonais – onde os fatores extraídos são independentes – cujos métodos mais utilizados são quartimax, equimax e varimax (HAIR et al., 2009), o método “varimax” é o mais bem sucedido e o mais comumente utilizado nas pesquisas aplicadas em Psicologia (TABACHNICK; FIDELL, 2007; FABRIGAR et al., 1999); e oblíquas, pelas quais se permite que haja correlação entre as variáveis. A oblimin, quartimin e promax são exemplos de rotações oblíquas e, em geral, todos eles tendem a apresentar resultados semelhantes (COSTELLO; OSBORNE, 2005).

Será utilizada a técnica da AFE no presente estudo com a finalidade de verificar de que forma os instrumentos, bem como os itens se organizam estruturalmente, e ainda verificar evidências de validade fatorial dos instrumentos, atendendo ao segundo e ao terceiro objetivos específicos deste. A partir dessa análise, foi possível verificar se os itens elaborados se agruparam em fatores que representem os tipos de TP.