Avaliação Psicológica: Formação, Atuação e Interfaces

Apresentação em tema: "Avaliação Psicológica: Formação, Atuação e Interfaces"— Transcrição da apresentação:

1 Avaliação Psicológica: Formação, Atuação e Interfaces
IV Congresso Brasileiro de Avaliação Psicológica V Congresso da Associação Brasileira de Rorschach e Métodos Projetivos XIV Conferência Internacional de Avaliação Psicológica: Formas e Contextos Avaliação Psicológica: Formação, Atuação e Interfaces 29/07/2009 a 01/08/ Campinas-SP

2 Curso Análise Fatorial Exploratória e Confirmatória
Claudette Maria Medeiros Vendramini Universidade São Francisco (USF) Laboratório de Métodos Estatísticos em Psicologia e Educação - LAMEPE -

3 ANÁLISE FATORIAL USO DO SPSS

4 Entrada de dados e tomadas de decisões

5 Entrada de dados  conversão por cópia de planilha do Excel ou Winword

6 Definição de aspectos das medidas
Definir “labels” Definir nível de Mesuração

7 Escolha do Tipo de Análise

8

9 Selecionar as possibilidades de testes de “aderência” e as estatísticas descritivas.
Após selecionar Dar continuidade importante Mais importante

10 Seleção do método a ser usado:
Método fatorial de extração a ser usado para se obter uma combinação linear não-correlata das combinações das variáveis mesuradas. A componente primeira (fator 1) tem o máximo valor da variância. As seguintes mostram, progressivamente, porções menores da variância e são todas não-relacionadas umas às outras (independentes). A Análise das Componentes Principais é usada para obter-se os soluções dos fatores. Ela pode ser usada quando a matriz de correlação é singular. Variância = mostra qual é a parcela de explicação dos dados pelos fatores.

11 Explicando o que é a Correlation Matrix
Matriz de Correlação são as possíveis correlações de Pearson entre as variáveis Os valores da diagonal principal é igual a um, devido à perfeita correlação entre as mesmas variáveis

12 Na apresentação as correções são espelhadas
As correlações nestes casos são relativamente fracas, próximas de Zero. Como nestes casos, você deve reconsiderar o uso do método de análise fatorial com os seus dados.

13 Estes valores representam a significância do teste de correlação de Pearson (quanto ficou de fora). Estes p-values da testagem indicam quais são as correspondências são diferente de zero. Muitos deste valores devem ser pequenos para o emprego do método de análise fatorial.

14 Deve-se analisar o valor do determinante da matriz de correlação
Deve-se analisar o valor do determinante da matriz de correlação. Este indica a possibilidade de inversão da matriz. Se o valor do determinante é zero, a matriz de correlação não pode ser invertida e certamente os métodos de extração de análise fatorial serão impossíveis de serem computados.

15 Este é um dos métodos de extração que minimiza a soma das diferenças quadráticas entre a matriz de dados e a matriz de correlação reproduzida, ignorando as diagonais. Idem ao anterior, mas neste caso a correlação é pesada pelo inverso das suas singularidades, assim como as variáveis com alta singularidades são tomadas com peso menor que aquelas com menor singularidades.

16 Este método cria parâmetros estimados como sendo mais prováveis para produzir a matriz de correlação observada, se a amostra pode ser caracterizada por uma distribuição normal multivariada. As correlações são pesadas pelo inverso das singularidades das variáveis, pelo emprego de um algoritmo “iterativo”. Este método de extração dos fatores parte da matriz de correlação original com os coeficientes de correlações múltiplos colocados na diagonal como estimativas iniciais das comunalidades. Estes fatores obtidos são usados para estimar as novas comunalidades, que são recolocadas no lugar das velhas na diagonal. As Iterações continuam até a ocorrerem mudanças nas comunalidades partindo da primeira até a seguinte, buscando satisfazer o critério de convergência de extração. Designa-se por comunalidade a proporção da variância de cada variável explicada pelos factores comuns

17 É um método de extração que considera as variáveis na análise como uma amostra do universo potencial de variáveis. Ele maximiza a confiabilidade ou fidedignidade alfa (de Cronbach) dos fatores. É um método fatorial de extação desenvolvido por Guttman é está baseado na Teoria de Imagens. A parte comum da variância, chamada de imagem parcial, é definida como uma regressão linear sobre as restantes, preferivelmente que a função dos fatores hipotéticos.

18 Usar 99 ou 999 ou 9999, pois quanto maior, mais chances de convergência se terá.

19 Regressão: Um método para estimar os scores dos coeficientes dos fatores. Os scores gerados têm média 0 e variância igual ao quadrado da correlação múltipla entre os scores dos fatores estimados e os valores verdadeiros dos fatores. Os scores devem ser igualados com os fatores ortogonais. Este método de estimação dos scores dos coeficientes dos fatores. Os scores produzidos tem média de zero. A soma dos quadrados de um fator é feita sobre a extensão das vaariáveis minimizadas. A diferença do método de Bartlett está em garantir a ortogonalidade dos fatores estimados.Os scores gerados têm uma média de 0, desvio padrão de 1,0 e são não correlatos.

20 Substituir os valores perdidos com a variável média.
Excluir os casos que têm valores perdidos para qualquer das variáveis usadas em qualquer das análises. Excluir a partir da análise dos casos com valores perdidos para um ou outro dos pares de variáveis na computação de estatística específica. Substituir os valores perdidos com a variável média. Diminui a apresentação dos fatores nas estruturas das matrizes, deixando apenas as variáveis que apresentam as maiores cargas fatoriais no mesmo fator, determinado pelo “corte” adotado. Opção interessante para limpar a saída de dados. Elimina os coeficientes com valores absolutos menores que aquele especificado. O default é 0,100. Literatura sugere valores acima de 0,300

21 Varimax (mais usado) É um método de rotação ortogonal que minimiza o número de variáveis que cada agrupamento terá. Ele simplifica a interpretação dos fatores. Quartimax (ortogonal) é um método que minimiza o número de fatores necessários para explicar cada variável. Ele simplifica a interpretação das variáveis obtidas. Equamax (ortogonal) é também um método que busca uma combinação dos outros (varimax e quartimax). O número de variáveis obtido terá carga fatorial maior e o número de fatores será minimizado. Promax também é um método oblíquo de rotação, o qual possibilita os fatores correlatos. Ele pode ser calculado mais rapidamente que a rotação direct oblimin. Assim ele é usado para grandes grupos de dados. Kappa na maioria das vezes é tomado com o valor 4. Direct oblimin: Este método diferentemente dos três anteriores é oblíquo (não ortogonal). Quando delta é igual a 0 (default), a solução é mais oblíqua. Tomando-se delta mais negativo, os fatores ficaram menos oblíquos. Ignorando-se o default delta de 0, deve-se usar um número menor ou igual a 0,8.

22 Data Output

23 Log de dados

24 Matriz de correlação

25 Os Testes Kaiser-Meyer-Olkin (KMO) e de Esfericidade de Bartlett, indicam qual é o grau de suscetibilidade ou o ajuste dos dados à análise fatorial, isto é, qual é o nível de confiança que se pode esperar dos dados quando do seu tratamento pelo método multivariado de análise fatorial seja empregada com sucesso (Hair et al, 1998). O primeiro deles (KMO) apresenta valores normalizados (entre 0 e 1,0) e mostra qual é a proporção da variância que as variáveis (questões do instrumento utilizado) apresentam em comum ou a proporção desta que são devidas a fatores comuns.

26 Grau de ajuste à Análise fatorial
Para interpretação do resultado obtido, valores próximos de 1,0 indicam que o método de análise fatorial é perfeitamente adequado para o tratamento dos dados. Por outro lado, valores menores que 0,5, indicam a inadequação do método (SPSS, 1999 e Pereira, 2001). No nosso caso, o valor obtido foi de 0,715, o que nos mostra uma boa adequação de possibilidades de tratamento dos dados com o método citado. KMO Grau de ajuste à Análise fatorial 1-0,9 Muito Boa 0,8-0,9 Boa 0,7-0,8 Média 0,6-0,7 Razoável 0,5-0,6 Má <0,5 Inaceitável

27 O segundo teste, o de Esfericidade de Bartlett é baseado na distribuição estatística de “chi quadradro” e testa a hipótese (nula H0) de que a matriz de correlação é uma matriz identidade (cuja diagonal é 1,0 e todas as outras as outras iguais a zero), isto é, que não há correlação entre as variáveis.(Pereira, 2001). Valores de significância maiores que 0,100, indicam que os dados não são adequados para o tratamento com o método em questão; que a hipótese nula não pode ser rejeitada. Já valores menores que o indicado permite rejeitar a hipótese nula (SPSS,1999 e Hair et al, 1998). Também, no nosso caso o valor da significância do teste de Bartlett, mostrou-se menor que 0,0001, o que permite mais uma vez confirmar a possibilidade e adequação do método de análise fatorial para o tratamento dos dados. SPSS - Statistical Package for the Social Sciences. Base 10.0 User's Guide. Chicago: SPSS, 1999. HAIR, J. F. et al. Multivariate data analysis. Fifth Edition. New jersey: Prentice Hall, 1998. PEREIRA, J. C. R. Análise de Dados Qualitativos: Estratégias Metodológicas para as Ciências da Saúde, Humanas e Sociais. São Paulo: EDUSP, 2001.

28 Estatísticas Descritivas

29 Análise de Variância

30 Seleção dos Fatores

31 Matriz de rotação Sem Opção de corte Suja

32 Matriz de rotação VARIMAX

33 Sem Rotação ACP Matriz de rotação AFCP

34 Matriz de rotação Método Equamax - corte 0,500

35 Ajuste do modelo de rotação
Residuals are computed between observed and reproduced correlations. There are 56 (53,0%) nonredundant residuals with absolute values > 0.05. É desejável que as contagens resíduos >0,05 ou 5% estejam em menos que 50% dos dados!

36 O que são Resíduos? Dado modelo Resíduo

37 Matriz de rotação Quando os valores médios estão abaixo da média teórica, deve-se inverter a assertiva!!!

38 Análise de Variância