Análise de Componentes Principais

Etapas

2) Extração das componentes principais (CP's)

3) Rotação das CP's (matriz dos valores próprios rodada - ou seja, os valores ficam extremados, facilitando as conclusões)

1) Verificar se é possível realizar técnica

4) Interpretação das CP's

1) Requisitos

Variáveis Quantitativas ou Qualitativas em escala de Likert

5x mais observações (pelo menos) do que o número de variáveis iniciais

As variáveis iniciais têm de estar correlacionadas entre si

Analyse>Descreptive Statistics>Frequencies

Analyse>Correlate>Bivariate(selecionar apenas a diagonal e a matriz triangular inferior)

Matriz de Correlações

Estatística de Kaiser-Meyer-Olkin (KMO)

Teste de Bartlett

varia entre 0 e 1 e é aceitável quando KMO > 0.5

H0: A matriz de correlações é uma matriz identidade (Só se H0 for rejeitado é que se pode avançar - ou seja, as variáveis estão correlacionadas entre si)

Objetivo: poucas componentes e explicar o máximo possível da variância

A proporção de variância explicada é dada pelo valor próprio da componente e pela comunalidade

2) Critérios de Extração das CP's

Kaiser: tantas componentes quanto aquelas que tenham valor próprio > 1

Critério da Variância Explicada: tantas variáveis quanto aquelas que expliquem entre 60% e 70% da variância

Scree Plot: tantas variáveis quanto aquelas que antecedem o ponto de cotovelo no gráfico de valores próprios

IMPORTANTE: ATENDER SEMPRE À INTERPRETABILIDADE DA SOLUÇÃO OBTIDA

Método estatístico multivariado que permite transformar um conjunto de variáveis correlacionadas entre si num outro conjunto de variáveis (menor e mais compacto) não correlacionadas

SPSS: Analyse>Dimension Reduction>Factor (KMO on Descriptives; Scree Plot on Extraction; Varimax on Rotation)

Na tabela Cummunalities não deve haver nenhuma variável com explicação muito abaixo de 50%
Solução: adicionar CP's ou remover variáveis

Índice

uma outra forma de reduzir e compactar informações

média de vários items

média de um conjunto de variáveis

Alpha de Cronbach (0 <= α<= 1)

Se α for próximo de zero, então a relação entre as CP's é fraca

Se α for próximo de um, então a relação entre as CP's é forte

Através deste α concluimos se vale a pena calcular o índice

SPSS: Analyse>Scale>Reliability Analysis

Criar variáveis

Transform>Compute Variables

Opção de 'Save' quando selecionamos as definições dos testes