Mestrado e Doutorado em

Controladoria
e Contabilidade

Análise Multivariada
Aplicada à Contabilidade
Prof. Dr. Marcelo Botelho da Costa Moraes
www.marcelobotelho.com
[email protected]
Turma: 2º / 2016

1
Agenda – Aula 11/15
• Análise Fatorial
• Uso
• Modelagem
• Formas de Análise
• Extração e Análise dos Fatores
• Caso prático

2
Análise Fatorial

3
Análise Fatorial
• Busca sintetizar as relações observadas entre um
conjunto de variáveis inter-relacionadas

• Representar um conjunto de variáveis originais

observadas por um meio de um menor número de
fatores intrínsecos

• Redução dos dados em fatores

4
Análise Fatorial
• Descobrir e analisar a estrutura de um conjunto de
variáveis inter-relacionadas, de modo a construir
uma escala de medida para fatores (intrínsecos)
que, de alguma forma (mais ou menos explícita),
controla as variáveis originais (MAROCO, 2007)
• As variáveis que compõem um determinado fator
devem ser altamente correlacionadas
• Objetivo de atribuir um escore a constructos
(fatores)

5
Análise Fatorial
• Um fator é a combinação linear das variáveis
originais

• Os fatores também representam as dimensões

latentes (constructos) que resumem ou explicam o
conjunto original de variáveis observadas

6
Análise Fatorial
Suposições existentes na Análise Fatorial

• Normalidade (multivariada) e linearidade

• Matriz de correlações com valores significativos

(número substancial de valores superiores a 0,30)

7
Análise Fatorial
Prévia da Análise Fatorial
• Verificar viés e outliers
• Afetam a variância, desvio padrão, covariância e
correlação
• Amostra deve ser igual ou superior a 100
observações
• Mínimo de 5 vezes mais observações do que o número
de variáveis (recomendável 10 observações por variável)

8
Análise Fatorial
Tipos de Análise Fatorial
• Análise exploratória
• O pesquisador tem pouco ou nenhum conhecimento
prévio acerca da estrutura de fatores (foco da aula)
• Análise confirmatória
• Caso particular de equações estruturais, já que o
pesquisador possui algum conhecimento prévio sobre
como as variáveis se comportam e relacionam, assim,
assume que a estrutura de fatores é conhecida

9
Análise Fatorial
Etapas da Análise Fatorial
• Análise da matriz de correlações e adequação da
utilização da análise fatorial
• Extração dos fatores iniciais e determinação do
número de fatores
• Rotação dos fatores
• Interpretação dos fatores

10
Modelagem da Análise Fatorial
• Desenvolvido por Spearman em 1904
• Notou que as correlações das notas dos estudantes
poderiam ser quantificadas de maneira mais
simples
• Criou a hipótese de que o desempenho dos alunos
em várias disciplinas são inter-relacionados, e essas
inter-relações podem ser explicadas pelo nível de
inteligência geral dos estudantes

11
 Modelagem da Análise Fatorial

Clássicos Francês Inglês Matemática Discriminação Música

de tom
Clássicos 1,00 0,83 0,78 0,70 0,66 0,63
Francês 0,83 1,00 0,67 0,67 0,65 0,57
Inglês 0,78 0,67 1,00 0,64 0,54 0,51
Matemátic 0,70 0,67 0,64 1,00 0,45 0,51
a
Discrimina 0,66 0,65 0,54 0,45 1,00 0,40
ção de tom
Música 0,63 0,57 0,51 0,51 0,40 1,00

12
Modelagem da Análise Fatorial
• Por exemplo, para a linha Clássicos e Inglês
0,83 0,70 0,66 0,63
≈ ≈ ≈ ≈ 1,2
0,67 0,64 0,54 0,51

13
Modelagem da Análise Fatorial
• Spearman sugeriu que cada um dos seis testes de
inteligência (variáveis) pudesse ser descrito como
𝑋𝑖 = 𝑎𝑖 𝐹 + 𝜀𝑖
• Xi é o i-ésimo escore da variável analisada depois de
efetuada a padronização (média zero e desvio padrão 1 – Z
scores)
• F é o fator aleatório comum a todas as variáveis
(inteligência)
• 𝜀𝑖 é um componente aleatório específico para cada teste de
inteligência
• ai é a constante chamada de carga fatorial (loading), que
mede a importância dos fatores na composição de cada
variável (correlação)

14
Modelagem da Análise Fatorial
• A variância de Xi é dada por
𝑉𝑎𝑟 𝑋𝑖 = 𝑉𝑎𝑟 𝑎𝑖 𝐹 + 𝜀𝑖
= 𝑉𝑎𝑟 𝑎𝑖 𝐹 + 𝑉𝑎𝑟(𝜀𝑖 )
= 𝑎𝑖 2 𝑉𝑎𝑟 𝐹 + 𝑉𝑎𝑟(𝜀𝑖 )
= 𝑎𝑖 2 + 𝑉𝑎𝑟(𝜀𝑖 )
• Em que ai é uma constante, F e 𝜀𝑖 são independentes e
a variância de F é igual a 1. Como Var(Xi) = 1, tem-se
1 = 𝑎𝑖 2 + 𝑉𝑎𝑟(𝜀𝑖 )
• O quadrado da ai (carga fatorial) representa a
proporção da variância de Xi, que é explicada pelo fator
comum (comunalidade)
15
Modelagem da Análise Fatorial
• Spearman defendia que a performance de uma
criança em um teste qualquer podia ser obtida pela
soma de um fator geral F com uma habilidade
específica 𝜀𝑖
• Generalizando a proposta, tem-se o modelo fatorial
em que p variáveis observáveis (X1, X2, ..., Xp),
extraídas de uma população com vetor de média µ
e matriz de covariância Σ, são linearmente
dependentes de algumas variáveis não observáveis
F1, F2, ..., Fm, denominadas de fatores comuns e de
p fontes adicionais de variação ε1, ε2, ..., εp,
denominadas de erros ou fatores específicos
16
Modelagem da Análise Fatorial
• O modelo de análise fatores pode ser apresentado
como
𝑋1 = 𝜇1 + 𝑎11 𝐹1 + 𝑎12 𝐹2 + ⋯ + 𝑎1𝑚 𝐹𝑚 + 𝜀1
𝑋2 = 𝜇2 + 𝑎21 𝐹1 + 𝑎22 𝐹2 + ⋯ + 𝑎2𝑚 𝐹𝑚 + 𝜀2
...
𝑋𝑝 = 𝜇𝑝 + 𝑎𝑝1 𝐹1 + 𝑎𝑝2 𝐹2 + ⋯ + 𝑎𝑝𝑚 𝐹𝑚 + 𝜀𝑝
• Efetuando a padronização de X, o modelo fica
𝑋𝑖 = 𝑎𝑖1 𝐹1 + 𝑎𝑖2 𝐹2 + ⋯ + 𝑎𝑖𝑚 𝐹𝑚 + 𝜀𝑖 (i= 1, ..., p)

17
Modelagem da Análise Fatorial
• O modelo anterior assume as seguintes premissas
1. Os fatores comuns (Fk) são independente
(ortogonais) e igualmente distribuídos, com
média 0 e variância 1 (k = 1, ..., m)
2. Os fatores específicos (εi) são independentes e
igualmente distribuídos, com média zero e
variância ψi (i = 1, ..., p)
3. Fk e εi são independentes
• O termo ψi representa a variância de εi, ou seja,
Var(εi) = ψi

18
Modelagem da Análise Fatorial
• Se as três premissas anteriores forem verificadas,
temos um modelo fatorial ortogonal
• Caso contrário, se Fk e εi estiverem correlacionados,
o modelo fatorial será oblíquo
• Já os fatores podem ser estimados por combinação
linear das variáveis
𝐹1 = 𝑑11 𝑋1 + 𝑑12 𝑋2 + ⋯ + 𝑑1𝑖 𝑋𝑖
𝐹2 = 𝑑21 𝑋1 + 𝑑22 𝑋2 + ⋯ + 𝑑2𝑖 𝑋𝑖
...
𝐹𝑚 = 𝑑𝑚1 𝑋1 + 𝑑𝑚2 𝑋2 + ⋯ + 𝑑𝑚𝑖 𝑋𝑖
19
Modelagem da Análise Fatorial
• Sendo Fm os fatores comuns, dmi os coeficientes dos
escores fatoriais e Xi as variáveis originais
• O escore fatorial resulta da multiplicação dos
coeficientes dmi pelo valor das variáveis originais
• Na existência de mais de um fator, o escore fatorial
corresponderá às coordenadas da variável em
relação aos eixos (fatores)

20
Modelagem da Análise Fatorial
• A variância será dada por
𝑉𝑎𝑟 𝑋𝑖 = 𝑉𝑎𝑟 𝑎𝑖1 𝐹1 + 𝑎𝑖2 𝐹2 + ⋯ + 𝑎𝑖𝑚 𝐹𝑚 + 𝜀𝑖 = 1
=1
= 𝑎𝑖1 2 𝑉𝑎𝑟 𝐹1 + 𝑎𝑖2 2 𝑉𝑎𝑟 𝐹2 + ⋯ + 𝑎𝑖𝑚 2 𝑉𝑎𝑟 𝐹𝑚 + Ψ𝑖
= 𝑎𝑖1 2 +𝑎𝑖2 2 + ⋯ + 𝑎𝑖𝑚 2 + Ψ𝑖
• Portanto, a variância pode ser decomposta em duas
partes
𝑉𝑎𝑟(𝑋𝑖 ) = 𝑎𝑖1 2 +𝑎𝑖2 2 + ⋯ + 𝑎𝑖𝑚 2 + Ψ𝑖

comunalidade variância
específica
21
Modelagem da Análise Fatorial
• Sendo
ℎ𝑖 2 = 𝑎𝑖1 2 +𝑎𝑖2 2 + ⋯ + 𝑎𝑖𝑚 2 + Ψ𝑖
• A comunalidade representa uma estimativa da
variância de Xi que é explicada pelos fatores
comuns
• ψi é chamada de especificidade de Xi, pois não está
ligada ao fator comum
• A comunalidade é um índice de variabilidade total
explicada por todos os fatores para cada variável
2
𝑉𝑎𝑟(𝑋𝑖 )ℎ𝑖 + Ψ𝑖 (i = 1, 2, ..., p)

22
Adequação da Utilização da
Análise Fatorial
• Analisar a matriz de correlações

• Verificar a estatística KMO e o teste de esfericidade

de Bartlett

• Analisar a matriz anti-imagem

23
Análise da Matriz de Correlações
• Pressuposto de correlações entre as variáveis
• Verificar se existem valores significativos para justificar o
emprego da técnica
• Baixa correlação indica uso de outras técnicas
• Variáveis com alta correlação tendem a
compartilhar o mesmo fator
• Matriz de correlação de Pearson
• Se a matriz de correlações não revelar um número
substancial de valores superiores a 0,30 há fortes
indícios de que a utilização da técnica não é apropriada

24
KMO e Teste de Esfericidade de
Bartlett
• O teste de esfericidade de Bartlett avalia a hipótese
de que a matriz de correlações pode ser a matriz
identidade com determinante igual a 1
1 0 … 0
0 1 … 0
⋮ ⋮ ⋱ ⋮
0 0 … 1
• Se a matriz de correlações for igual à matriz
identidade, isso significa que não devemos utilizar a
análise fatorial
• H0: a matriz de correlações é uma matriz identidade
25
KMO e Teste de Esfericidade de
Bartlett
• Uma estatística utilizada é a Kaiser-Meyer-Olkin
(KMO) que compara as correlações simples com as
correlações parciais
𝑟 2
𝑖≠𝑗 𝑖𝑗
𝐾𝑀𝑂 = 2+ 2
𝑖≠𝑗 𝑟𝑖𝑗 𝑖≠𝑗 𝑎 𝑖𝑗
• rij = coeficiente de correlação entre variáveis
• aij = coeficiente de correlação parcial

26
KMO e Teste de Esfericidade de
Bartlett
• A estatística KMO, cujos valores variam de 0 a 1,
avalia a adequação da amostra quanto ao grau de
correlação parcial entre os valores, que deve ser
pequeno
• O valor de KMO próximo de 0 indica que a análise
fatorial pode não ser adequada (correlação fraca
entre as variáveis)
• Quanto mais próximo de 1 o seu valor, mais
adequada é a utilização da técnica

27
KMO e Teste de Esfericidade de
Bartlett
KMO 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

28
Matriz Anti-Imagem
• A matriz de correlações anti-imagem contém os
valores negativos das correlações parciais
• É uma forma de obter indícios sobre a necessidade
de eliminação de determinada variável do modelo
• A Medida de Adequação da Amostra, ou Measure
of Sampling Adequacy (MSA), para cada variável, de
forma similar ao KMO

29
Matriz Anti-Imagem
2
𝑖≠𝑗 𝑟𝑖𝑗
𝑀𝑆𝐴 = 2+ 2
𝑖≠𝑗 𝑟𝑖𝑗 𝑖≠𝑗 𝑎 𝑖𝑗
• O pesquisador deve analisar os valores de MSA para cada
variável individualmente e excluir as que se encontram no
domínio inaceitável
• Quanto maiores os valores, melhor
• Se alguma variável apresentar baixo valor na diagonal
principal e alto valor fora dela, talvez haja necessidade de
excluí-la
• Vale lembrar que, por vezes, a baixa correlação de
determinada variável com as demais não necessariamente
implica em sua eliminação, podendo representar um fator
isoladamente

30
Extração dos Fatores Iniciais
Método de Extração
• Análise dos Componentes Principais (ACP)
• Considera a variância total dos dados
• Análise dos Fatores Comuns (AFC)
• Os fatores são estimados com base na variância comum
• Variância
• Comum (comunalidade)
• Específica (variável individual)
• Erro (fatores aleatórios)

31
Extração dos Fatores Iniciais
Análise dos Componentes Principais (ACP)
• Combinação linear das variáveis observadas, de
maneira a maximizar a variância total explicada
• Se determinadas variáveis forem altamente
correlacionadas, elas serão combinadas de modo a
formar um fator que explicará a maior quantidade
de variância na amostra
• O segundo componente terá a segunda maior
quantidade de variância e não será correlacionado
com o primeiro e, assim, sucessivamente
32
Extração dos Fatores Iniciais
• Se o objetivo é reduzir os dados para obtenção do
mínimo número de fatores necessários para
explicar o máximo da variância representada pelas
variáveis originais, optar pela ACP
• Se o objetivo é identificar fatores ou dimensões
latentes que reflitam o que as variáveis têm em
comum, a AFC é mais apropriada

33
Extração dos Fatores Iniciais
• Além da ACP e AFC, temos
• Máxima verossimilhança: indicado quando se trata de
uma amostra de indivíduos retirados de uma população
normal e se pretende explicar a estrutura latente da
matriz de correlações
• Mínimos quadrados ordinários e generalizados (OLS e
GLS): objetivos semelhantes aos do método anterior
• Alpha: parte do pressuposto de que as variáveis em
estudo constituem uma amostra do universo de
variáveis existentes e de que os indivíduos compõem
toda a população

34
Extração dos Fatores Iniciais
Escolha do Número de Fatores
• Primeiro extrai a combinação linear que explica a
maior parte da variância dos dados, em seguida,
uma combinação que explique um montante de
variância cada vez menor
• Necessidade de definir quantos fatores:
• Critério da raiz latente (critério de Kaiser)
• Critério a priori
• Critério de percentagem da variância
• Critério do gráfico Scree

35
Extração dos Fatores Iniciais
• Critério da raiz latente (critério de Kaiser)
• Escolhe-se o número de fatores a reter, em função do número
de valores próprios acima de 1
• Os valores próprios, autovalores ou eigenvalues, são
ordenador por dimensão
• Eigenvalues mostram a variância explicada por cada fator, ou
seja, o quanto cada fator explica da variância total
• No método de extração de componentes principais, a soma
dos valores próprios iguala o número de variáveis
• A escolha dos componentes que apresentam eigenvalues
maior que 1 decorre do fato de que, no mínimo, o
componente deve explicar a variância de uma variável
utilizada no modelo, uma vez que são variáveis padronizadas

36
Extração dos Fatores Iniciais
• Critério a priori
• É o método mais simples, pois, neste caso o pesquisador
já sabe quantos fatores extrair
• Critério de percentagem da variância
• Consiste em escolher, como número de fatores, um
número mínimo necessário para que o percentual de
variância explicada alcance o nível satisfatório desejado
(definido pelo pesquisador)
• Critério do gráfico Scree
• Utilizado para identificar o número ótimo de fatores que
podem ser extraídos antes que a quantia da variância
única comece a dominar a estrutura da variância comum

37
Extração dos Fatores Iniciais
• Critério do gráfico Scree

38
Rotação dos Fatores
• Nem sempre os fatores produzidos na fase de
extração são facilmente interpretados
• O método de rotação tem por objetivo transformar
os coeficientes dos componentes principais retidos
em uma estrutura simplificada
• Como as cargas fatoriais são pontos entre eixos
(fatores), podemos girar os eixos sem alterar a
distância entre os pontos (relação entre fator e
variável)

39
Rotação dos Fatores
• Métodos de rotação ortogonais
• Varimax: minimiza o número de variáveis que têm altas
cargas em um fator, simplificando a interpretação dos fatores.
Privilegia apenas alguns pesos significativos e todos os outros
próximos de zero. É o mais utilizado
• Quartimax: busca simplificar as linhas de uma matriz fatorial
(número de fatores), tornando os pesos de cada variável
elevados para um pequeno número de componentes, e
próximos de zero todos os demais (minimiza o número de
fatores para explicar uma variável)
• Equamax: congrega características dos outros métodos, com
objetivo de simplificar as linhas e colunas simultaneamente
(fatores e variáveis)

40
Rotação dos Fatores
• Métodos de rotação oblíquas
• No SPSS temos o Direct Oblim e o Promax
• As comunalidades são preservadas, porém, os fatores
gerados apresentam-se de forma mais fortemente
correlacionadas

• Se o objetivo é reduzir o número de variáveis

originais, independente da significância dos fatores
resultantes, o método ortogonal é preferível

41
Rotação dos Fatores
• A matriz de componentes, após a rotação
ortogonal, visa extremar os valores das cargas
fatoriais (loadings), de modo que cada variável se
associe a apenas um fator
• Variáveis com baixa carga fatorial devem ser
eliminadas

42
Interpretação dos Fatores
• Devemos escolher quais cargas fatoriais devem ser
consideradas
• Normalmente, considera-se apenas cargas fatorais
acima de 0,30 (nível mínimo), cargas acima de 0,40
são consideradas mais importantes e, se forem
maiores que 0,50 são consideradas
estatisticamente significativa

43
Interpretação dos Fatores
• Para identificar cargas fatoriais significativas, ao
nível de 5% de significância, com base no tamanho
da amostra, temos (próximo slide)

44
Interpretação dos Fatores
Carga Fatorial Tamanho da Amosta
0,30 350
0,35 250
0,40 200
0,45 150
0,50 120
0,55 100
0,60 85
0,65 70
0,70 60
0,75 50

45
Análise Fatorial
• Exemplo prático: Fatorial.xls
• Variáveis
• Cod_Em: código da empresa;
• PMRV: prazo médio de recebimento de vendas, em dias;
• Endividamento: em %;
• Vendas: em $ x mil;
• Margem_líquida: margem líquida de vendas em %;

46
Obrigado pela
Atenção!!!
Até a próxima aula

[email protected]
www.marcelobotelho.com

47