Baixe o app para aproveitar ainda mais
Prévia do material em texto
Tutorial: Estatística Multivariada no Minitab UFOP – ICEA/DEENP Disciplina: Estatística II Análise Fatorial Análise Fatorial Para Fávero et al. (2009), a análise fatorial (AF) é uma técnica multivariada que busca identificar um número relativamente pequeno de fatores comuns que podem ser utilizados para representar relações entre um grande número de variáveis inter-relacionadas. Mingoti (2005) destaca que a análise fatorial tem como objetivo principal descrever a variabilidade original do vetor aleatório X, em termos de um número menor de m variáveis aleatórias, chamadas de fatores comuns e que estão relacionadas com o vetor original X a partir de um modelo linear. Análise Fatorial Segundo Maroco (2007), a análise fatorial é uma técnica de análise exploratória de dados que tem por objetivo 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. A partir das correlações observadas entre as variáveis originais, a AF estima os fatores comuns que São subjacentes as variáveis e não diretamente observáveis (FÁVERO et al., 2009). Análise Fatorial De forma resumida, podemos dizer que a análise fatorial é uma técnica estatística usada para identificar um número relativamente pequeno de fatores que podem ser usados para identificar relacionamentos entre um conjunto de muitas variáveis inter- relacionadas entre si. Análise Fatorial EXEMPLO: Suponha que um diretor de uma fábrica de automóveis pretende entender o que leva um consumidor a escolher um modelo específico de automóvel, isto é, quais os fatores que levam os consumidores a escolher um modelo específico de automóvel. Para isso foram consideradas as opiniões de um conjunto de consumidores acerca da importância das seguintes variáveis para a escolha de um automóvel Análise Fatorial Análise Fatorial É difícil avaliar 14 variáveis separadamente ou desenvolver planos de ação tendo em conta tantas variáveis. Em vez disso seria ideal saber como pensam os consumidores em termos de dimensões (fatores) mais gerais. Para identificar estas dimensões foi aplicada a análise fatorial, cujos resultados sugerem que as 14 variáveis podem ser caracterizadas por: 4 fatores (I, II, III e IV) relacionados com I - conforto II - custo/eficiência III - estilo IV - facilidade de manipulação Análise Fatorial Análise Fatorial Em termos gerais, de acordo com Hair et al. (2005), a AF aborda o problema de analisar a estrutura das inter- relações (correlações) entre um grande número de variáveis, definindo um conjunto de dimensões latentes comuns, chamadas defatores, que quando interpretadas e compreendidas, descrevem os dados em número muito menor de conceitos do que as variáveis individuais originais. Análise Fatorial As suposições em AF, de acordo com Pestana e Gageiro (2005) e Hair et al. (2005) são: a) Normalidade e linearidade: desvios na normalidade e na linearidade podem reduzir as correlações observadas entre as variáveis e, portanto, prejudicar a solução; b) Identificação da existência de outliers: este fenômeno pode distorcer os resultados, uma vez que altera as estimativas das médias e dos desvios padrão c) Matriz de correlações com valores significativos: o pesquisador deve garantir que a matriz de correlações apresente um considerável número de correlações com valores superiores a 0,30. Análise Fatorial Para Mingoti (2005) é importante destacar a diferença entre a análise fatorial exploratória e a confirmatória. A análise fatorial exploratória buscar encontrar os fatores subjacentes as Variáveis originais amostradas. Assim, quando opesquisador faz essa análise, a princípio, ele não tem noção clara de quantos fatores fazem parte do modelo e nem o que esses representam. Já a análise fatorial confirmatória é frequentemente estudada como um caso particular da técnica de equações estruturais, já que o pesquisador possui algum conhecimento prévio de como as variáveis se comportam e se relacionam e, desta forma, assume que a estrutura dos fatores é conhecida. O que é? Assim como a análise de componentes principais, a análise fatorial é uma técnica que sumariza a estrutura de covariância dos dados em poucas dimensões. Porém, a ênfase da análise fatorial é a identificação de fatores subjacentes, as chamadas variáveis latentes, que podem explicar as dimensões associadas a dados com grande variabilidade. Desse modo, a análise fatorial descreve a variabilidade das variáveis originais, em termos de um número menor de fatores, que estão relacionados com as variáveis originais através de modelos lineares. Esses fatores, ou variáveis latentes, são definidos pela detecção de comportamento semelhante entre as variáveis. Análise Fatorial Quando usar? Use análise fatorial quando estiver interessado no comportamento de um grupo de variáveis que se correlacionam entre si. Essa técnica é utilizada para se encontrar um número menor de fatores, ou variáveis não-observáveis, que explica a maior parte da variabilidade dos dados, e além disso, tem sentido prático. Portanto, use a análise fatorial quando tiver um (ou ambos) dos seguintes objetivos: • Parcimônia: Definição do relacionamento entre as variáveis de modo simples e usando um número de fatores menor que o número original de variáveis. • Interpretabilidade: Atribuir aos fatores um significado no contexto estudado, obtendo assim uma coerência lógica que facilitará a interpretação dos mesmos. Análise Fatorial Por que usar? A análise fatorial pode ajudar a responder várias perguntas, tais como: • Quais fatores explicam a maior parte da variabilidade das variáveis coletadas? • Com base nas variáveis medidas, quais fatores determinam o perfil da população de interesse? Por exemplo: • Pela informação contida nas 14 variáveis medidas na pesquisa de satisfação, quais “fatores” explicam melhor a variabilidade desses dados? • Através das 45 variáveis medidas em todos os funcionários da empresa, quais fatores determinam o estresse desses indivíduos? Análise Fatorial Problema Segundo dados recentes divulgados por uma empresa de comunicação, os jovens brasileiros gastam mais de R$10 bilhões por ano com telefonia celular, e constituem o segmento de consumidores mais promissor nesse mercado. Visualizando essa tendência, uma empresa de telefonia móvel e equipamentos realizou uma pesquisa com clientes jovens no intuito de avaliar a satisfação dos mesmos com seus produtos e serviços. O objetivo era avaliar principalmente a satisfação com o modelo de aparelho celular mais recentemente lançado. Exemplo: Pesquisa de Satisfação de Clientes Problema Baseando-se em uma discussão prévia, analistas levantaram seis atributos considerados relevantes por usuários de celulares, que podem servir como critérios de escolha de um aparelho ou serviço de operadora: • Design e tamanho do aparelho • Tecnologia do aparelho • Usabilidade - facilidade de encontrar as funções no aparelho • Preço e tipo de plano • Área de cobertura • Atendimento fornecido pela central de atendimento Exemplo: Pesquisa de Satisfação de Clientes Coleta de dados Analistas responsáveis pela pesquisa selecionaram uma amostra de clientes da empresa. Entre todos os clientes com idade entre 17 e 25 anos que adquiriram o aparelho mais recentemente lançado, foi selecionada uma amostra aleatória de 100 indivíduos. A pesquisa em questão foi aplicada por telefone, na qual se solicitava que cadarespondente atribuísse uma nota de 1 a 5 para sua satisfação com cada um dos atributos descritos acima, onde 1 representa “nada satisfeito” e 5 indica “totalmente satisfeito”. Exemplo: Pesquisa de Satisfação de Clientes Ferramentas •Correlation •Factor Analysis Arquivo de dados Satisfação_Celular.MTW Variável Descrição Cliente Identificação do cliente que respondeu a pesquisa Design Nota atribuída ao design e tamanho do aparelho Tecnologia Nota atribuída à tecnologia do aparelho Usabilidade Nota atribuída à facilidade de uso do aparelho Preço Nota atribuída ao preço e tipo de plano Cobertura Nota atribuída à área de cobertura Atendimento Nota atribuída ao atendimento fornecido pela central de atendimento Exemplo: Pesquisa de Satisfação de Clientes A análise de correlação permite identificar quais das 6 variáveis medidas têm mais associação entre si, o que facilita a interpretação da análise fatorial que será realizada posteriormente. Caso as correlações entre as variáveis analisadas sejam desprezíveis, a análise fatorial perde sua utilidade. Calculando a matriz de correlação Correlation 1) Abra o arquivo SATISFAÇÃO_CELULAR.MTW. 2) Selecione Stat > Basic Statistics > Correlation. 3) Preencha a caixa de diálogo como mostra a figura abaixo, e clique em OK. Calculando a matriz de correlação Coeficientes de correlação Os valores que compõem a matriz de correlação são os coeficientes de correlação de Pearson, que medem o quanto as variáveis que constituem cada par estão linearmente relacionadas entre si. É possível observar uma correlação forte entre as variáveis Design, Tecnologia e Usabilidade, bem como entre as variáveis Preço, Cobertura e Atendimento. Assim, pode-se formar dois grupos: um composto pelas variáveis associadas à satisfação com o aparelho celular, e outro relacionado à satisfação com a operadora. Interpretando os resultados Coeficientes de correlação Como esses coeficientes são positivos, conclui-se por exemplo que clientes que atribuem uma nota alta à satisfação com o Design do aparelho, tendem a também atribuírem notas altas aos quesitos Tecnologia e Usabilidade. Da mesma forma, clientes que atribuem uma nota alta ao Preço, também têm a tendência de classificarem com notas altas sua satisfação com os quesitos Cobertura e Atendimento. Assim, é como se a opinião dos clientes fosse descrita por dois fatores, um constituído pelas variáveis do primeiro grupo, e outro constituído pelas variáveis do segundo grupo. Interpretando os resultados Realize a análise fatorial nessas 6 variáveis, e verifique se os resultados concordam com o agrupamento de variáveis sugerido pela matriz de correlações. Próximo passo Factor Analysis 1) Selecione Stat > Multivariate > Factor Analysis. 2) Preencha a caixa de diálogo como mostra a figura abaixo: Análise fatorial Visando determinar os fatores subjacentes responsáveis pela correlação nos dados da pesquisa, realize a análise fatorial. Method of Extraction Na análise fatorial, as variáveis originais coletadas na pesquisa de satisfação serão agrupadas em novos subconjuntos de variáveis mutuamente não-correlacionadas, denominadas fatores. A extração desses fatores pode ser feita por dois métodos distintos: Componentes principais (que é o default do Minitab, e será utilizado nesse exemplo), e Máxima verossimilhança. Análise fatorial Number of factors to extract O número de fatores a serem extraídos a partir das variáveis originais pode ser determinado pelo usuário. Quando o método de componentes principais é utilizado, caso o usuário não especifique um número de fatores, o Minitab assume o mesmo número de variáveis originais (nesse caso, 6). Se você especificar mais fatores do que o número de variáveis originais disponíveis, uma mensagem de erro será emitida na janela Session. Análise fatorial Factor Analysis 3) Clique em Graphs. Marque Scree plot. 4) Clique em OK em cada caixa de diálogo. Análise fatorial Entendendo a análise fatorial A idéia da análise fatorial é usar o vetor X = (X1 X2 ... Xp)’, composto pelas p variáveis aleatórias originais (nesse exemplo, temos p=6 variáveis: Design (X1), Tecnologia (X2), Usabilidade (X3), Preço (X4), Cobertura (X5) e Atendimento (X6)), para construir um modelo. Nessa análise, são utilizadas as variáveis originais Xi padronizadas pela respectiva média e desvio-padrão, chamadas de Zi. Assim, o modelo de análise fatorial construído irá relacionar linearmente as variáveis padronizadas Zi e m fatores comuns, que são inicialmente desconhecidos. As equações do modelo podem ser escritas da seguinte forma: Z1 = l11 F1 + l12 F2 + ... l1m Fm + e1 Z2 = l21 F1 + l22 F2 + ... l2m Fm + e2 . . . Zp = lp1 F1 + lp2 F2 + ... lpm Fm + ep Interpretando os resultados Entendendo a análise fatorial Desse modo, o modelo de análise fatorial consiste em estimar as variáveis Fj, que descrevem a população em estudo e são não-observáveis, com as quais as variáveis Zi estão linearmente relacionadas. Então, a informação das p variáveis padronizadas Z1, Z2, ..., Zp estará sendo representada por p+m variáveis aleatórias não observáveis, e1, e2, ..., ep e , F1, F2, ..., Fm. O objetivo é identificar as novas m variáveis, interpretá-las e calcular seus escores, assim como é feito na técnica de análise de componentes principais, mostrada no exemplo anterior. Interpretando os resultados Entendendo a análise fatorial Nas equações mostradas anteriormente, os coeficientes lij, chamados de loadings ou cargas fatoriais, representam o grau de relacionamento linear entre a variável Zi e o fator Fj. Pelo método de componentes principais, os coeficientes lij são estimados pela matriz de correlação amostral das variáveis originais, calculada anteriormente, dado que algumas suposições são satisfeitas. Sejam l1 , l2, ..., lp os p autovalores calculados a partir da matriz de correlação dos dados. Para cada autovalor li, tem-se o autovetor ei correspondente, em que: e1 = (a11 a12 ... a1p)’ e2 = (a21 a22 ... a2p)’ ... ep = (ap1 ap2 ... app)’ Assim, a carga fatorial lij é estimada por: lij = raiz quadrada (li) * aij Interpretando os resultados Loadings A primeira parte da saída do Minitab exibe os valores de loadings, ou cargas fatoriais, para os fatores estimados. Como você tem p=6 variáveis originais, e não especificou um valor na caixa de diálogo (em Number of factors to extract), o Minitab assumiu tantos fatores quanto as variáveis disponíveis. No entanto, como um dos objetivos da análise é a simplificação a partir da redução do número de variáveis, posteriormente avaliaremos quantos desses 6 fatores realmente serão necessários para a interpretação desses dados. Interpretando os resultados Loadings Os valores das cargas fatoriais representam o quanto um fator explica uma variável. Quanto maior a carga fatorial em cima de um fator, mais a variável se identifica com o fator. Valores absolutos altos de cargas fatoriais indicam que a variável influencia fortemente o fator, enquanto valores absolutos baixos indicam que a variável tem uma fraca influência no fator. Interpretando os resultados Communality Os valores de comunalidade, exibidos na última coluna da primeira parte da saída da Session, representam a proporção de cada variável que é explicada pelos fatores do modelo. Nesse exemplo, como são usados 6 fatores para as 6 variáveis originais, 100% da variação de cada variável está sendo explicada, resultando em valores de comunalidade iguais a 1. No entanto, não faz sentido prático utilizar os 6 fatores, pois seu objetivo é reduzir as 6 variáveisa um tamanho manuseável de fatores, que facilite a interpretação dos resultados. Interpretando os resultados Variance O número de fatores a serem utilizados pode ser determinado pelos valores de variância exibidos, que representam a variabilidade nos dados explicada por cada fator. Como o Minitab utilizou o método de componentes principais para executar a análise, a variância é igual aos autovalores da matriz de correlação dos dados originais: l1 = 3,0294; l2 = 2,3757; l3 = 0,3897; l4 = 0,1375; l5 = 0,0515; l6 = 0,0163 Interpretando os resultados Variance Os valores de %Var mostrados representam a proporção da variância dos dados originais que é explicada por cada fator. Para os dados da pesquisa de satisfação com os clientes: • O primeiro fator F1 possui variância de 3,0294 (igual ao maior autovalor) e explica 0,505 (50,5%) da variação total das seis variáveis originais. Interpretando os resultados Variance • O segundo fator F2 possui variância de 2,3757 (igual ao segundo maior autovalor) e explica 0,396 (39,6%) da variação total das seis variáveis originais. Juntos, os dois primeiros fatores explicam aproximadamente 90% da variação total. • As fatores F3, F4, F5 e F6 explicam 6,5%, 2,3%, 0,9% e 0,3%, respectivamente, da variação total das seis variáveis originais. Interpretando os resultados Interpretando os resultados Determinando o número de fatores O primeiro passo para se conduzir a análise de componentes principais é determinar o número m de fatores que serão utilizados. Como essa informação não era conhecida anteriormente, os resultados obtidos após rodar a análise com 6 fatores podem servir como base para essa determinação. Os autovalores interpretados na página anterior podem ser utilizados para a escolha do número de fatores. Avaliando a proporção da variância total relacionada a cada fator, mantenha os fatores cujos autovalores representem as maiores proporções da variância total. Nesse caso, uma opção seria usar m=2 e manter os dois primeiros fatores, que juntos representam 90% da variância total. Já o critério de Kaiser sugere usar os fatores cujos autovalores são maiores que 1, o que nesse exemplo também resultaria na escolha dos dois primeiros fatores (l1 = 3,0294 e l2 = 2,3757). Interpretando os resultados Scree Plot O Scree Plot fornece informação visual sobre esses fatores, e pode auxiliar na escolha de m. Assim como no Scree Plot exibido na análise de componentes principais, o padrão ideal do gráfico resultante da análise fatorial é um ponto ou uma sequência de pontos seguida por um “ponto de salto”. Recomenda-se usar apenas as componentes que se localizam antes do “ponto de salto”. Interpretando os resultados Scree Plot Para esses dados, todos os critérios levam à escolha dos dois primeiros fatores, que representam a maior parte da variabilidade dos dados. Os fatores restantes consideram uma proporção muito pequena da variabilidade (aproximadamente 10%), e não são importantes. Interpretando os resultados Determinando o número de fatores Se houver dúvidas quanto à escolha do número de fatores, refaça a análise fatorial separadamente com cada número de fatores e compare os resultados. Examine os valores de comunalidade para ver como as variáveis individuais estão sendo representadas. Por exemplo, se uma ou mais variáveis não estiverem sendo bem representadas pelo modelo com dois fatores, você pode optar por um modelo com três ou mais fatores. Refaça a análise fatorial utilizando apenas dois fatores. Próximo passo Execute novamente a análise fatorial nos dados da pesquisa de satisfação com clientes, utilizando apenas os dois fatores, que juntos, explicam 90% da variabilidade nos dados originais. Isso permitirá entender a variação dessas 6 variáveis usando um número menor de variáveis. Factor Analysis 1) Selecione Stat > Multivariate > Factor Analysis ou pressione “Ctrl+E”. 2) Em Number of factors to extract, digite 2. 3) Clique em Graphs. Preencha a caixa de diálogo como mostra a figura abaixo e clique em OK. Reduzindo o número de fatores Loadings Os loadings, ou cargas fatoriais, representam a correlação entre o fator e a variável. Assim, você pode interpretar cada fator da seguinte forma: Primeiro fator: É altamente correlacionado com as variáveis Design, Tecnologia e Usabilidade (cargas fatoriais iguais a 0,925; 0,931 e 0,921, respectivamente). Representa o índice de satisfação dos clientes com os atributos do aparelho celular. Interpretando os resultados Loadings Segundo fator: É altamente correlacionado com as variáveis Preço, Cobertura e Atendimento (cargas fatoriais iguais a 0,878; 0,789 e 0,790, respectivamente). Representa o índice de satisfação dos clientes com os serviços relativos à operadora. Interpretando os resultados Communality Os valores de comunalidade representam a proporção da variação de cada variável que está sendo explicada pelos 2 fatores que foram extraídos. Todas as variáveis estão bem representadas pelos 2 fatores, pois as comunalidades correspondentes são altas. Por exemplo, 0.965 ou 96,5% da variabilidade de Design, e 0,915 ou 91,5% da variabilidade de Preço está sendo explicada pelos 2 fatores. Interpretando os resultados Variance Como visto anteriormente, os dois fatores explicam a maior parte da variabilidade dos dados, (0,901, ou 90,1%). Interpretando os resultados Interpretando os resultados Loading Plot O Loading Plot traz informações sobre os loadings dos dois primeiros fatores, e facilita a interpretação dos mesmos. Design, Usabilidade e Tecnologia possuem cargas fatoriais altas no fator 1, portanto, nomeie esse fator por “Satisfação com o aparelho celular”. Interpretando os resultados Loading Plot Atendimento, Preço e Cobertura possuem cargas fatoriais altas no fator 2, portanto, nomeie esse fator por “Satisfação com a operadora”. Factor Score Coefficients O Minitab exibe uma tabela de coeficientes dos escores dos fatores. Os coeficientes formam equações lineares através das quais os dois fatores são colocados como uma função das seis variáveis. Assumindo que L representa a matriz de cargas fatoriais, podemos escrever: Interpretando os resultados Factor Score Coefficients Considerando que LT representa a matriz transposta de L, e o símbolo -1 denota a matriz inversa, a matriz de coeficientes C é calculada pela seguinte fórmula (assumindo notação matricial): C = L(LTL)-1. Para os dados do exemplo, temos então a seguinte matriz C: O Minitab exibe os valores dos coeficientes, que compõem a matriz C. Você pode usar esses valores para calcular os escores dos fatores. Interpretando os resultados Interpretando os resultados Factor Score Coefficients Para os dados da pesquisa de satisfação com clientes, temos as seguintes equações para os dois fatores extraídos a partir da análise fatorial: Fator 1 = 0,305 Design + 0,307 Tecnologia + 0,304 Usabilidade + 0,125 Preço + 0,136 Cobertura + 0,125 Atendimento e Fator 2 = - 0,139 Design -0,146 Tecnologia - 0,150 Usabilidade + 0,370 Preço + 0,332 Cobertura + 0,332 Atendimento Interpretando os resultados Factor Score Coefficients Esses dois fatores encontrados podem ser interpretados da seguinte forma: O fator 1 é um índice de satisfação dos clientes em termos das características mais representativas do aparelho celular, ou seja, Design, Tecnologia e Usabilidade. Como as correlações desses atributos com o fator 1 são altamente positivas, clientes que atribuíram maiores valores para esses 3 atributos terão maiores valores de escores no fator 1. Fator 1 = 0,305 Design + 0,307Tecnologia + 0,304 Usabilidade + 0,125 Preço + 0,136 Cobertura + 0,125 Atendimento Interpretando os resultados Factor Score Coefficients Esses dois fatores encontrados podem ser interpretados da seguinte forma: Já o fator 2 é um índice de satisfação dos clientes em termos das características mais relacionadas com a operadora, ou seja, Preço, Cobertura e Atendimento. Portanto, esses dois fatores representam os critérios de julgamento utilizados pelos clientes na avaliação dos produtos e serviços oferecidos por essa empresa de telefonia celular. Fator 2 = - 0,139 Design -0,146 Tecnologia - 0,150 Usabilidade + 0,370 Preço + 0,332 Cobertura + 0,332 Atendimento Interpretando os resultados Factor Scores Coefficients Assim como foi feito na análise de componentes principais, após identificar e interpretar os fatores Fj, é necessário calcular os escores para cada amostra, para então utilizar esses valores para outras análises de interesse. Usando as equações definidas pelos coeficientes, o Minitab calcula os escores dos fatores multiplicando os coeficientes pelas variáveis padronizadas. A padronização é obtida subtraindo a média de cada valor amostral e dividindo o resultado pelo desvio- padrão. Interpretando os resultados Factor Scores Coefficients Por exemplo, para a amostra da linha 1, temos os seguintes valores para cada variável (antes e após a padronização): • Design = 2; após padronização = - 0,86015 • Tecnologia = 3; após padronização = - 0,85149 • Usabilidade = 3; após padronização = - 0,88821 • Preço = 4; após padronização = 0, 53950 • Cobertura = 5; após padronização = 1,04934 • Atendimento = 3; após padronização = - 0,28955 NOTA: Para calcular os valores padonizados das variáveis originais, selecione Calc > Standardize, e use a opção Subtract mean and divide by standard deviation. Interpretando os resultados Factor Scores Coefficients Substituindo esses valores nas equações, obtemos os seguintes escores para a primeira amostra nos dois fatores: Fator 1 = 0,305(- 0,86015) + 0,307(- 0,85149) + 0,304(- 0,88821) + 0,125(0, 53950) + 0,136(1,04934) + 0,125(- 0,28955) = -0,61995 e Fator 2 = - 0,139(- 0,86015) - 0,146(- 0,85149) - 0,150(- 0,88821) + 0,370(0, 53950) + 0,332(1,04934) + 0,332(- 0,28955) = 0,82961 O escore baixo no fator 1 e alto no fator 2 indica que o cliente da linha 1 tem um nível de satisfação mais alto com a operadora do que com o aparelho celular. Próximo passo Calcule os escores dos dois fatores para todos os clientes que responderam a pesquisa de satisfação. Calculando os escores Conforme foi feito manualmente para a amostra da linha 1, você pode obter os escores dos dois fatores para todos os clientes que responderam a pesquisa. Como os dois fatores extraídos representam 90,1% da variação total dos dados originais, você pode usar os escores em vez dos dados originais para: • Examinar o comportamento das observações • Usá-los em outra análise, como regressão ou MANOVA Qualquer análise que utilize esses escores será mais simples de ser interpretada, pois você estará utilizando duas variáveis (Fator 1 e Fator 2) ao invés de seis (Design, Tecnologia, Usabilidade, Preço, Cobertura e Atendimento). Factor Analysis 1) Selecione Stat > Multivariate > Factor Analysis ou pressione “Ctrl+E”. 2) Clique em Graphs. Desmarque todas as opções. Clique em OK. 3) Clique em Storage. Preencha a caixa de diálogo como mostra a figura abaixo e clique em OK em cada caixa de diálogo. Calculando os escores Interpretando os resultados Escores Conforme interpretação dos escores vista anteriormente: • Clientes que obtiveram escores altos no fator 1 e baixos no fator 2 estão mais satisfeitos com o aparelho de celular do que com os serviços da operadora. • Clientes que obtiveram escores baixos no fator 1 e altos no fator 2 estão mais satisfeitos com os serviços da operadora do que com o aparelho celular. • Clientes que obtiveram escores semelhantes nos dois fatores possuem um equilíbrio no que se refere à satisfação com o aparelho celular e os serviços fornecidos pela oparadora: valores altos em ambos os escores indicam alta satisfação com ambos os quesitos, e vice-versa. Interpretando os resultados Escores Os valores de escores obtidos para os clientes correspondentes às 10 primeiras linhas da planilha são mostrados abaixo: Interpretando os resultados Escores A interpretação desses escores pode ser melhor compreendida através dos seguintes exemplos: O Cliente 8 forneceu notas altas para os quesitos associados ao aparelho (Design, Tecnologia e Usabilidade), e notas mais baixas para os quesitos associados ao serviço da operadora (Preço, Cobertura e Atendimento), resultando em um escore alto no Fator 1 (0,53896) e baixo no Fator 2 (-1,52389). Interpretando os resultados Escores A interpretação desses escores pode ser melhor compreendida através dos seguintes exemplos: O Cliente 9 forneceu notas baixas para os quesitos associados ao aparelho, e notas altas para os quesitos associados ao serviço da operadora, resultando em um escore baixo no Fator 1 (-0,40094) e alto no Fator 2 (1,44685). Interpretando os resultados Escores A interpretação desses escores pode ser melhor compreendida através dos seguintes exemplos: O Cliente 3 forneceu notas baixas para todos os quesitos, resultando em escores baixos em ambos os fatores (-1,29832 no Fator 1 e -0,96771 no Fator 2). Interpretando os resultados Escores A interpretação desses escores pode ser melhor compreendida através dos seguintes exemplos: O Cliente 10 forneceu notas altas para todos os quesitos, resultando em escores altos em ambos os fatores (1,22107 no Fator 1 e 0,98887 no Fator 2). Interpretando os resultados Escores Assim, quanto maiores os escores de cada cliente, mais alto é o seu nível de satisfação com os produtos e serviços fornecidos pela empresa de telefonia celular. Use esses valores de escores para realizar análises estatísticas e/ou gráficas adicionais, para obter mais informações sobre a satisfação dos clientes jovens. Considerações finais Resumo e conclusões A análise fatorial permitiu à empresa de telefonia móvel e equipamentos avaliar de forma simples a satisfação de seus clientes jovens com seus produtos e serviços. A análise feita utilizando dois fatores, que juntos, explicam 90% da variabilidade nos dados originais, permitiu entender a variação das 6 variáveis originais usando um número menor de variáveis: • O primeiro fator, altamente correlacionado com as variáveis Design, Tecnologia e Usabilidade, representa o índice de satisfação dos clientes com os atributos do aparelho celular. • O segundo fator, altamente correlacionado com as variáveis Preço, Cobertura e Atendimento, representa o índice de satisfação dos clientes com os serviços relativos à operadora. Considerações finais Resumo e conclusões As seguintes equações foram obtidas para os dois fatores extraídos pela análise fatorial: • Fator 1 = 0,305 Design + 0,307 Tecnologia + 0,304 Usabilidade + 0,125 Preço + 0,136 Cobertura + 0,125 Atendimento • Fator 2 = - 0,139 Design -0,146 Tecnologia - 0,150 Usabilidade + 0,370 Preço + 0,332 Cobertura + 0,332 Atendimento Considerações finais Resumo e conclusões Os escores calculados pelas equações podem ser interpretados da seguinte forma: • Clientes que obtiveram escores altos no fator 1 e baixos no fator 2 estão mais satisfeitos com o aparelho de celular do que com os serviços da operadora. • Clientes que obtiveram escores baixos no fator 1 e altos no fator 2 estão mais satisfeitos com os serviços da operadora do que com o aparelho celular. • Clientesque obtiveram escores semelhantes nos dois fatores possuem um equilíbrio no que se refere à satisfação com o aparelho celular e os serviços fornecidos pela operadora: valores altos em ambos os escores indicam alta satisfação com ambos os quesitos, e vice-versa. Assim, quanto maiores os escores de cada cliente, mais alto é o seu nível de satisfação com os produtos e serviços fornecidos pela empresa de telefonia celular. Considerações finais Resumo e conclusões Os escores obtidos para os dois fatores, que representam 90,1% da variação total dos dados originais, podem ser usados em vez dos dados originais para: • Examinar o comportamento das observações • Realizar outra análise, como regressão ou MANOVA Qualquer análise que utilize esses escores será mais simples de ser interpretada, pois estará utilizando apenas duas variáveis (Fator 1 e Fator 2) ao invés de seis (Design, Tecnologia, Usabilidade, Preço, Cobertura e Atendimento). Use esses valores de escores para realizar análises estatísticas e/ou gráficas adicionais, para obter mais informações sobre a satisfação dos clientes jovens. Considerações finais Considerações adicionais • Antes de iniciar o procedimento de análise fatorial nos dados, avalie as correlações entre as variáveis originais. Caso essas correlações sejam desprezíveis, ou não-significativas, a análise fatorial perde sua utilidade. • Se houver dúvidas quanto à escolha do número de fatores, refaça a análise fatorial separadamente com cada número de fatores, e compare os resultados. Examine os valores de comunalidade para ver como as variáveis individuais estão sendo representadas. Por exemplo, se uma ou mais variáveis não estiverem sendo bem representadas pelo modelo com dois fatores, você pode optar por um modelo com três ou mais fatores.
Compartilhar