Baixe o app para aproveitar ainda mais
Prévia do material em texto
Exercícios – Aula 14 (Banco de dados: Microcomputadores) AVALIAÇÃO DE 15 COMPUTADORES TS: Tempo de execução da soma TM: Tempo de execução da multiplicação AS: Espaço ocupado pelo sistema operacional MR: Número máximo de palavras armazenadas AR: Máximo de armazenamento CT: Ciclo de tempo Dados originais já padronizados Aplique a análise fatorial, utilizando o método de componentes principais, a rotação VARIMAX e o patamar 1,0 para eigenvalues. Salvar os escores fatoriais. Interprete todos os resultados. b1) Matriz de correlação entre pares de variáveis Correlation Matrix ts tm as mr ar ct Correlation ts 1,000 ,965 -,264 -,282 -,421 ,940 tm ,965 1,000 -,231 -,247 -,329 ,953 as -,264 -,231 1,000 ,929 ,561 -,147 mr -,282 -,247 ,929 1,000 ,604 -,161 ar -,421 -,329 ,561 ,604 1,000 -,234 ct ,940 ,953 -,147 -,161 -,234 1,000 Há pares de variáveis com correlações expressivas. Logo, elas devem ter fatores em comum. b2) KMO e Bartlett KMO: medida geral que compara as correlações entre variáveis com as correlações entre os erros. O valor 0,716 indica que as correlações entre variáveis superaram as correlações entre erros. RESULTADO FAVORÁVEL Teste de Bartlett Ho: a matriz de correlação é igual à matriz identidade Resultado: o valor de sig é 0,000. Logo, a probab de Ho ser verdadeira é muito baixa. Logo, Ho falsa. RESULTADO FAVORÁVEL b3) Matriz anti-imagem Todos os valores de MSA são maiores do que 0,5. Logo, para cada variável, as correlações entre variáveis superaram as correlações entre os erros. RESULTADO FAVORÁVEL b4) Comunalidades Communalities Initial Extraction ts 1,000 ,977 MF tm 1,000 ,974 MF as 1,000 ,896 MF mr 1,000 ,920 MF ar 1,000 ,621 IM ct 1,000 ,962 MF Extraction Method: Principal Component Analysis. A variável mais favorecida foi ts com comunalidade igual a 0,977. Logo, os dois fatores explicam 97,7% da variância de ts. b5) Variância explicada Foram criados dois fatores, que explicam 89,164% da variância dos dados originais. Foi perdido de explicação apenas 10,836%. b6) Cargas fatoriais antes e depois da rotação Antes da rotação, algumas variáv. têm cargas próximas nos 2 fatores (Ex: as, mr). Rotated Component Matrix(a) Component 1 2 ts ,964 -,219 tm ,974 -,161 as -,067 ,944 mr -,084 ,956 ar -,250 ,747 ct ,979 -,059 F1: tempo de processamento F2: espaço de armazenamento Faça um ranking decrescente dos micros em função do fator 1 e interprete Micros Fator 1 m2 3,53978 m8 0,25735 m14 0,04524 m12 -0,10957 m5 -0,14384 m7 -0,14782 m10 -0,28121 m4 -0,29898 m15 -0,35222 m13 -0,37193 m1 -0,39396 m11 -0,40545 m3 -0,42774 m6 -0,45402 m9 -0,45563 Micro mais lento: m2 Micro mais rápido: m9 Faça um ranking decrescente dos micros em função do fator 2 e interprete Micros Fator 2 m14 2,56537 m12 1,79113 m13 0,66127 m11 0,4689 m15 0,21064 m2 -0,21266 m10 -0,32799 m9 -0,54417 m1 -0,58828 m6 -0,61507 m7 -0,61528 m3 -0,64931 m5 -0,6733 m4 -0,72824 m8 -0,74302 Maior espaço: m14 Menor espaço: m8 Fazer um gráfico de diagrama de dispersão e interpretar. Os escores fatoriais são padronizados no software SPSS, ficando com valores positivos, negativos e nulos. O valor zero representa a média dos escores padronizados. Logo, os modelos de computadores próximos ao zero nos eixos do gráfico têm desempenho médio. Micro m2: muito lento (F1) e capacidade de armazenamento próxima da média (F2). Micros m12 e m14: alta capacidade de armazenamento (F2) e tempo de processamento próximo da média (F1). Demais modelos: tempo de processamento e capacidade de armazenamento próximos da média. (Banco de dados: Calçados) Uma empresa do ramo de calçados populares gostaria de entender melhor a forma de relacionamento de algumas variáveis e como este relacionamento pode interferir na condução de seu negócio. Para isso, encomendou uma pesquisa com outras empresas do ramo para identificar a importância de algumas variáveis. Seguem as variáveis que fizeram parte da pesquisa: V1: automação V2: crescimento do PIB V3: parceria com os fornecedores V4: novos concorrentes V5: diversidade de produtos V6: controle de despesas V7: câmbio V8: estabilidade econômica A pesquisa foi respondida por meio de uma escala de concordância: 1: não interfere, 2: interfere pouco, 3: interfere, 4: interfere muito, 5: fundamental Aplique a análise fatorial, utilizando o método de componentes principais, a rotação VARIMAX e o patamar 1,0 para eigenvalues. Interprete todos os resultados: Matriz de correlação entre pares de variáveis, KMO e Bartlett, Matriz anti-imagem, Comunalidades, Variância explicada, Cargas fatoriais depois da rotação, Nomeação dos fatores. PRIMEIRO PROCESSAMENTO DA FATORIAL KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,479 Bartlett's Test of Sphericity Approx. Chi-Square 190,138 df 28 Sig. ,000 KMO = 0,479 PROBLEMA Este resultado indica que as correlações entre os erros superaram as correlações entre as variáveis. O menor valor do MSA é 0,22 para a variável controle de despesas. AÇÃO CORRETIVA: remover a variável controle de despesas. SEGUNDO PROCESSAMENTO DA FATORIAL KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,571 Bartlett's Test of Sphericity Approx. Chi-Square 168,365 df 21 Sig. ,000 KMO = 0,571 VALOR ADEQUADO Este resultado indica que as correlações entre as variáveis superaram as correlações entre os erros. Apesar de o valor de KMO ser aceitável, persiste problema na estatística MSA. A variável diversidade de produtos apresentou o resultado 0,383, devendo ser removida da análise. TERCEIRO PROCESSAMENTO DA FATORIAL KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,577 Bartlett's Test of Sphericity Approx. Chi-Square 162,194 df 15 Sig. ,000 Agora a estatística KMO e todos os valores da estatística MSA estão adequados. - Matriz de correlação entre pares de variáveis Há pares de variáveis com correlações expressivas (Ex: 0,941; 0,665 etc.). Logo, elas devem ter fatores em comum. - KMO e Bartlett KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,577 Bartlett's Test of Sphericity Approx. Chi-Square 162,194 df 15 Sig. ,000 KMO: já analisado Teste de Bartlett Ho: a matriz de correlação é igual à matriz identidade Resultado: o valor de sig é 0,000. Logo, a probab de Ho ser verdadeira é muito baixa. Logo, Ho falsa. RESULTADO FAVORÁVEL - Matriz anti-imagem Diagonal da matriz: valores de MSA, os quais já foram analisados. Fora da diagonal da matriz: correlações entre os erros (resíduos) ou correlações parciais. Espera-se que estes valores sejam baixos. De um modo geral, isso ocorreu. Há algumas exceções (por exemplo, -0,936). Porém, essas exceções são apenas uma parcela do resultado final colocado na diagonal da matriz. Logo, os valores altos fora da diagonal não prejudicaram o valor apurado na diagonal da matriz. - Comunalidades Communalities Initial Extraction Automação 1,000 ,953 MF Crescimento do PIB 1,000 ,628 IM Parceria com fornecedores1,000 ,920 MF Novos concorrentes 1,000 ,946 MF Câmbio 1,000 ,613 IM Estabilidade econômica 1,000 ,866 MF Extraction Method: Principal Component Analysis. A variável mais favorecida foi automação com comunalidade igual a 0,953. Logo, os dois fatores explicam 95,3% da variância de automação. - Variância explicada Foram criados dois fatores, que explicam 82,102% da variância dos dados originais. Foi perdido de explicação apenas 17,898%. - Cargas fatoriais depois da rotação e Nomeação dos fatores Rotated Component Matrix(a) Component 1 2 Automação ,061 ,974 Crescimento do PIB ,675 ,415 Parceria com fornecedores ,070 ,957 Novos concorrentes ,962 ,142 Câmbio ,736 -,269 Estabilidade econômica ,919 ,146 Fator 1: Variáveis externas incontroláveis; Cenário econômico Fator 2: Variáveis internas controláveis; Estratégia de fabricação Na análise fatorial, qual é a diferença entre correlações totais e correlações parciais (ou residuais)? As correlações totais relacionam pares de variáveis na íntegra, incluindo as partes explicada e não explicada pelos fatores. As correlações parciais ou residuais relacionam apenas as partes das variáveis não captadas pelos fatores. Logo, as correlações parciais relacionam pares de erros cometidos na substituição das variáveis pelos fatores. No contexto da análise fatorial, é desejável que as correlações totais sejam altas e as parciais sejam baixas. Em uma análise fatorial em que a estatística KMO fosse igual a 0,72514, qual seria a interpretação? Essa medida confronta as correlações totais entre pares de variáveis com as correlações parciais entre os pares; quanto mais baixas forem as correlações parciais, mais próximo de 1 será o valor de KMO. O resultado 0,72514 é favorável, pois evidencia baixos valores das correlações parciais, indicando que boa parte das variáveis foi captada pelos fatores. Qual a interpretação para um resultado de MSAi = 0,4 ? Interpretação análoga à da medida KMO. A única diferença é que a MSA só inclui as correlações (totais ou residuais) em que determinada variável aparece em todos os pares. O valor 0,4 indica que as correlações residuais foram mais expressivas que as correlações totais, o que é insatisfatório no contexto da análise fatorial. Explique a relação (semelhanças e diferenças) que existe entre as estatísticas KMO e MSAi. Ambas confrontam as correlações totais entre pares de variáveis com as correlações residuais. Ambas devem apresentar valores altos (no mínimo 0,5). A única diferença é que a MSA só inclui as correlações (totais ou residuais) em que determinada variável aparece em todos os pares. Em contrapartida, a medida KMO considera todas as combinações entre pares de variáveis.
Compartilhar