Análise fatorial
A análise fatorial resume três ou mais variáveis numéricas correlacionadas em menos fatores subjacentes. Use-a para encontrar as características por trás de resultados de ensaios, medições de processo ou itens de questionário. O número de fatores deve ser menor que o de variáveis, com mais linhas que variáveis; a máxima verossimilhança supõe normalidade multivariada aproximada. A saída inclui cargas fatoriais, comunalidades, unicidade, variância explicada e um gráfico de cargas.
Última revisão
Conclusão principal
A análise fatorial explica as correlações entre muitas variáveis medidas por meio de poucos fatores subjacentes, de modo que muitas medições ou itens de pesquisa possam ser resumidos por um punhado de fatores mais fáceis de nomear.
Nesta página
Finalidade
A Factor Analysis (análise fatorial) explica as correlações entre muitas variáveis medidas por meio de poucos fatores subjacentes. Variáveis que se movem juntas têm carga no mesmo fator, de modo que uma longa lista de medições ou itens de pesquisa pode ser resumida por um punhado de fatores mais fáceis de nomear e acompanhar. Use-a para encontrar as poucas características subjacentes a um conjunto de resultados de ensaios, medições de processo ou itens de questionário e para ver quais variáveis têm, em grande parte, comportamento próprio.
Principais recursos
- Extrai o número de fatores que você escolher a partir de três ou mais variáveis numéricas.
- Dois métodos de extração: Principal Components e Maximum Likelihood.
- Rotação varimax para fazer cada fator ter carga forte em menos variáveis, o que facilita nomeá-lo.
- Tabela Factor Loadings com a comunalidade e a unicidade de cada variável.
- Porcentagem da variância explicada por cada fator e um gráfico de cargas dos dois primeiros fatores.
Métodos estatísticos
As linhas com valor ausente ou não numérico em qualquer variável selecionada são descartadas, e cada variável é padronizada para média 0 e desvio padrão 1, de modo que a análise trabalha com a matriz de correlação. O número de fatores deve ser menor que o número de variáveis, e deve haver mais linhas que variáveis.
Com a extração por Principal Components, a matriz de correlação é decomposta em autovalores e autovetores; as cargas do fator j são o j-ésimo autovetor multiplicado pela raiz quadrada do seu autovalor, para os maiores autovalores. Com a extração por Maximum Likelihood, o modelo de fatores comuns (cada variável padronizada = cargas × fatores + um erro único) é ajustado por máxima verossimilhança com um algoritmo iterativo, que para após Maximum iterations (padrão 1000) ou quando a variação fica abaixo da Convergence tolerance (padrão 0.01). A máxima verossimilhança supõe que as variáveis sejam aproximadamente normais multivariadas.
A rotação varimax (método de Kaiser) gira os fatores de modo que a variância das cargas ao quadrado dentro de cada fator seja a maior possível: cada variável passa a ter carga alta em um fator e próxima de zero nos demais. A rotação não altera o quanto cada variável é explicada. Após a rotação, os fatores são colocados na ordem da variância que explicam. A comunalidade de uma variável é a soma de suas cargas ao quadrado, a parcela de sua variância explicada pelos fatores; a unicidade é 1 − comunalidade. A variância explicada por um fator é a soma de suas cargas ao quadrado, informada como porcentagem do número de variáveis. O sinal de um fator é arbitrário: um fator com todos os sinais invertidos significa a mesma coisa.
Campos de entrada e opções
Campo | Descrição |
Variables | Três ou mais colunas numéricas. Ctrl ou Command + clique para selecionar várias. |
Number of factors to extract | Padrão 2. Deve ser menor que o número de variáveis. |
Method of extraction | Principal Components (padrão) ou Maximum Likelihood. |
Type of rotation | Varimax (padrão) ou None. A rotação se aplica apenas com 2 ou mais fatores. |
Maximum iterations | Opcional, usado apenas pela extração Maximum Likelihood. Deixe em branco para o padrão (1000). |
Convergence tolerance | Opcional, usada apenas pela extração Maximum Likelihood. Deixe em branco para o padrão (0.01). |
Title | Título exibido no gráfico de cargas. O padrão é Factor Analysis. |

Figura 1 — Opções do exemplo: oito variáveis de solicitantes de empréstimo, 2 fatores, extração Maximum Likelihood, rotação Varimax.
Descrição da saída
- Factor Loading Plot — cada variável desenhada como uma linha da origem até suas cargas em Factor1 (x) e Factor2 (y). Variáveis que apontam na mesma direção têm carga no mesmo fator.
- Método, rotação e variância explicada — o método e a rotação por nome (por exemplo, Maximum Likelihood, Varimax), a porcentagem da variância total explicada por cada fator e a porcentagem acumulada.
- Factor Loadings — para cada variável, sua carga em cada fator, sua Communality e sua Uniqueness.
- Exportação em PDF por meio de Download.

Figura 2 — Dois fatores rotacionados para oito variáveis de solicitantes de empréstimo: um fator de estabilidade (Employ, Residence, Age) e um fator de endividamento (Debt, Credit cards, contra Education), explicando 61.39% da variância.
Exemplo prático
Um banco coleta oito informações de cada solicitante de empréstimo: renda, anos de escolaridade, idade, anos no endereço atual (Residence), anos no empregador atual (Employ), poupança, dívida e número de cartões de crédito. Muitas delas parecem medir a mesma coisa. Um administrador de crédito quer alguns fatores que resumam as oito. Com 30 solicitantes, o engenheiro seleciona as oito colunas, define Number of factors to extract = 2, Method of extraction = Maximum Likelihood e Type of rotation = Varimax.
Os dois fatores explicam 38.68% e 22.71% da variância, 61.39% juntos. O Fator 1 tem carga alta em Employ (0.9644), Residence (0.9523) e Age (0.8595) e moderada em Savings (0.5833): um fator de estabilidade e experiência. O Fator 2 tem carga em Debt (0.8063) e Credit cards (0.5679), contra Education (−0.6288) e Savings (−0.5673): um fator de endividamento. As comunalidades mostram o quanto os dois fatores descrevem cada variável: altas para Employ (0.937) e Residence (0.9076), baixas para Income (0.2308) e Credit cards (0.3226).
Para o banco, dois fatores descrevem bem a estabilidade e o endividamento dos solicitantes, mas a renda tem, em grande parte, comportamento próprio. Com 3 fatores, a variância explicada sobe para 72.93% (36.67%, 20.63% e 15.63%), e o terceiro fator é principalmente Income (−0.8835) com Education (−0.5491); a comunalidade de Income sobe para 0.8545. Isso coincide com o Cluster Variables nos mesmos dados, que agrupa Income com Education, as variáveis de estabilidade juntas e Debt com Credit cards. Sem rotação, as cargas mudam apenas um pouco neste caso (Fator 1: Employ 0.9666, Residence 0.9526), porque a solução sem rotação já é bastante simples.
Perguntas frequentes
Para que serve a análise fatorial?
A análise fatorial explica as correlações entre muitas variáveis medidas por meio de poucos fatores subjacentes. Variáveis que se movem juntas têm carga no mesmo fator, de modo que uma longa lista de resultados de ensaios, medições de processo ou itens de questionário pode ser resumida por um punhado de fatores, e você pode ver quais variáveis têm, em grande parte, comportamento próprio.
Qual é a diferença entre a extração por Principal Components e por Maximum Likelihood?
Na extração por Principal Components, a matriz de correlação é decomposta em autovalores e autovetores, e as cargas de cada fator são um autovetor multiplicado pela raiz quadrada do seu autovalor. A extração por Maximum Likelihood ajusta o modelo de fatores comuns com um algoritmo iterativo e supõe que as variáveis sejam aproximadamente normais multivariadas.
O que a rotação varimax faz na análise fatorial?
A rotação varimax gira os fatores de modo que cada variável tenha carga alta em um fator e próxima de zero nos demais, o que facilita nomear os fatores. A rotação não altera o quanto de cada variável é explicado. Após a rotação, os fatores ficam ordenados pela variância que explicam. A rotação se aplica apenas com dois ou mais fatores.
Como interpretar a comunalidade e a unicidade na análise fatorial?
A comunalidade de uma variável é a soma de suas cargas ao quadrado, a parcela de sua variância explicada pelos fatores. A unicidade é 1 menos a comunalidade. No exemplo dos solicitantes de empréstimo, Employ teve comunalidade de 0.937, enquanto Income teve apenas 0.2308, o que mostra que a renda tinha, em grande parte, comportamento próprio com dois fatores.
