Postagem em destaque

Autoeficácia nas palavras do próprio Albert Bandura

Este artigo traduzido faz parte dos meus estudos de doutorado. Ele fornece um referencial teórico importante para estudantes e professores...

quarta-feira, 8 de fevereiro de 2012

Carlos Td bom? Rapaz, to usando Fatorial e to com algumas duvidas...Sei q na teoria o constructo tem 5 fatores, mas qdo rodo so dá 4...e qdo uso eigen só dá 3. Mantenho a primeira decisao de dizer q a prior sao 5? ou jogo os dados no lixo??

Muitas vezes os fatores idealizados para o construto não encontram respaldo nos dados observados. Isso pode ser um problema de tamanho amostral ou de necessidade de alteração do modelo teórico hipotético.

Se você usa o critério de Kaiser (eigenvalue maior que 1) e dá 3 fatores, mesmo assim não fique feliz com o quarto fator. Um quarto fator com eigenvalue menor que 1 mostra que esse fator tem um "poder explicativo" menor que uma variável do instrumento original.

O ideal é até ser mais exigente e usar análise paralela (tem que pegar script para fazer isso no SPSS ou usar algum programinha específico pra isso). Consiste em usar uma matriz de valores randômicos com o mesmo número de "participantes" e "itens" e, em seguida, comparar os eigenvalues que você obteve com os dados do seu estudo com os eigenvalues da matriz randômica.

Você fica com os fatores com eigenvalue maior que os eigenvalues randômicos.

Outra possibilidade é usar a análise fatorial de informação plena (full-information factor analysis), que talvez reduzisse o número de fatores para 2.

Mas ainda assim, penso que o ideal é sempre preferir a análise fatorial confirmatória. Afinal, se você tem uma teoria, não é melhor testá-la?

Mas se tudo isso for muito difícil de você operacionalizar agora, não tenha medo de fundir fatores ou excluir itens.

A análise fatorial exploratória é boa para se fazer justamente isso.

Calcule o alfa de Cronbach dos grupos de itens correspondentes aos fatores encontrados como estão e dos fatores idealizados inicialmente. Depois, faça o mesmo com os "fatores novos" resultantes das possibilidades de fusão de fatores e exclusão de itens.

Itens que tem baixa carga fatorial em quaisquer dos fatores são bons candidatos à exclusão. Itens assim, quando excluídos, invariavelmente aumentarão o alfa de Cronbach de cada fator e, provavelmente, do instrumento como um todo.

Não jogue os dados fora. Use a análise fatorial para melhorar a qualidade psicométrica do seu instrumento de avaliação.

Ask me anything

como interpretar 0,06 correlaçao de pearson no spss

Se o valor do coeficiente de correlação (r) foi 0,06, mesmo que tenha sido significativo (p < 0,05), isso indica um baixo grau de linearidade positiva entre as duas variáveis. Indiretamente, indica também uma baixa covariância. Na prática, correlações abaixo de 0,3 indicam um baixo grau de correlação.

Exponenciando ao quadrado o coeficiente de correlação (r) de 0,3, temos um coeficiente de determinação (r²) de 0,09. Isso indica que apenas 9% de variância de uma variável  é "explicada" pela variância da outra.

No caso de um coeficiente de correlação (r) de 0,06 teremos um coeficiente de determinação (r²) de apenas 0,0036. Isso significa que a proporção de variância de uma variável "explicada" pela variância da outra nesse caso é de apenas 0,36%.

Ou seja, uma correlação de 0,06 beira o irrelevante.

Caro carlos Obgd pela ajuda, estou usando a AF para criar um instrumento com 5 fatores. Só que algumas variaveis carregaram em 2 ou 3 fatores.. Isso é uma justificativa para excluí-las? abs! Carlos

Não necessariamente. Primeiro tente atribuir essa variável ao fator que carrega mais. Mas se a diferença de carga fatorial for pequena entre os fatores que carregam nessa variável, você pode pensar não apenas em excluir essa variável, mas pensar em fundir fatores...

Nessas horas que é bom complementar com a confirmatória. Você pode testar diferentes modelos teóricos e ver o grau de ajuste de cada um deles.

Ask me anything

Related Posts Plugin for WordPress, Blogger...