Um pesquisador organizou um conjunto de dados
contendo 100 observações de 10 variáveis relacionadas à
qualidade do ar em uma cidade. As variáveis incluem medições
de poluentes atmosféricos, como CO, NO2, SO2, e fatores
meteorológicos, como temperatura, umidade, e velocidade do
vento. Para entender a estrutura dos dados e reduzir sua
dimensionalidade, esse pesquisador realizou algumas análises e
concluiu que:
• as três componentes principais explicam 70% da variância
total dos dados;
• as variáveis CO, NO2 e SO2 apresentam altas cargas nas duas
primeiras componentes principais;
• há três clusters proeminentes, que descrevem diferentes
padrões da qualidade do ar em função dos níveis de poluentes
e condições meteorológicas;
• é possível prever, com boa acurácia, a qualidade do ar como
boa, moderada ou ruim com base nos níveis de poluentes e
em fatores meteorológicos.
A partir dessa situação hipotética, julgue o seguinte item.A análise fatorial permite determinar fatores latentes que poderiam representar variáveis não observáveis, como indicadores de poluição atmosférica e indicadores de condições climáticas, com base nas correlações entre os níveis de poluentes e os fatores meteorológicos, permitindo-se reduzir a dimensionalidade do problema.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoC — Certo
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Análise Fatorial e Redução de Dimensionalidade
Gabarito: CERTO. A análise fatorial é uma técnica multivariada de interdependência que identifica fatores latentes (não observáveis) a partir das correlações entre as variáveis observadas, permitindo reduzir a dimensionalidade do problema — exatamente o que o item descreve. O enunciado apresenta um cenário típico: 10 variáveis correlacionadas (poluentes e meteorológicas) e a busca por estruturas subjacentes.
A análise fatorial é uma técnica exploratória que agrupa variáveis com base em suas correlações, gerando fatores que representam dimensões latentes (construtos). No caso, os fatores poderiam representar "indicadores de poluição atmosférica" e "indicadores de condições climáticas", capturando a variância comum entre as variáveis originais. Isso reduz a dimensionalidade, pois em vez de trabalhar com as 10 variáveis originais, o pesquisador pode trabalhar com poucos fatores.
A distinção importante é com a análise de componentes principais (ACP): enquanto a ACP considera a variância total e deriva componentes que são combinações lineares das variáveis originais, a análise fatorial (de fator comum) considera apenas a variância comum (comunalidade), modelando a estrutura de correlação. Ambas reduzem dimensionalidade, mas a fatorial tem foco em variáveis latentes.
A pegadinha da banca aqui é sutil: o item mistura conceitos de ACP (cargas altas nas duas primeiras componentes) com a ideia de fatores latentes. Mas a análise fatorial, especialmente a por componentes principais, é um método válido para extrair fatores que representam construtos não observados. O item está correto porque descreve corretamente o objetivo e o mecanismo da técnica.
Análise Fatorial e Redução de Dimensionalidade — só Fatores Latentes: construtos; só Variáveis Observadas: dados; Fatores Latentes∩Variáveis Observadas: correlações
Item — ✅ CERTO
O item afirma que a análise fatorial permite determinar fatores latentes (variáveis não observáveis) com base nas correlações entre as variáveis observadas, reduzindo a dimensionalidade. Isso está correto. A análise fatorial é uma técnica de interdependência que agrupa variáveis correlacionadas em fatores, que são combinações lineares das variáveis originais e representam dimensões latentes. No contexto do enunciado, os fatores poderiam representar "indicadores de poluição atmosférica" e "indicadores de condições climáticas", capturando a estrutura subjacente dos dados. A redução de dimensionalidade é um dos objetivos principais da técnica, como quando se extraem poucos fatores que explicam grande parte da variância total.
PEGA ESSA DICA!
Para diferenciar na prova: a análise fatorial busca fatores latentes (construtos não observados) a partir das correlações; a análise de componentes principais busca combinações lineares que maximizam a variância. Se o item falar em "variáveis não observáveis" ou "dimensões latentes", é fatorial; se falar em "componentes" ou "autovalores", é ACP. Lembre-se: a fatorial usa a matriz de correlação para agrupar variáveis, enquanto a ACP usa a matriz de covariância ou correlação para extrair componentes.