Aplicação de componentes principais e análise fatorial a dados criminais de 26 estados dos EUA

Anderson Cristiano Neisse; Kuang Hongyu

doi:10.18607/ES201654354

Autores

Anderson Cristiano Neisse a.neisse@gmail.com
Graduando no Departamento de Estatística, Instituto de Ciência Exatas e da Terra - ICET da Universidade Federal de Mato Grosso – UFMT
Kuang Hongyu prof.kuang@gmail.com

DOI:

10.18607/ES201654354

Resumo

A análise multivariada é um conjunto de técnicas estatísticas que permite a análise e interpretação de conjuntos de dados de natureza quantitativa com grande número de variáveis de forma simplificada. Dentre o rol de técnicas encontram-se a análise de componentes principais (ACP) e a análise fatorial (AF) que visam reduzir a quantidade de variáveis agrupando-as de acordo com sua variabilidade. Este artigo visa demonstrar a aplicabilidade das técnicas de ACP e AF na interpretação de dados de crime de 26 estados dos EUA.
Palavras-chave: Análise multivariada; análise de componentes principais; análise fatorial; crimes.

##plugins.generic.paperbuzz.metrics##

Carregando Métricas ...

Referências

BROWN, Timothy A. Confirmatory factor analysis for applied research. 2006. Confirmatory factor analysis for applied research. xiii, 2006.

CATTELL, Raymond B. The scree test for the number of factors. Multivariate behavioral research, 1966, 1.2: 245-276.

DAMÁSIO, Bruno Figueiredo. Uso da análise fatorial exploratória em psicologia. Avaliação psicológica, 2012, 11.2: 213-228.

FARIAS, Christiano Alves; FIGUEIREDO, Adelson Martins; LIMA, João Eustáquio de. Dependência espacial e análise de agrupamento de municípios para diferentes tipos de crime em Minas Gerais. REUNA, 2010, 13.3.

GULUMBE, Shehu U.; DIKKO, H. G.; BELLO, Yusuf. Analysis of Crime Data using Principal Component Analysis: A case study of Katsina State. CBN Journal of Applied Statistics, 2013, 3.2: 39-49.

GUTTMAN, Louis. Some necessary conditions for common-factor analysis. Psychometrika, 1954, 19.2: 149-161.

HONGYU, Kuang. Distribuição empírica dos autovalores associados à matriz de interação dos modelos AMMI pelo método bootstrap não-paramétrico. 2012. PhD Thesis. Escola Superior de Agricultura “Luiz de Queiroz.

HONGYU, Kuang. Comparação do GGE biplot-ponderado e AMMI-ponderado com outros modelos de interação genótipo× ambiente. 2015. PhD Thesis. Escola Superior de Agricultura “Luiz de Queiroz.

HONGYU, Kuang; SANDANIELO, Vera Lúcia Martins; DE OLIVEIRA JUNIOR, Gilmar Jorge. Análise de Componentes Principais: Resumo Teórico, Aplicação e Interpretação. E&S Engineering and Science, 2016, 5.1: 83-90.

JOHNSON, Richard Arnold, et al. Applied multivariate statistical analysis. Upper Saddle River, NJ: Prentice hall, 2002.

KAISER, Henry F. The varimax criterion for analytic rotation in factor analysis. Psychometrika, 1958, 23.3: 187-200.

OSBORNE, Jason W.; COSTELLO, Anna B. Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Pan-Pacific Management Review, 2009, 12.2: 131-146.

PASQUALI, L. Análise fatorial: um manual teórico-prático. Brasília: Editora da UnB, no prelo, 1998.

R DEVELOPMENT CORE TEAM. R: a language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, Vienna, 2014.

REGAZZI, A.J. Análise multivariada, notas de aula INF 766, Departamento de Informática da Universidade Federal de Viçosa, v.2, 2000.

RENCHER, Alvin C.; CHRISTENSEN, W. F. Methods of Multivariate Analysis ; JOHN WILEY&SONS. INC.: Toronto, ON, Canada, 2002.

SAS Institute Inc. 2008. SAS/STAT® 9.2 User’s Guide. Cary, NC: SAS Institute Inc. 1st electronic book.

THURSTONE, Louis Leon. Multiple factor analysis. 1947.