Análise fatorial confirmatória (CFA)

Definição estendida

Análise fatorial confirmatória (CFA, Confirmatory Factor Analysis) é uma técnica estatística que testa hipóteses específicas sobre a estrutura fatorial subjacente a um conjunto de variáveis observadas. Diferente da análise fatorial exploratória, em que os fatores são extraídos sem restrições prévias, a CFA exige que o pesquisador especifique de antemão quais itens carregam em quais fatores, qual a estrutura de correlações entre fatores, e quais cargas são fixadas em zero. O modelo é então estimado por máxima verossimilhança ou método equivalente, e o ajuste ao dado empírico é avaliado por índices como CFI ($\geq 0{,}95$), TLI ($\geq 0{,}95$), RMSEA ($\leq 0{,}06$) e SRMR ($\leq 0{,}08$). A formalização canônica é Jöreskog (1969); a implementação contemporânea mais usada em pesquisa acadêmica é o pacote lavaan em R (Rosseel, 2012).

Quando se aplica

CFA é apropriada quando há teoria ou pesquisa anterior que justifica uma estrutura fatorial específica. Aplicações típicas incluem validação de instrumentos psicométricos, escalas de qualidade de vida, instrumentos de avaliação educacional, e questionários traduzidos para nova cultura ou idioma — situações em que a estrutura é hipotetizada com base em literatura estabelecida, e o objetivo é confirmar ou rejeitar essa estrutura nos dados próprios.

Quando NÃO se aplica

Não se aplica quando a estrutura fatorial é genuinamente desconhecida — nesses casos, EFA é o passo preliminar correto, com CFA usada em amostra independente. Não substitui validação de conteúdo (validade de face, painel de especialistas), que é etapa qualitativa anterior. Em amostras pequenas ($n < 200$) com modelos complexos, estimativas podem ser instáveis e índices de ajuste enganosos. Modificações de modelo guiadas apenas por modification indices sem justificativa teórica produzem ajuste ao ruído amostral, comprometendo replicabilidade.

Aplicações por área

— Psicologia e psicometria: território natural da CFA; validação de toda escala publicável passa por essa etapa. — Educação: análise de testes padronizados, instrumentos de avaliação institucional. — Saúde: instrumentos de qualidade de vida (SF-36, WHOQOL), escalas clínicas validadas. — Marketing e comportamento do consumidor: validação de construtos como satisfação, lealdade, intenção de compra.

Armadilhas comuns

A primeira armadilha é depender exclusivamente de um único índice de ajuste — bom CFI com RMSEA ruim sinaliza problema, e nenhum índice é suficiente sozinho. A segunda é re-especificar o modelo iterativamente em uma única amostra para melhorar ajuste — prática que infla artificialmente a qualidade aparente e não generaliza. A terceira é confundir CFA com análise fatorial exploratória rotacionada; sem restrições genuinamente fixadas em zero, o modelo é apenas uma EFA disfarçada. A quarta é ignorar pressupostos de normalidade multivariada — dados não normais exigem estimadores robustos (MLR, WLSMV) que muitos pesquisadores não aplicam. A quinta é amostra insuficiente: regra prática mínima de 10 observações por parâmetro estimado, com modelos complexos exigindo $n \geq 300$ para resultados estáveis.