Análise Fatorial Confirmatória (CFA)
Teste um modelo de mensuração que você já tem - cargas fatoriais, ajuste, AVE e CR - no navegador, depois exporte seus dados para SPSS/.sav ou AMOS, e a sintaxe do modelo para R (lavaan).
Esta página é uma tradução do original em inglês, revisado por pares. Ver o original (EN)
análise fatorial confirmatóriaO que é
A análise fatorial confirmatória (CFA) testa se seus itens medem os construtos latentes que você espera. Você especifica quais itens carregam em qual fator antes de olhar os dados. O CFA então verifica o quanto essa estrutura se ajusta às covariâncias observadas. É um modelo de mensuração: ainda não testa relações entre construtos, apenas se cada construto é bem medido. O CFA é o passo inicial padrão antes da modelagem de equações estruturais, porque um modelo estrutural só é confiável se as medidas por trás dele forem sólidas.
Quando usar
- Você tem uma estrutura fatorial hipotetizada - sabe quais itens pertencem a qual construto.
- Você está validando uma escala publicada em uma nova amostra, idioma ou população.
- Você precisa reportar validade convergente e discriminante antes de testar um modelo estrutural.
- Um revisor pediu um modelo de mensuração com índices de ajuste, cargas, AVE e CR.
Quando não usar
- Você ainda não sabe quantos fatores existem, ou quais itens vão onde - rode primeiro a análise fatorial exploratória (EFA).
- Você só precisa de consistência interna para uma única escala - um coeficiente de confiabilidade como ômega ou CR sozinho pode ser suficiente.
Pressupostos
- Normalidade multivariada dos indicadores (ou use um estimador robusto, como MLR, quando os itens não forem normais).
- Indicadores contínuos, ou indicadores ordinais tratados com um estimador categórico (WLSMV) para itens Likert com poucas categorias.
- Um tamanho de amostra adequado - uma regra prática comum é de 5-10 casos por parâmetro estimado, e idealmente N ≥ 200.
- O modelo está identificado - cada fator latente precisa de uma escala fixa (um item marcador ou variância fixa).
- Cada fator tem pelo menos três indicadores; um fator com apenas dois fica subidentificado sozinho. Três a seis itens por fator é o intervalo usual. Quando você desenvolve uma escala nova, Hinkin (1998) sugere de quatro a seis itens por construto na escala final, e escrever no início cerca do dobro de itens, para que os itens fracos possam ser descartados.
- Nenhum erro grave de especificação, como cargas cruzadas omitidas ou erros correlacionados que deveriam estar no modelo.
Pontos de corte
| Criterion | Rule of thumb | Source |
|---|---|---|
| CFI | ≥ .95 bom, ≥ .90 aceitável | Bom: Hu & Bentler (1999; https://doi.org/10.1080/10705519909540118). Aceitável: Bentler & Bonett (1980; https://doi.org/10.1037/0033-2909.88.3.588), aplicado ao CFI por convenção |
| TLI | ≥ .95 bom, ≥ .90 aceitável | Bom: Hu & Bentler (1999). Aceitável: Bentler & Bonett (1980) |
| RMSEA | ≤ .06 bom, ≤ .08 aceitável | Bom: Hu & Bentler (1999). Aceitável: Browne & Cudeck (1993) |
| SRMR | ≤ .08 bom, ≤ .10 aceitável | Bom: Hu & Bentler (1999). Aceitável: Schermelleh-Engel, Moosbrugger & Müller (2003, p. 38) |
| Carga padronizada | ≥ .70 ideal, ≥ .50 tolerável | Hair et al. (2019) |
| AVE | ≥ .50 (validade convergente) | Fornell & Larcker (1981; https://doi.org/10.2307/3151312) |
| CR / ω | ≥ .70 (confiabilidade composta ou ômega de McDonald; preferível à alfa para modelos CFA) | Hair et al. (2019); McDonald (1999) |
Como reportar em APA
O modelo de mensuração apresentou bom ajuste aos dados, χ²(df) = X.XX, CFI = .9X, TLI = .9X, RMSEA = .0X, 90% CI [.0X, .0X], SRMR = .0X. Todas as cargas padronizadas excederam .70 e foram significativas (p < .001). A confiabilidade composta (ou ômega de McDonald) variou de .XX a .XX, e a variância média extraída (AVE) de .XX a .XX, sustentando a validade convergente.
Como a Explonia calcula isso
A Explonia roda o CFA no navegador com os dados que você coleta ou envia. Você escolhe os itens de cada construto latente, e a Explonia estima o modelo e mostra os índices de ajuste, as cargas padronizadas, o AVE e o CR com os limiares já aplicados. Ela também redige uma 'Article description' - um parágrafo simples em estilo APA com os resultados, que você lê, confere e edita antes de colocar no seu artigo. Você pode exportar seus dados para SPSS (.sav) ou AMOS, e a sintaxe do modelo para R (lavaan), para reproduzir ou ampliar a análise.
Perguntas frequentes
Qual é um bom valor de CFI para o CFA?
CFI ≥ .95 é considerado um bom ajuste (Hu & Bentler, 1999) e ≥ .90 costuma ser aceitável, uma linha mais antiga que Bentler e Bonett (1980) propuseram para o NFI e o TLI e que é aplicada ao CFI por convenção. Trate esses valores como diretrizes, não regras rígidas de aprovação - eles foram derivados sob condições específicas e podem enganar em modelos complexos ou com dados não normais (Marsh, Hau & Wen, 2004). Sempre reporte o CFI junto com o RMSEA e o SRMR; nenhum índice isolado decide o ajuste sozinho.
CFA ou EFA - qual rodar primeiro?
Use a EFA para descobrir quantos fatores existem quando você não conhece a estrutura. Use o CFA para confirmar uma estrutura que você já hipotetiza. Se estiver em dúvida, veja nossa comparação entre EFA e CFA.
Qual deve ser o tamanho da minha amostra para o CFA?
Uma diretriz comum é de 5-10 casos por parâmetro estimado, e muitos metodologistas sugerem N ≥ 200 para estimativas estáveis. Modelos complexos com muitos indicadores precisam de mais.
Meus itens são Likert de 5 pontos - a normalidade importa?
Itens Likert raramente têm distribuição normal. Use um estimador robusto (MLR) ou um estimador categórico (WLSMV) para itens ordinais com poucas categorias, em vez da máxima verossimilhança padrão.
Last updated: outubro 2026
Rode CFA nos seus próprios dados
Colete ou envie seus dados, rode a análise no seu navegador e obtenha um parágrafo APA que você pode editar. Comece grátis. Sem cartão de crédito.
Começar grátis