# Leitura dos dados
base <- read.table("L04.csv",header=TRUE,sep=";",dec=",")
# Mantendo variáveis quantitativas
x.vars <- subset(base, select = ICOM:ILGE)
# Amostra com casos excluídos
amostra <- x.vars[-c(2,8,11,25,39,57,62),]
# Casos excluídos
casos <- x.vars[c(2,8,11,25,39,57,62),]
# Cálculo de autovalores da matriz de correlação
av <- eigen(cor(amostra)) 
av$values
# Scree Plot
plot(av$values,type="b")
# Percentua de variância em cada autovalor
autov <- av$values
percent <- autov/sum(autov)
percent
# Variância explicada total (verifique o cnúmero de componentes nc 
#   pelo critério Kaiser)
nc = 6
varExpl <- sum(percent[1:nc])
varExpl
# Analise Fatorial para nc fatores ##########
library(psych)
library(GPArotation)
#
# Analise fatorial 
# Teste de adequação da amostra
KMO(amostra)
# Teste de Esfericidade de Bartlett
bartlett.test(amostra)
# 
resultado <- fa(amostra, nfactors=nc, fm ="pa", rotate = "varimax")
#
# Resultados da análise fatorial
#
# Resultado geral:
resultado[]
# Comunalidades
resultado$communality
#
# Coeficients dos scores fatoriais
resultado$weights
#
# Scores fatoriais:
resultado$scores
# 
# Aplicando nos dados extraídos no início
predict(resultado,casos)