Application of Principal Component and Cluster Analysis to the Performance Indicators of Federal Universities in Brazil

Authors

  • Jhessica Letícia Kirch Programa de Pós-graduação em Estatística e Experimentação Agronômica, Universidade de São Paulo - ESALQ/USP https://orcid.org/0000-0002-9143-8037
  • Rubiane Prado Schoenherr Universidade Federal de Mato Grosso - UFMT
  • Tereza Christina Mertens Aguiar Veloso Departamento de Alimento e Nutrição e Programa de Pós-Graduação em Educação, Universidade Federal de Mato Grosso - UFMT https://orcid.org/0000-0002-1827-1998
  • Kuang Hongyu Departamento de Estatística, Instituto de Ciências Exatas e da Terra, Universidade Federal de Mato Grosso - UFMT

Keywords:

Clustering Analysis, Principal Component Analysis;, Higher Education;, Performance Indicators

Abstract

A decisão número 408/2002 do Tribunal de Contas da União determinou que as Instituições Federais de Ensino Superior (IFES) incorporassem em seus Relatórios de Gestão nove indicadores para o acompanhamento do desempenho e aprimoramento da gestão das instituições federais. O objetivo desta pesquisa é analisar os indicadores de desempenho das universidades federais do Brasil no ano de 2015 por meio da técnica estatística multivariada Análise de Componentes Principais e de Agrupamento, permitindo assim uma redução da quantidade de variáveis de estudo e o agrupamento das universidades federais do Brasil de acordo com seus indicadores de desempenho. Através dos resultados da Análise de Componentes Principais (ACP) foi possível a formação de três componentes principais que, juntos, explicavam 74,20% da variação total dos dados. O primeiro componente principal explicou 39,22%, o segundo, 22,86% e o terceiro componente principal explicou 12,12% da variação total dos dados. Observou-se ainda, pela Análise de Agrupamento, a formação de nove grupos, ou clusters, das universidades federais analisadas. Estes clusters se mostraram explicativos em relação a ACP, unindo as IFES que são similares em seus valores para cada um dos componentes principais analisados.

References

BARBOSA, G. C.; FREIRE, F. S.; CRISÓSTOMO, V. L. Análise dos Indicadores de Gestão das IFES e o Desempenho Discente no Enade. Avaliação, Campinas; Sorocaba, SP, v.16, n.2, p. 317-444, jul. 2011.

BRASIL. Tribunal de Contas da União – TCU; Secretaria de Educação Superior – SESu/MEC; Secretaria Federal de Controle Interno – TCU. Orientações para o cálculo dos indicadores de gestão: decisão TCU nº 408/2002 – plenário. Versão revisada em março em 2004.

FERREIRA, M. C.; SANTOS, W. J. L.; PESSANHA, J. F. M. Avaliação do Ensino Superior: Análise dos Indicadores Instituídos pelo TCU para as IFES. Revista de Contabilidade do Mestrado em Ciências Contábeis da UERJ, Rio de Janeiro, v. 18, n. 1, p. 104-124, jan/abr, 2013.

FRAGA, A. B.; SILVA, F. L.; HONGYU, K.; SANTOS, D. S.; MURPHY, T. W.; LOPES, F. B. Multivariate analysis to evaluate genetic groups and production traits of crossbred Holstein × Zebu cows. Trop Anim Health Prod. 2015.

GIACOMELLO, C. P.; OLIVEIRA, R. L. Análise Envoltória de dados (DEA): uma proposta para a avaliação de desempenho de unidades acadêmicas de uma universidade. Revista Gestão Universitária na América Latina – GUAL. Florianópolis, v. 7, n. 2, p. 130-151, mai. 2014.

HONGYU, K., SANDANIELO, V. L. M., JUNIOR, G. J. O. Análise de Componentes Principais: resumo teórico, aplicação e interpretação. E&S - Engineering and Science, 5:1. 2016.

JOHNSON, R.A.; WICHERN, D.W. Applied Multivariate Statistical Analysis, 6.ª edição. New Jersey: Prentice Hall. 2007.

KAISER, H. F. The varimax criterion for analytic rotation in factor analysis. Psychometrika, v. 23, n. 3.p. 187-200, 1958.

MULLER, J. R. Desenvolvimento de modelo de gestão aplicado à Universidade, tendo por base o Balanced Scorecard. Dissertação de Mestrado apresentada à Universidade Federal de Santa Catarina. Florianópolis, 2001.

NEISSE, A.C.; HONGYU, K. Aplicação de componentes principais e análise fatorial a dados criminais de 26 estados dos EUA. E&S - Engineering and Science, 6:2. 2016.

R Core Team (2017). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

RENCHER, A.C. Methods of Multivariate Analysis. A John Wiley & Sons, Inc. Publication. p.727. 2ed. 2002.

Published

29-06-2019

How to Cite

Kirch, J. L., Schoenherr, R. P., Veloso, T. C. M. A., & Hongyu, K. (2019). Application of Principal Component and Cluster Analysis to the Performance Indicators of Federal Universities in Brazil. Sigmae, 8(2), 55–66. Retrieved from https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/920