Sunteți pe pagina 1din 215

Anlisis Factorial

Mi producto tiene numerosos beneficios, cules de stos son los componentes relacionados a cmo el producto es valorado por los consumidores?
Ing. Amir Sichen Madrid Garzn

AGUASDECIMA
Las condiciones que presenta el mercado de las empresas sanitarias en nuestro pas, favorece un comportamiento de las compaas que vulnera las condiciones de competencia, y que amerita algn tipo de intervencin del Estado, en este caso, a travs de la Superintendencia de Servicios Sanitarios como ente regulador y fiscalizador del sector. Al ser el agua ante todo un bien social, el suministro de sta cumple una funcin social relacionada con el mejoramiento de la calidad de vida de la poblacin; as cada persona, comunidad o nacin tiene derechos indiscutibles en relacin al acceso, calidad y cantidad necesaria de acuerdo a sus necesidades en un escenario de organizacin social y ambiental. Una ventaja importante que presenta una Investigacin de Mercado es la posibilidad que ofrece a los directivos de las empresas de conocer la opinin de los clientes, lo cual permite tomar decisiones acertadas y focalizar sus recursos con miras de reducir el nivel de insatisfaccin de los clientes. El objetivo general de la presente investigacin es obtener informacin relativa a la satisfaccin de los clientes de la empresa AGUASDECIMA S.A., y evaluar la percepcin que tienen stos respecto del producto y servicio que reciben, como es la calidad del producto suministrado, calidad del servicio prestado y atencin de clientes, entre otros; considerando la estratificacin por nivel de consumo de agua de los clientes.

AGUASDECIMA
Los datos utilizados en este estudio provienen de una muestra probabilstica estratificada segn el nivel de consumo de agua con afijacin proporcional de los clientes residenciales de la empresa AGUASDECIMA S.A. de la Ciudad de Valdivia. El tratamiento metodolgico que se utiliz fue un Anlisis descriptivo y Anlisis Factorial Multivariante con el objetivo de determinar el nivel de satisfaccin de los clientes con la calidad del servicio suministrado por la empresa. Para el anlisis de los datos se recurri a la utilizacin de Software Estadstico para anlisis de datos avanzado (SPSS Versin 10.0). La empresa AGUASDECIMA S.A, en general, se encuentra bien evaluada por sus clientes, sin embargo, existen ciertos aspectos que pueden ser mejorables en el tiempo. A partir del Anlisis Multivariante se concluy que de todas las preguntas incluidas en la encuesta, solo las referentes a calidad del servicio de agua potable, capacidad de resolver problemas del servicio telefnico, la calidad del servicio de la Luz, son las realmente importantes en la percepcin de los clientes. Por tanto, la totalidad de las variables en estudio quedaron reducidas a tres factores.

Me gusta ser el que use la ropa de ltima moda en la escuela (o fiestas) Vestir con elegancia es parte importante de mi vida. Paso mucho tiempo hablando con mis amigos acerca de la moda Casi siempre tengo uno o dos trajes del estilo ms reciente. Creo poseer una gran habilidad personal para Generalmente me fijo Cuando compro busco Siempre que voy a una tienda A veces compro Con frecuencia pruebo Mis amigos y vecinos

Satisfaccin del Cliente


Definicin Conceptual
Cumplimiento o realizacin de una necesidad, deseo o gusto.

Sinnimos
Alegra, placer, gusto, complacencia, gozo, deleite, agrado, bienestar, contento.

Antnimos
Tristeza, disgusto, desagrado, descontento.

Satisfaccin del Cliente


Definicin Operativa
Una respuesta. (resultado) Evaluativa. (juicio, percepcin) Del grado hasta el cual. (niveles) Un producto o servicio. (satisfactor) Cumple. (desempeo) Con sus necesidades. (expectativas)
Jos Ignacio Domnguez

Consecuencias
Consecuencias positivas
Intencin de recompra Recomendacin

Consecuencias negativas
Quejas Comunicacin negativa de boca en boca

Medicin
Medicin Directa
Preguntar a los clientes qu tan satisfechos estn. (Satisfaccin General)

Medicin Indirecta
Preguntar a los clientes sobre cada uno de los componentes de satisfaccin:

Dimensiones de desempeo o atributos. Especificaciones, estndares.

Cuestionario del diagnstico


Objetivo: Efectuar sistemticamente un cierto nmero de encuestas, mediante un cuestionario Premisas
Debe incluir los principales aspectos que definen la calidad de producto/servicio desde la perspectiva de los clientes Tiene que ser corto para no cansar a los clientes y para poder cumplir con los objetivos de nmero de encuestas a realizar.

Se puede intentar medir las muchas facetas de personalidad o imagen de una marca o establecimiento. En cualquier caso, el investigador tiene que saber cmo se relacionan las variables para interpretar mejor los resultados.

Anlisis Factorial
Tcnica estructural cuyo objetivo es encontrar una estructura subyacente o latente (no se detecta fcilmente) dentro de los datos de una matriz, analizando toma la trama de relaciones entre variables y tratando de explicarlas a travs de un concepto (variable compuesta) que las agrupe. Reduccin y resumen de la informacin de las variables originales mediante caractersticas comunes a dichas variables y las representa lgicamente.

Propsitos del Anlisis Factorial


1. IDENTIFICAR Y RESUMIR las dimensiones principales (estructura de necesidades bsicas de los clientes) subyacentes en las evaluaciones de satisfaccin de un producto o servicio. 2. SIMPLIFICAR Y REDUCIR el nmero de variables de cuestionarios largos, manteniendo las preguntas clave en cada dimensin. AF indicar cules preguntas pueden ser omitidas sin perder demasiada informacin. 3. REUTILIZAR las variables para anlisis posteriores (por ejemplo, para identificar la multicolinealidad antes de realizar un anlisis de regresin lineal).

AF de Desempeo y de Preferencias
Hacer un anlisis factorial a las evaluaciones de desempeo y otro al de preferencias. Por qu? Porque no sabemos cul de ellas producir la ms clara y simple estructura factorial Estudios de perfil: Cuando queremos encontrar los factores o ideas bsicas y generales de: Evaluaciones de enunciados de actitudes Patrones de comportamiento y uso Estilos de vida generales y psicografa

IDENTIFICAR Y RESUMIR
El principal propsito sustantivo del anlisis factorial es la bsqueda y (algunas veces) prueba de percepciones o dimensiones supuestas para destacar variables manifiestas. Por ejemplo, un investigador de mercados puede recolectar una variedad de dato de consumidores sobre seleccin de marca, clientela de almacenes, personalidad y variables demogrficas. Sin embargo, su mayor inters puede radicar en la bsqueda de ciertas construcciones, tales como la propensin a marcas privadas. La tendencia a comprar marcas privadas puede no representar una variable observable, pero en cambio, debe deducirse de medidas (correlacionadas) que contemplen observables como:

IDENTIFICAR Y RESUMIR
1. 2. 3. 4. La proporcin de compras totales dedicadas a marcas privadas Puntajes de pruebas de actitud sobre el ahorro. Tamao de la familia Cantidad promedio de tiempo por semana dedicado a las compras 5. Comportamiento de cambio de almacenes y as sucesivamente. Si los estudios indicaran que las variables observables estn altamente intercorrelacionadas en ocasiones repetidas de evaluacin, podramos intentar desarrollar una percepcin llamada tendencia a la marca privada. Esto implicara el establecimiento de variables observables adicionales, exmenes subsiguientes y as sucesivamente.

IDENTIFICAR Y RESUMIR
Si existe una relacin de interdependencia sistemtica en el conjunto de las variables, No puede ser debida originalmente a algunos factores latentes, ms fundamentales? No podemos considerar a las variables originales como simples ndices de estos factores fundamentales?
Si se proporciona una estimacin emprica de la estructura de las variables consideradas, el anlisis factorial se convierte en una base objetiva para crear escalas aditivas.

Estudio de Vivienda
En un estudio dedicado a la vivienda, variables como el nmero de habitaciones, tamao del lote, nmero de baos, nmero de residentes, costo anual de servicios y valor de mercado tendern a ser identificados por el anlisis factorial como indicadoras de una sola dimensin fundamental: en este caso, el tamao de la casa.

Imagen corporativa
Investigaciones anteriores haban acumulado una gran cantidad de informacin sobre la percepcin que de la firma tenan los clientes. Los investigadores de mercado desean saber si los no usuarios emplean marcos de referencia similares al evaluar la compaa. Aun cuando la compaa podra catalogarse por debajo de otras empresas a travs de algunas de las dimensiones de la imagen, seran las dimensiones mismas muy parecidas para los no usuarios?

Plizas de seguros
La compaa en cuestin es una gran firma del Noroeste especializada en la venta de plizas de seguros para automviles por correo. Su crecimiento ha sido rpido en la dcada anterior; sin embargo, un reciente estancamiento en la tasa de adquisicin de nuevos clientes sirvi para renovar el inters en las formas de atraer usuarios adicionales de plizas. En consecuencia, se dise un estudio en el cual fue entrevistada una muestra de 380 no usuarios (quienes no obstante manifestaron alguna familiaridad con la compaa). Entre otras cosas, se pidi a cada informante evaluar la compaa sobre los 12 enunciados de tipo imagen que aparecen en la siguiente tabla. La escala va del 1: La describen completamente hasta el 6: No la describen del todo. (Estos mismos enunciados han sido empleados en estudios anteriores con los clientes de la compaa).

Enunciados usados en el estudio de imagen de no usuarios.


No cancelar la pliza por edad o problemas menores de salud. Trata de manejar equitativamente los reclamos. Dificultad para negociar. Proporciona excelentes recomendaciones sobre la cobertura que deben ser adquiridos para necesidades individuales. No presta suficiente atencin a los problemas de sus asegurados. Explica clara y completamente las plizas. Tiene a elevar las primas sin justificacin apropiada. Sus plizas para ancianos son mejor que otras. Su cobertura es generalmente renovable de por vida. Toma un tiempo largo en ajustar los reclamos. Servicio rpido, confiable, fcilmente accesible. Un buen ciudadano de la comunidad.

Algunos enunciados pueden relacionar ms o menos las mismas percepciones generales. Por ejemplo, no nos sorprendera si las frases 1, 8 y 9 condujeran a respuestas similares, puesto que las tres tratan de si se cuida a los ancianos en trminos de sus necesidades especiales. Las frases 2,4,6,11 y 12 sugieren todas cosas bastante positivas sobre las actitudes generales de una compaa hacia el pblico, particularmente las cualidades humanitarias de una compaa. A la inversa, las frases 3,5,7 y 10 son ms bien peyorativas sobre la interaccin de una compaa con su pblico.

Por tanto, no sera raro hallar que las respuestas de entrevistado a las frases 1,8 7 9 fueran altamente correlacionadas; de igual modo, tambin podramos esperar correlaciones relativamente altas de respuestas dentro de cada uno de los otros dos conjuntos. Sin embargo, hallaramos tambin que las correlaciones a travs de conjuntos son bajas? Son las dimensiones de imagen conjeturadas: Relevancia de plizas para ancianos. Enfoque humanista y positivo hacia su pblico. Enfoque descuidado y negativo hacia su pblico ms o menos independientes o son las siguientes dos dimensiones realmente los extremos opuestos de una sola dimensin deseable-indeseable?

En vez de confiar estrictamente en la intuicin, el anlisis factorial explora sistemticamente cules variables exhiben correlaciones altas entre conjuntos y correlaciones bajas entre conjuntos, cuntos de dichos conjuntos hay (cada conjunto definiendo una dimensin) y si las dimensiones pueden considerarse a s mismas como no correlacionadas. El anlisis factorial slo tiene valor cuando las correlaciones entre los conjuntos de las variables existen realmente. Entre ms altas sean estas correlaciones entre conjuntos, mejor definidas sern las dimensiones factoriales resultantes.

Descubrimientos
Slo tres dimensiones de imagen son necesarias para explicar el 80% de la variacin en los datos originales. Las frases 1,8 y 9 definieron la primera dimensin. Sin embargo, slo las frases 10 y 11 definieron (extremos opuestos de) la tercera dimensin. Las frases restantes 2,4,6 y 12 versus 3,5 y 7 definieron los extremos opuestos de la segunda (buena-mala) dimensin. Aparentemente, la velocidad con la cual maneja la compaa los negocios de sus clientes es vista de modo diferente desde otros aspectos evaluativos de su imagen.

El estudio tambin mostr que las tres dimensiones de la imagen eran comunes para usuarios y no usuarios aunque los puntajes de la compaa sobre las variables definiendo las dimensiones eran generalmente mejor para los clientes. El resultado ms interesante, sin embargo, fue que los puntajes de la firma en la primera dimensin (relevancia de sus plizas para ancianos) no fueron consideradas diferentes entre usuarios y no usuarios; es decir, la compaa obtuvo un buen puntaje con ambos grupos. Promocin especial para ancianos clientes de otras firmas. La campaa tuvo gran xito atrayendo clientes para las nuevas plizas.

SIMPLIFICAR Y REDUCIR
Al contar con un nmero extenso de mediciones, algunas de ellas pueden guardar estrecha relacin con otras, lo cual suscita problemas de confiabilidad como la multicolinealidad. AF ayuda a reducir el nmero de variables a un nivel ms fcil de manipular, sin que por ello deje de contener la mayor parte de la informacin que se encuentra en el conjunto original ms amplio. En la encuesta, quiz convenga reunir datos haciendo pruebas preliminares (pretests) con un cuestionario; despus se aplica el AF para depurar el cuestionario de modo que incluya las preguntas que realmente estn midiendo cosas distintas sobre el encuestado. Con ello se ahorran los gastos de fotocopiado de la encuesta y de su administracin, se abrevia el cuestionario y se incrementa la tasa de respuestas.

REUTILIZAR
Al contar con un nmero extenso de mediciones, el nmero de variables puede

ser difcil de anlisis ulterior (por ejemplo, una regresin mltiple de 100 variables)

Qu es un factor?
Son subconjuntos claramente diferenciados de variables en los que, por un lado, dentro cada uno las variables estn muy correlacionadas entre s y, por otro, las variables de los distintos subconjuntos no presentan ninguna relacin, el conjunto de variables podr ser simplificado a u nuevo conjunto de variables no directamente observables, denominadas factores, de tal forma que cada factor represente informacin que tienen en comn las variables pertenecientes a un mismo subconjunto.

Con cualquier mtodo de extraccin Preguntas que una buena solucin debe intentar responder: Cuntos componentes (factores) son necesarios para representar las variables? Qu representan estos componentes?

Datos
Las variables deben ser cuantitativas a nivel de intervalo o de razn. Los datos categricos (como la religin o el pas de origen) no son adecuados para el anlisis factorial, aunque en algunos casos se utilizan variables ficticias codificadas 0-1. Los datos para los cuales razonablemente se pueden calcular los coeficientes de correlacin de Pearson, deberan ser adecuados para el anlisis factorial.

Supuestos
Los datos deben tener una distribucin normal bivariada para cada pareja de variables y las observaciones deben ser independientes. El modelo de anlisis factorial especifica que las variables vienen determinadas por los factores comunes (los factores estimados por el modelo) y por factores nicos (los cuales no se superponen entre las distintas variables observadas). Factor nico: Parte de cada variable que no puede ser explicada por los factores comunes. Se supone que los factores nicos estn incorrelacionados con el resto de los factores nicos y con los factores comunes.

Explorar o confirmar?
Anlisis factorial exploratorio Cul es la estructura de las variables? Se parte de un conjunto de variables correlacionadas y se trata de encontrar los las estructuras o patrones en que se basan dichas asociaciones. Anlisis factorial confirmatorio La estructura hipottica se ajusta a los datos? Comprobar o corroborar si las variables se ajustan a un cierto modelo o teora preexistente. El anlisis realzado con un conocimiento previo de las caractersticas de los factores suele dar mejores resultados.

Anlisis exploratorio

Pasos para un Anlisis factorial


1. Planteamiento del problema 2. Preparacin de la matriz de correlacin. 3. Determinacin del mtodo de anlisis factorial. 4. Determinacin del nmero de factores. 5. Rotacin de factores. 6. Interpretacin de los factores Clculo de las puntuaciones de los factores Seleccin de variables sustitutas 7. Determinacin del ajuste del modelo

Anlisis factorial en la reduccin de datos

Qu variables usar?
A un analista industrial le gustara pronosticar las ventas de automviles de un conjunto de variables de pronstico. Sin embargo, muchas de esas variables estn correlacionadas, y el analista tiene temor de que esto afecte de modo adverso a los resultados. Use Anlisis Factorial con componentes principales en la extraccin para enfocar el anlisis en un conjunto ms manejable de variables de pronstico.

Corriendo el anlisis

Variables: Seleccione desde Tipo de vehculo hasta Consumo (mpg) Mtodo de extraccin: Componente principales

Rotacin y Puntuaciones

La solucin se rota para una interpretacin ms sencilla. Los componente con autovalores mayores a 1 son guardados En el archivo de trabajo

Correlaciones
Se debe asegurar que la matriz tiene suficientes correlaciones para justificar la aplicacin del anlisis factorial. Si la inspeccin visual revela que no hay un nmero sustancial de correlaciones mayores a 0.30, entonces el anlisis factorial es probablemente inapropiado.
Matriz de cor relaciones Tipo de vehculo 1.000 -.042 .269 .017 .397 .260 .150 .526 .599 -.577 Precio en miles -.042 1.000 .624 .841 .108 .328 .155 .527 .424 -.492 Tamao del motor .269 .624 1.000 .837 .473 .692 .542 .761 .667 -.737 Caballos .017 .841 .837 1.000 .282 .535 .385 .611 .505 -.616 Base de neumticos .397 .108 .473 .282 1.000 .681 .840 .651 .657 -.497 Anc hura .260 .328 .692 .535 .681 1.000 .706 .723 .663 -.602 Longitud .150 .155 .542 .385 .840 .706 1.000 .629 .571 -.448 Peso neto .526 .527 .761 .611 .651 .723 .629 1.000 .865 -.820 Capacidad de combus tible .599 .424 .667 .505 .657 .663 .571 .865 1.000 -.802 Cons umo -.577 -.492 -.737 -.616 -.497 -.602 -.448 -.820 -.802 1.000

Correlacin

Tipo de vehc ulo Precio en miles Tamao del motor Caballos Base de neumtic os Anc hura Longitud Peso neto Capacidad de combus tible Cons umo

Comunalidades
Una primer resultado que indica la calidad de la representacin de la informacin en los factores seleccionados es la comunalidad. Las comunalidades indican la proporcin de la varianza de cada variable que es considerada por los componentes o factores seleccionados. Las comunalidades iniciales son estimaciones de la varianza en cada variable considerada por todos los componentes o factores. Una comunalidad elevada (cercana a 1) implicara una correlacin elevada con al menos uno de los factores seleccionados, en cambio una comunalidad baja implicara una correlacin baja con todos los factores seleccionados

Comunalidades
Com unalidades Tipo de vehc ulo Precio en miles Tamao del motor Caballos Base de neumtic os Anc hura Longitud Peso neto Capacidad de combus tible Cons umo Inic ial 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Ex tracc in .930 .876 .843 .933 .881 .776 .919 .891 .861 .860

Las comunalidades en esta tabla son altas, lo cual indica que los componentes extrados representan bien a las variables. Si algunas comunalidades son muy bajas en una extraccin de componentes principales, puede necesitar extraer otro componente.

Mtodo de extracc in: Anlisis de Componentes princ ipales.

Varianza total explicada


La columna Total da los autovalores, o la cantidad de varianza en las variables originales considerada por cada componente. En la solucin inicial hay tantos componentes como variables. En un anlisis de correlacin, la suma de los Autovalores es igual al nmero de componentes. Slo los primeros tres componentes sern extrados. Autovalores mayores a 1.
V arianza total explicada A utov alores iniciales Componente 1 2 3 4 5 6 7 8 9 10 Total 5.994 1.654 1.123 .339 .254 .199 .155 .130 .091 .061 % de la varianza 59.938 16.545 11.227 3.389 2.541 1.994 1.547 1.299 .905 .615 % ac umulado 59.938 76.482 87.709 91.098 93.640 95.633 97.181 98.480 99.385 100.000

Mtodo de extracc in: A nlisis de Componentes princ ipales.

Varianza total explicada


Varianza total explicada Sumas de las saturaciones al c uadrado de la ex traccin Componente 1 2 3 Total 5.994 1.654 1.123 % de la varianza 59.938 16.545 11.227 % ac umulado 59.938 76.482 87.709

Mtodo de extracc in: Anlisis de Componentes princ ipales.

Se muestran los componentes extrados. Ellos explican cerca del 88% de la variabilidad en las 10 variables originales, por lo que puede considerablemente reducir la complejidad del conjunto de datos al usar tres componentes, con slo el 12% de prdida de informacin.

Varianza total explicada


La rotacin mantiene el porcentaje acumulado de la variacin explicada por los componentes extrados, pero la variacin ahora es distribuida de forma ms pareja entre los componentes. Los grandes cambios en los totales individuales sugieren que la matriz de componentes rotados ser ms fcil de interpretar que la matriz no rotada.

Varianza total explicada Suma de las s aturac iones al cuadrado de la rotacin Componente 1 2 3 Total 3.220 3.134 2.417 % de la varianza 32.199 31.344 24.166 % ac umulado 32.199 63.543 87.709

Mtodo de extracc in: Anlisis de Componentes princ ipales.

Grfico de sedimentacin

Grfico de sedimentacin
El grfico de sedimentacin le ayuda a determinar el nmero ptimo de componentes. Se grafican los Autovalores de cada componente en la solucin inicial. Generalmente quiere extraer los componentes en la pendiente inclinada. Los componentes en la pendiente poco inclinada contribuyen poco a la solucin. La ltima gran cada ocurre entre el tercer y cuarto componentes, por lo que usar los primeros tres componentes es una eleccin fcil.

Matriz de componentes
Matriz de com pone nteas Componente 2 .533 -.729 -.290 -.618 .480 .114 .304 .063 .184 .004

Tipo de vehc ulo Precio en miles Tamao del motor Caballos Base de neumticos Anc hura Longitud Peso neto Capacidad de combus tible Cons umo

1 .471 .580 .871 .740 .732 .821 .719 .934 .885 -.863

3 -.651 -.092 .018 .058 .340 .298 .556 -.121 -.210 .339

Mtodo de extracc in: Anlisis de c omponentes princ ipales. a. 3 componentes ex trados

Matriz de componentes rotada


Ayuda a determinar qu representan los componentes. Componente 1:
Precio en miles Tamao del motor Caballos
a Matriz de com pone nte s rotados

Componente 2:
Longitud

Tipo de vehc ulo Precio en miles Tamao del motor Caballos Base de neumticos Anc hura Longitud Peso neto Capacidad de combus tible Cons umo

1 -.101 .935 .753 .933 .036 .384 .155 .519 .398 -.543

Componente 2 .095 -.003 .436 .242 .884 .759 .943 .533 .495 -.318

3 .954 .041 .292 .056 .314 .231 .069 .581 .676 -.681

Componente 3:
Tipo de vehculo

Mtodo de extracc in: Anlisis de c omponentes princ ipales. Mtodo de rotacin: Normalizacin Varimax con Kais er. a. La rotacin ha convergido en 4 iterac iones .

Matriz de componentes rotada


Eso sugiere que puede enfocar su atencin en tres variables para anlisis futuros
Precio en miles Longitud Tipo de vehculo

Pero puede hacer incluso mejor al guardar las puntuaciones de los componentes.

Matriz de coeficientes para el clculo de las puntuaciones


Matriz de coeficiente s para e l clculo de las puntuacione s e n las com ponente s Componente 2 -.194 -.179 .028 -.046 .397 .289 .477 .043 .017 .108

Tipo de vehc ulo Precio en miles Tamao del motor Caballos Base de neumticos A nc hura Longitud Peso neto Capacidad de combus tible Cons umo

1 -.173 .414 .226 .368 -.177 .011 -.105 .070 .012 -.107

3 .615 -.081 -.016 -.139 -.042 -.102 -.234 .175 .262 -.298

Mtodo de extracc in: A nlisis de c omponentes princ ipales. Mtodo de rotacin: Normalizacin V arimax con Kais er. Puntuaciones de c omponentes.

Para cada caso y cada componente, se calcula la puntuacin del componente al multiplicar los valores de la variable estandarizada del caso (calculada usada listwise deletion). Por los coeficientes de puntuacin del componente. Las tres variables de puntuaciones de componentes son representativas de, y pueden ser usadas en lugar de, las 10 variables originales con slo un 12% de prdida de informacin.

Puntuaciones factoriales
Usar las puntuaciones factoriales guardadas es tambin preferible a usar Precio en miles, Longitud y Tipo de Vehculo porque los componentes son representativos de todas las 10 variables originales, y los componentes no estn linealmente correlacionadas entre s. Aunque la correlacin lineal entre el componente es garantizado a ser 0, usted debera mirar los grficos de las puntuaciones factoriales para verificar si existen puntos atpicos (fuera de foco) y asociaciones no lineales entre los componentes.

Matriz de dispersin para las puntuaciones factoriales


Seleccione como variables de matriz desde REGR factor score 1 for analysis 1 hasta REGR factor score 3 for analysis 1 OK

Matriz de dispersin para las puntuaciones factoriales


La primer grfica en la primera columna muestra el primer componente en el eje vertical vs el segundo componente en el eje horizontal, y el orden de las grficas restantes sigue de all.

Matriz de dispersin para las puntuaciones factoriales


La matriz de dispersin muestra que el primer componente tiene una distribucin sesgada, que se debe a que Precio en miles est sesgado. Una extraccin de componentes principales usando una transformacin logartmica de Precio puede dar mejores resultados. La separacin que se ve en el tercer componente se explica por el hecho de que Tipo de Vehculo es una variable dicotmica. Parece existir una relacin entre el primer y el tercer componente, debido al hecho que hay varios automviles caros pero no camionetas lujosas. Este problema puede ser aliviado al usar una transformacin logartmica de Precio. Si e problema no se resuelve, tal vez quiera dividir el archivo por tipo de vehculo.

Resumen
Puede reducir el tamao del archivo de datos de 10 variables a slo 3 componentes al usar el Anlisis Factorial con la extraccin de componentes principales. Note que la interpretacin de anlisis futuros depende de las relaciones definidas en la matriz de componentes rotada. Este paso de traslacin complica las cosas un poco, pero los beneficios de reducir el archivo de datos y usar variables de pronstico latentes no correlacionadas bien lo vale.

Usando Anlisis Factorial para la Deteccin de una Estructura

Estructura subyacente
Un proveedor de telecomunicaciones quiere entender mejor los patrones de servicio de uso en su base de datos de clientes. Si los servicios pueden ser segmentados por uso, la compaa puede ofrecer ms paquetes atractivos a sus clientes. Use Anlisis factorial para determinar la estructura subyacente en el uso del servicio

Corriendo el anlisis
Seleccione Desde Larga Distancia en el ltimo mes hasta Inalmbrico en el ltimo mes (escala) Desde Lneas mltiples hasta Facturacin Electrnica (nominal)

Corriendo el anlisis

Corriendo el anlisis
Estas selecciones producen una solucin usando el mtodo de factorizacin de ejes principales, al cual se le aplica luego una rotacin Varimax.

KMO y prueba de Bartlett


KMO y prue ba de Bartle tt Medida de adec uac in mues tral de Kais er-Mey er-Olkin. Prueba de es f ericidad de Bartlett Chi-c uadrado aproximado gl Sig. .888 6230.901 91 .000

Esta tabla muestra dos pruebas que indican qu tan adecuado son los datos para la deteccin de estructura. La medida de adecuacin muestral de KMO es un estadstico que indica la proporcin de varianza en sus variables que puede ser causada por factores subyacentes. Altos valores (cercanos a 1.0) generalmente indican que un anlisis factorial puede ser til con sus datos. Si los valores son menores que 0.50, los resultados del anlisis factorial probablemente no sern muy tiles.

KMO y prueba de Bartlett


KMO y prue ba de Bartle tt Medida de adec uac in mues tral de Kais er-Mey er-Olkin. Prueba de es f ericidad de Bartlett Chi-c uadrado aproximado gl Sig. .888 6230.901 91 .000

La prueba de esfericidad de Bartlett prueba la hiptesis de que su matriz de correlacin es una matriz de identidad, lo cual indicara que sus variables no estn relacionadas y por tanto son inadecuadas para la deteccin de una estructura. P-valores menores a 0.05 indican que un anlisis factorial puede ser til con sus datos. Ojo: el incremento en el tamao muestral da lugar a que la prueba sea ms sensible a la deteccin de correlaciones entre variables.

Matrices anti-imagen
Matrices anti-im age n Larga distancia en el ltimo mes Covarianza anti-imagen Larga distancia en el ltimo mes Llamadas gratuitas en el ltimo mes Equipos en el ltimo mes Tarjeta de llamada en el ltimo mes Inalmbrico en el ltimo mes Lneas mltiples Mensajes de voz Servicio bus ca Internet Identif ic ador de llamadas Llamada en espera Desv o de llamadas Llamada a 3 Facturacin electrnic a Larga distancia en el ltimo mes Llamadas gratuitas en el ltimo mes Equipos en el ltimo mes Tarjeta de llamada en el ltimo mes Inalmbrico en el ltimo mes Lneas mltiples Mensajes de voz Servicio bus ca Internet Identif ic ador de llamadas Llamada en espera Desv o de llamadas Llamada a 3 Facturacin electrnic a .703 -.074 .001 -.234 -.001 -.253 .037 .031 .046 .030 .007 .002 -.008 .064 .586 -.126 .001 -.326 -.003 -.354 .061 .054 .074 .054 .012 .004 -.013 .099
a

Llamadas gratuitas en el ltimo mes -.074 .490 .049 -.034 -.067 .002 -.001 -.047 .023 -.064 -.095 -.054 -.071 .026 -.126 .920 .107 -.056 -.165 .004 -.001 -.098 .044 -.137 -.201 -.113 -.144 .049
a

Equipos en el ltimo mes .001 .049 .421 .004 -.092 -.068 -.043 -.054 -.161 .002 .008 -.001 .003 -.131 .001 .107 .849 a .007 -.243 -.123 -.092 -.120 -.336 .006 .018 -.002 .007 -.264

Tarjeta de llamada en el ltimo mes -.234 -.034 .004 .734 -.039 -.019 -.038 .000 .029 -.029 -.001 -.043 -.017 .037 -.326 -.056 .007 .850 -.077 -.026 -.061 .000 .046 -.051 -.002 -.073 -.029 .057
a

Inalmbrico en el ltimo mes -.001 -.067 -.092 -.039 .340 -.048 -.117 -.146 -.020 -.024 -.005 -.007 -.035 -.017 -.003 -.165 -.243 -.077 .885 -.098 -.276 -.365 -.047 -.060 -.014 -.019 -.087 -.038
a

Lneas mltiples -.253 .002 -.068 -.019 -.048 .724 -.016 .002 -.057 .035 -.007 .030 .002 -.055 -.354 .004 -.123 -.026 -.098 .766 a -.027 .004 -.090 .062 -.013 .052 .004 -.084

Mensajes de v oz .037 -.001 -.043 -.038 -.117 -.016 .529 -.049 -.030 -.008 -.034 -.037 -.032 -.045 .061 -.001 -.092 -.061 -.276 -.027 .936 a -.099 -.055 -.016 -.069 -.075 -.062 -.081

Servicio busc a .031 -.047 -.054 .000 -.146 .002 -.049 .473 -.029 -.019 -.024 -.026 .013 -.027 .054 -.098 -.120 .000 -.365 .004 -.099 .915 a -.057 -.042 -.052 -.054 .026 -.050

Internet .046 .023 -.161 .029 -.020 -.057 -.030 -.029 .545 -.001 .006 .010 .017 -.132 .074 .044 -.336 .046 -.047 -.090 -.055 -.057 .856 a -.002 .012 .020 .032 -.234

Identif ic ador de llamadas .030 -.064 .002 -.029 -.024 .035 -.008 -.019 -.001 .448 -.114 -.097 -.106 .012 .054 -.137 .006 -.051 -.060 .062 -.016 -.042 -.002 .913 a -.252 -.211 -.226 .023

Llamada en espera .007 -.095 .008 -.001 -.005 -.007 -.034 -.024 .006 -.114 .455 -.105 -.069 .032 .012 -.201 .018 -.002 -.014 -.013 -.069 -.052 .012 -.252 .914 a -.227 -.145 .063

Desv o de llamadas .002 -.054 -.001 -.043 -.007 .030 -.037 -.026 .010 -.097 -.105 .468 -.100 .005 .004 -.113 -.002 -.073 -.019 .052 -.075 -.054 .020 -.211 -.227 .922 a -.208 .010

Llamada a 3 -.008 -.071 .003 -.017 -.035 .002 -.032 .013 .017 -.106 -.069 -.100 .494 .014 -.013 -.144 .007 -.029 -.087 .004 -.062 .026 .032 -.226 -.145 -.208 .927 a .027

Facturacin elec trnic a .064 .026 -.131 .037 -.017 -.055 -.045 -.027 -.132 .012 .032 .005 .014 .584 .099 .049 -.264 .057 -.038 -.084 -.081 -.050 -.234 .023 .063 .010 .027 .862 a

Correlacin anti-imagen

a. Medida de adecuac in mues tral

Matriz de correlacin anti-imagen


Matriz de correlacin anti-imagen: Valor negativo de la correlacin parcial. Si los factores verdaderos existen en los datos, la correlacin parcial ser pequea, porque se puede explicar la variable mediante los factores. Si las correlaciones parciales son altas, entonces no existen factores subyacentes verdaderos y el anlisis factorial no es apropiado.

Medida de adecuacin muestral


Este ndice se extiende de 0 a 1, llegando a 1 cuando cada variable es perfectamente predicha sin error por las otras variables.
0.80 o ms sobresaliente 0.70 regular 0.60 mediocre 0.50 despreciable Debajo de 0.50 inaceptable

El investigador debera examinar primero los valores de MAM para cada variable y excluir aquellos que caen en la gama de inaceptable.

La MAM aumenta conforme:


1. 2. 3. 4. Aumenta el tamao muestral Aumentan las correlaciones medias Aumenta el nmero de variables Desciende el nmero de factores

Comunalidades

Com unalidades Inic ial Larga distancia en el ltimo mes Llamadas gratuitas en el ltimo mes Equipos en el ltimo mes Tarjeta de llamada en el ltimo mes Inalmbrico en el ltimo mes Lneas mltiples Mensajes de voz Servicio bus ca Internet Identif ic ador de llamadas Llamada en espera Desv o de llamadas Llamada a 3 Facturacin electrnic a .297 .510 .579 .266 .660 .276 .471 .527 .455 .552 .545 .532 .506 .416 Ex tracc in .748 .564 .697 .307 .708 .340 .501 .541 .525 .623 .610 .596 .561 .488

Mtodo de extracc in: Fac torizacin de Ejes principales.

Las comunalidades iniciales son (en el anlisis de correlacin) la proporcin de la varianza considerada en cada variable por el resto de las variables. Las comunalidades de extraccin son estimados de la varianza en cada variable considerados por los factores en la solucin factorial. Valores pequeos indican que las variables no se ajustan bien con la solucin factorial, y posiblemente deberan ser sacadas del anlisis. Las comunalidades de extraccin para este ejemplo son aceptables, aunque los valores ms bajos de Lneas Mltiples y Tarjetas de llamadas en el ltimo mes muestran que estas variables no se ajustan tan bien como las otras.

Varianza Total Explicada


Muestra la varianza total explicada por la solucin inicial. Slo tres factores en la solucin inicial tienen autovalores mayores a 1. Juntos, consideran casi el 65% de la variabilidad de las variables originales. Esto sugiere que las tres influencias latentes estn asociadas con uso de servicio, pero deja lugar para mucha varianza sin explicar.
Varianza total explicada Autov alores iniciales Factor 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Total 4.877 2.733 1.476 .697 .612 .508 .470 .461 .423 .418 .377 .350 .339 .258 % de la varianza 34.838 19.518 10.546 4.979 4.368 3.628 3.358 3.289 3.021 2.988 2.695 2.503 2.424 1.842 % ac umulado 34.838 54.357 64.903 69.883 74.251 77.879 81.237 84.526 87.548 90.536 93.231 95.733 98.158 100.000

Mtodo de extracc in: Fac torizacin de Ejes principales .

Varianza Total Explicada


V arianza total explicada Sumas de las saturaciones al c uadrado de la extracc in Factor 1 2 3 Total 4.461 2.297 1.053 % de la varianza 31.864 16.409 7.519 % ac umulado 31.864 48.273 55.792

Mtodo de ex tracc in: Factorizac in de Ejes principales.

Se muestra la varianza explicada por los tres factores extrados antes de la rotacin. La variabilidad explicada acumulada por estos tres factores en la solucin extrada es de cerca de 55%, una diferencia del 10% de la solucin inicial.

Varianza Total Explicada


Varianza total explicada Suma de las s aturac iones al cuadrado de la rotacin Factor 1 2 3 Total 3.747 2.872 1.192 % de la varianza 26.763 20.514 8.515 % ac umulado 26.763 47.277 55.792

Mtodo de extracc in: Fac torizacin de Ejes principales.

Por tanto, cerca del 10% de la variacin explicada se pierde debido a factores latentes nicos a las variables originales y variabilidad que simplemente no puede ser explicada por el modelo factorial. Se muestra la varianza explicada por los factores extrados despus de la rotacin.

Varianza Total Explicada


V arianza total explicada Sumas de las saturaciones al c uadrado de la extracc in Factor 1 2 3 Total 4.461 2.297 1.053 % de la varianza 31.864 16.409 7.519 % ac umulado 31.864 48.273 55.792

Mtodo de ex tracc in: Factorizac in de Ejes principales.

Varianza total explicada Suma de las s aturac iones al cuadrado de la rotacin Factor 1 2 3 Total 3.747 2.872 1.192 % de la varianza 26.763 20.514 8.515 % ac umulado 26.763 47.277 55.792

Mtodo de extracc in: Fac torizacin de Ejes principales.

El modelo factorial rotado le hace unos pequeos ajustes a los factores 1 y 2, pero el factor 3 se deja virtualmente sin cambio. Fjese en los cambios entre las matrices factoriales norotadas y rotadas para ver cmo la rotacin afecta la interpretacin del primer y segundo factores.

Grfico de sedimentacin
El grfico de sedimentacin confirma la eleccin de tres componentes.

Matriz factorial
a Matriz factorial

1 Larga distancia en el ltimo mes Llamadas gratuitas en el ltimo mes Equipos en el ltimo mes Tarjeta de llamada en el ltimo mes Inalmbrico en el ltimo mes Lneas mltiples Mensajes de voz Servicio bus ca Internet Identif ic ador de llamadas Llamada en espera Desv o de llamadas Llamada a 3 Facturacin electrnic a .146 .652 .494 .364 .799 .257 .669 .692 .323 .689 .678 .684 .662 .250

Factor 2 -.254 -.373 .671 -.243 .261 .280 .228 .246 .648 -.345 -.366 -.336 -.338 .652

3 .814 .020 .054 .339 .037 .442 -.038 -.050 -.014 -.172 -.126 -.128 -.093 -.035

Mtodo de extracc in: Fac torizacin del eje principal. a. Se han intentado extraer 3 f actores . Requidas ms de 25 iteraciones. (Convergencia=.002). Se ha terminado la ex tracc in.

Las relaciones de la matriz factorial no-rotada son algo claras. El tercer factor est asociado con Larga distancia en el ltimo mes. El segundo factor corresponde de manera ms fuerte con Equipo del ltimo mes, Internet y Facturacin electrnica.

Matriz factorial
a Matriz factorial

El primer factor est asociado con Llamadas gratuitas, Inalmbrico, mensaje de voz, servicio busca, identificador de llamadas, llamada en espera, desvo de llamada, llamada a tres. Sin embargo, algunos de estos servicios del primer factor estn asociados negativamente con el segundo factor y algunos positivamente. En general, hay muchos servicios que tienen correlaciones mayores a 0.2 con factores mltiples, lo cual enturbia el panorama. La matriz de factores rotados debe aclarar el embrollo.

1 Larga distancia en el ltimo mes Llamadas gratuitas en el ltimo mes Equipos en el ltimo mes Tarjeta de llamada en el ltimo mes Inalmbrico en el ltimo mes Lneas mltiples Mensajes de voz Servicio bus ca Internet Identif ic ador de llamadas Llamada en espera Desv o de llamadas Llamada a 3 Facturacin electrnic a .146 .652 .494 .364 .799 .257 .669 .692 .323 .689 .678 .684 .662 .250

Factor 2 -.254 -.373 .671 -.243 .261 .280 .228 .246 .648 -.345 -.366 -.336 -.338 .652

3 .814 .020 .054 .339 .037 .442 -.038 -.050 -.014 -.172 -.126 -.128 -.093 -.035

Mtodo de extracc in: Fac torizacin del eje principal. a. Se han intentado extraer 3 f actores . Requidas ms de 25 iteraciones. (Convergencia=.002). Se ha terminado la ex tracc in.

Matriz de transformacin de los factores


Matriz de tr ansform acin de los factore s Factor 1 2 3 1 .837 -.497 -.230 2 .516 .856 .026 3 .184 -.140 .973

Mtodo de extracc in: Fac toriz acin del eje princ ipal. Mtodo de rotacin: Normalizacin Varimax con Kais er.

la matriz de transformacin de los factores describe la rotacin especfica aplicada a su solucin factorial. Esta matriz es usada para calcular la matriz de factores rotada de la matriz factorial original (norotada). Los elementos fuera de la diagonal ms pequeos corresponden a rotaciones ms pequeas. Los elementos fuera de la fila corresponden a rotaciones ms grandes.

Matriz factorial rotada


El tercer factor no es muy afectado por la rotacin, pero los primeros dos son ms fciles de interpretar. El primer factor rotado est ms altamente relacionado con Llamadas gratuitas, Identificador de llamadas, Llamada en espera, Desvo de llamadas y Llamada a 3. Estas variables no estn particularmente relacionadas con los otros dos factores. El segundo factor est ms altamente relacionado con Equipo, Internet y Facturacin Electrnica.
a Matriz de factores rotados

1 Larga distancia en el ltimo mes Llamadas gratuitas en el ltimo mes Equipos en el ltimo mes Tarjeta de llamada en el ltimo mes Inalmbrico en el ltimo mes Lneas mltiples Mensajes de voz Servicio bus ca Internet Identif ic ador de llamadas Llamada en espera Desv o de llamadas Llamada a 3 Facturacin electrnic a .062 .726 .067 .348 .530 -.025 .455 .468 -.049 .787 .779 .768 .743 -.107

Factor 2 -.121 .018 .831 -.012 .637 .384 .539 .566 .722 .056 .033 .062 .050 .686

3 .854 .191 .049 .431 .146 .438 .054 .044 -.045 .008 .054 .048 .078 -.080

Mtodo de extracc in: Fac torizacin del eje principal. Mtodo de rotacin: Normalizac in Varimax con Kaiser. a. La rotacin ha convergido en 4 iteraciones.

Observaciones de los grupos


Entonces, hay tres agrupaciones principales de servicios, definidas por los servicios que estn ms altamente relacionadas con los tres factores. Dadas estas tres agrupaciones, puede hacer las siguientes observaciones acerca de los servicios que quedan: Debido a sus moderadamente grandes correlaciones tanto con el primer, como con el segundo factor, Inalmbrico, Mensaje de voz y Servicio busca unen los grupos Extras y Tecnolgico.

Observaciones de los grupos


Tarjeta de llamadas en el ltimo mes est moderadamente relacionado con el primer y tercer factores, por lo que es una conexin entre los grupos Extras y Larga Distancia. Lneas mltiples est moderadamente relacionado con el segundo y el tercer factor, por lo que es un puente entre los grupos Tecnolgico y Larga Distancia. Esto sugiere avenidas de venta cruzada. Por ejemplo, los clientes que se suscriben a los servicios extra pueden estar ms predispuestos a aceptar ofertas especiales en servicios inalmbricos que servicios de Internet.

Grfico de cargas factoriales

Representacin visual de la matriz factorial rotada. Si las relaciones en la matriz son complejas, esta grfica puede ser ms fcil de interpretar.

Resumen
Al usar la factorizacin por ejes principales, se han descubierto tres factores latentes que describen las relaciones entre sus variables. Estos factores sugieren varios patrones de uso de servicio, lo cual puede usar para incrementar ms eficientemente las ventas cruzadas.

Usando Anlisis Factorial en la satisfaccin del cliente

El investigador puede tambin optar por desarrollar mediciones multivariantes, tambin conocidas como escalas sumadas, donde diversas variables se unen en una medida compuesta para representar un concepto (por ejemplo, una escala de personalidad de entrada mltiple o puntuaciones sumadas de un producto). El objetivo es evitar usar slo una nica variable para representar un concepto, y en su lugar utilizar varias variables como indicadores, representando todos ellos diferentes facetas del concepto para obtener una perspectiva ms completa. El uso de indicadores mltiples permite al investigador llegar a una especificacin ms precisa de las respuestas deseadas y no deja la fiabilidad plena a una nica respuesta sino en la respuesta media o tpica de un conjunto de respuestas relacionadas. Por ejemplo, al medir la satisfaccin, uno podra preguntar una nica cuestin, cul es su grado de satisfaccin?, y basar el anlisis en una nica respuesta. O se podra desarrollar una escala aditiva que combinara varias respuestas de satisfaccin, quiz en diferentes formatos de respuesta y en diferentes reas de inters, que contemple la satisfaccin total. La premisa bsica es que las respuestas mltiples reflejan con mayor precisin la respuesta verdadera que la respuesta nica.

El impacto del error de medida y la escasa fiabilidad no pueden ser observadas directamente, dado que se encuentran en las variables observadas. El investigador debe, por tanto, trabajar siempre para aumentar la validez y la fiabilidad, lo que al final llevar a un retrato ms autntico de las variables de inters. Los malos resultados no siempre se deben al error de medida, pero la presencia del error de medida es garanta de distorsin en las relaciones observadas y hace menos poderosas las tcnicas multivariantes. Reducir el error de medida, aunque implique esfuerzo, tiempo y recursos adicionales, puede mejorar resultados dbiles o marginales, as como fortalecer resultados probados.

Beneficios de una pasta de dientes


Un investigador quiere determinar los beneficios esenciales que buscan los consumidores al comprar pasta de dientes. Las variables reflejarn el grado de acuerdo con ciertas afirmaciones (actitudes o percepciones) Escala Likert
(1 = muy en desacuerdo, 7 = Muy de acuerdo)

Datos en SPSS

1. Planteamiento del problema


Identificar el objetivo del anlisis identificar dimensiones o aspectos bsicos. reducir el nmero de variables facilitar anlisis estadsticos posteriores En nuestro ejemplo el objetivo es identificar los beneficios o dimensiones bsicas.

Qu variables se incluyen?
Las variables deben ser comparables: en el caso de introducir a la vez en el anlisis variables socioeconmicas, variables de actitudes, variables de comportamiento, etc. corremos el riesgo de que los factores obtenidos no tengan ningn sentido. Especificar las variables a incluir, con base en investigaciones pasadas una teora o el buen juicio del investigador. Es recomendable incluir 5 ms variables por cada dimensin de la calidad que se espera obtener.

Ejemplos
Cmo evalan los clientes a los bancos?, 15 atributos Problemas ticos aquejan a una organizacin, 11 reactivos Burke us en un estudio 16 preguntas Comportamiento de profesores, 20 caractersticas propuestas Actitudes de los estudiantes hacia la educacin, 20 preguntas. Satisfaccin material informtico, 22 aspectos de servicio Impresin de los consumidores de las rebajas, 24 reactivos Satisfaccin de los pacientes dentales, 26 preguntas Promocin comercial de fabricantes, 30 variables explicativas

Variables Pasta de dientes


1. Es importante comprar una pasta de dientes que prevenga las picaduras. 2. Me gusta una pasta que deje los dientes brillantes. 3. Una pasta de dientes debe fortalecer las encas 4. Prefiero una pasta de dientes que refresque el aliento. 5. La prevencin de las caries no es un beneficio importante que ofrezcan las pastas de dientes. 6. La consideracin ms importante al comprar una pasta son los dientes atractivos.

Cmo se miden las variables?


Las variables deben ser cuantitativas (escala mtrica) a nivel de intervalo o de razn. Intervalo,
Ejemplos: Preguntas sobre preferencias, actitudes o hbitos.

Razn: Los nmeros establecen diferencias y existe un punto cero real que denota la ausencia de una caracterstica.
Ejemplos: edad, dinero, etc.

Cmo se miden las variables?


Los datos categricos (como la religin o el pas de origen) no son adecuados para el anlisis factorial. Los datos para los cuales razonablemente se pueden calcular los coeficientes de correlacin de Pearson, deberan ser adecuados para el anlisis factorial. Si las escalas sobre las que se han medido las variables son muy diferentes, es necesario normalizarla, ya que la varianza de cada variable interviene en el anlisis y las variables que presenten mayor varianza tendran ciertas ventajas

Cul es el tamao de la muestra?


No debe usarse para los casos en los que el nmero de entrevistas sea menor a 50. Si los factores estn bien definidos, un tamao muestral de apenas 50 es relativamente estable. Se prefieren de 100 a 300 entrevistas Tamao de muestra debe ser por lo menos 5 veces la cantidad de variables que se pretenda agrupar. Un ratio ms aceptable sera una relacin 10 casos por cada variable.

Cuadro de dilogo principal de AF


Analizar > Reduccin de datos > Anlisis Factorial

Seleccione las variables para el anlisis factorial.

Seleccin de casos en el anlisis factorial


Seleccione una variable de seleccin. Pulse en Valor para introducir un nmero entero como valor de seleccin. En el anlisis factorial, slo se usarn los casos con ese valor para la variable de seleccin En este caso slo se analizaran las percepciones de los hombres sobre las pastas de dientes.

Anlisis factoriales separados!


El investigador debe asegurarse de que la muestra es homognea con respecto a la estructura de factor subyacente. Por ejemplo, la aplicacin del anlisis factorial resultara inapropiada para una muestra de hombres y mujeres que tienen distintas opiniones sobre una serie de aspectos segn el sexo. Cuando se combinan las dos submuestras (hombres y mujeres), las correlaciones resultantes y la estructura de factores sern una representacin pobre de la estructura nica de cada grupo.. Para grupos diferentes de la muestra, se deben aplicar anlisis factoriales separados.

2. Preparacin de la matriz de correlacin


Representa la base del anlisis factorial La matriz de correlacin muestra las correlaciones (r) entre todos los pares posibles de variables incluidos en el anlisis. Se omiten los elementos de la diagonal (slo 1s) Si las correlaciones entre las variables son pequeas, es posible que el anlisis factorial no sea el apropiado. Esperamos que las variables muy correlacionadas entre s guarden una gran correlacin con el mismo o los mismos factores.

Botn Descriptivos

Matriz de correlaciones entre variables


a Matriz de cor relaciones

Correlacin

Sig. (Unilateral)

Prevenga pic aduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos Prevenga pic aduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos

Prevenga picaduras 1.000 -.053 .873 -.086 -.858 .004 .390 .000 .325 .000 .491

Deje dientes brillates -.053 1.000 -.155 .572 .020 .640 .390 .207 .000 .459 .000

Debe f ortalec er encas .873 -.155 1.000 -.248 -.778 -.018 .000 .207 .093 .000 .462

ref resque aliento -.086 .572 -.248 1.000 -.007 .640 .325 .000 .093

prevencin de caries no es importante -.858 .020 -.778 -.007 1.000 -.136 .000 .459 .000 .486

Dientes atrac tivos .004 .640 -.018 .640 -.136 1.000 .491 .000 .462 .000 .236

.486 .000 .236

a. Determinante = .014

Esperamos correlaciones mayores a 0.33 en varios pares

Muchas correlaciones?
Es importante verificar que todas las variables tengan al menos un coeficiente de correlacin significativo. Si hay un nmero grande de variables, suele ser difcil seguir la pista a las diversas relaciones y patrones de relaciones. Por fortuna, contamos con la Determinante. A mayor grado de correlacin, menor es el valor.

Correlaciones elevadas
Hay correlaciones relativamente elevadas entre prevencin de las picaduras, encas fuertes y prevencin de las caries. Se esperara que estas variables se correlacionaran con el mismo conjunto de factores. Hay correlaciones relativamente elevadas entre dientes brillantes y aliento fresco. Tambin se espera que se correlacionen con los mismos factores.

Botn Descriptivos

Prueba de esfericidad de Bartlett


Se correlacionan las variables entre s? Si no lo estn no existiran factores comunes y no tendra sentido aplicar Anlisis Factorial. Permite examinar la hiptesis de que las variables no se correlacionan en la poblacin (La matriz de correlaciones es una matriz identidad) Se obtiene a partir de la transformacin 2 del determinante de la matriz de correlaciones. Cuanto mayor sea y, por tanto, menor p valor, es mejor.
La conveniencia de la Matriz de Correlacin se prueba estadsticamente.

Medida de adecuacin de la muestra de Kaiser-Meyer-Olkin (KMO)


Medida de adecuacin de la muestra de Kaiser-MeyerOlkin (KMO) Compara los coeficientes de la correlacin observada con las correlaciones parciales entre las variables para verificar que sean pequeas. Un valor pequeo indica una mala adecuacin de la muestra para el anlisis. Segn Kaiser (1974) 1.00 > KMO > 0.90 Excelentes 0.90 > KMO > 0.80 Buenos 0.80 > KMO > 0.70 Aceptables 0.70 > KMO > 0.60 Regulares 0.60 > KMO > 0.50 Malos KMO < 0.50 Inaceptables o muy malos

Pruebas de significancia
KMO y prue ba de Bartle tt Medida de adec uac in mues tral de Kais er-Mey er-Olkin. Prueba de es f ericidad de Bartlett Chi-c uadrado aproximado gl Sig. .660 111.314 15 .000

La Ho, de que la matriz de correlacin de la poblacin es una matriz identidad, queda rechazada en la prueba de esfericidad de Bartlett. El valor de la estadstica KMO tambin es grande. Por tanto, el Anlisis Factorial se considerara una tcnica apropiada para analizar la matriz de correlacin anterior.

Matrices de correlaciones Anti-imagen


Los valores en la matriz anti-imagen sern los negativos de los Coeficientes de correlacin parcial entre cada par de variables neutralizando el efecto de todas las restantes. Cuanto ms pequeos los coeficientes, mejor.
Matrices anti-im age n Prevenga picaduras .141 -.048 -.106 -.051 .104 .073 .621 a -.179 -.657 -.203 .570 .303 Deje dientes brillates -.048 .520 .044 -.093 -.049 -.219 -.179 .697 a .140 -.192 -.139 -.474 Debe f ortalec er encas -.106 .044 .186 .114 .025 -.073 -.657 .140 .679 a .390 .118 -.265 ref resque aliento -.051 -.093 .114 .457 .025 -.206 -.203 -.192 .390 .637 a .074 -.474 prevencin de caries no es importante .104 -.049 .025 .025 .237 .067 .570 -.139 .118 .074 .769 .213
a

Covarianza anti-imagen

Correlacin anti-imagen

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos

Dientes atrac tivos .073 -.219 -.073 -.206 .067 .413 .303 -.474 -.265 -.474 .213 .561 a

a. Medida de adecuac in mues tral

Medida de adecuacin muestral


MSA (Medida de adecuacin muestral) son los KMO pero para cada variable por separado. Interesa que estn cercanos a la unidad.
Matrices anti-im age n Prevenga picaduras .141 -.048 -.106 -.051 .104 .073 .621 a -.179 -.657 -.203 .570 .303 Deje dientes brillates -.048 .520 .044 -.093 -.049 -.219 -.179 .697 a .140 -.192 -.139 -.474 Debe f ortalec er encas -.106 .044 .186 .114 .025 -.073 -.657 .140 .679 a .390 .118 -.265 ref resque aliento -.051 -.093 .114 .457 .025 -.206 -.203 -.192 .390 .637 a .074 -.474 prevencin de caries no es importante .104 -.049 .025 .025 .237 .067 .570 -.139 .118 .074 .769 .213
a

Covarianza anti-imagen

Correlacin anti-imagen

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos

Dientes atrac tivos .073 -.219 -.073 -.206 .067 .413 .303 -.474 -.265 -.474 .213 .561 a

a. Medida de adecuac in mues tral

Es AF la tcnica apropiada?
Coeficientes de correlacin de Pearson significativos en la mayora de los casos. Determinante de la matriz de correlaciones relativamente bajo (Menor a 0.25) KMO superior a 0.70 Prueba de Barlett significativa Valores bajos en la matriz anti-imagen MSA altos en la diagonal de la matriz de correlaciones anti-imagen.

3. Determinacin del mtodo de anlisis factorial


Los mtodos del anlisis factorial se distinguen por la manera de derivar los pesos, o los coeficientes de las calificaciones de los factores. Un factor comn, o componente principal, refleja la redundancia que pueda existir entre las variables originales: Los factores extrados deben cumplir 3 condiciones: Linealidad: Cada factor es una combinacin lineal de las variables originales. Independencia: Los factores no estn correlacionados entre ellos (Son ortogonales). Varianza restituida por cada factor: El primer factor explica o restituye la mayor varianza posible de todas las variables. El procedimiento es sucesivo, hasta tener tantos factores como variables originales, o hasta que no haya varianza por explicar.

3. Determinacin del mtodo de anlisis factorial


Anlisis de componentes principales Mtodo de anlisis factorial que considera la variacin total de los datos. El objetivo bsico es reducir variables a un conjunto de factores que no se correlacionan. La implicacin estadstica de ortogonalidad es incorrelacin. El mtodo se recomienda cuando lo que ms interesa es determinar el mnimo nmero de factores para explicar el conjunto original de datos. Los factores extrados no necesitan tener ningn validez terica.

Botn Extraccin
Existen siete mtodos de extraccin factorial disponibles en SPSS

3. Determinacin del mtodo de anlisis factorial


Anlisis de factores comunes Mtodo de anlisis factorial en el que se estiman los factores basndose nicamente en la variacin comn (cunto de la varianza comparte una una variable con las otras variables consideradas en el anlisis) El objetivo bsico del AFC es sintetizar los datos. El mtodo se recomienda cuando lo que interesa es identificar las dimensiones subyacentes significativas en base a una teora o modelo.

6 mtodos de Factor Comn


Mtodo de mnimos cuadrados no ponderados Mtodo de Mnimos cuadrados generalizados Mtodo de mxima verosimilitud Factorizacin de ejes principales Alfa Factorizacin imagen

Cul es mejor?
Las complicaciones halladas en el anlisis de factores comunes han contribuido a la extensin del uso del anlisis de componentes principales. Investigaciones empricas han demostrado que en la mayora de las aplicaciones, tanto el anlisis de componentes principales como los anlisis factoriales comunes llegan a resultados esencialmente idnticos si
El nmero de variables excede a 30, Las comunalidades (varianzas compartidas o comn) exceden a 0.60 para la mayora de las variables.

Factor comn en SPSS

El mtodo principal de FC es Factorizacin de ejes principales

Aplicacin del Anlisis de Componentes Principales


Los autovalores estn en orden de magnitud decreciente del factor 1 al factor 6. El factor 1 explica una varianza de 2.731, que es (2.731/6)% de la varianza total. El factor 2 explica (2.218/6)% de la varianza total.

4. Determinacin del No. de factores


A priori
El investigador sabe de antemano cuntos factores espera basndose en consideraciones tericas (aspectos tangibles, confiabilidad y producto, por ejemplo)

4. Determinacin del No. de factores


Los factores se extraen de manera tal que el primer factor explica la mayor varianza de datos, el segundo la siguiente mayor, etc. El porcentaje acumulado de la varianza extrada por los factores debe alcanzar a un nivel mnimo satisfactorio Se recomienda una varianza mayor a 66 % como satisfactoria (en algunos casos incluso menos)

Porcentaje de varianza mnima

4. Determinacin del No. de factores


Autovalores (Criterio de Kaiser) Slo se conservan los valores propios mayores de 1.0 (la opcin por omisin); los dems se excluyen del modelo Un valor propio representa la cantidad de varianza total explicada por cada factor. Como la varianza de una variable estandarizada es 1.0, los factores con una varianza menor a 1.0 no son mejores que una sola variable. Si hay menos de 20 variables, este mtodo arrojar un nmero conservador de factores

Autovalores
de los cuadrados de las cargas de todas las variables con un factor. Equivale a la variacin (varianza total) explicada por ese factor para todas las variables. Al sumar todos los autovalores, se obtiene la variacin mxima explicada por la solucin; es decir, 1 por cada variable.

4. Determinacin del No. de factores


Grfica de sedimentacin
Es una representacin visual de los autovalores y el nmero de componentes (factores) en orden de extraccin. Se utiliza para determinar cuntos factores deben retenerse (los que lleguen al punto de inflexin). Tpicamente el grfico muestra la clara ruptura entre la pronunciada pendiente de los factores ms importantes y el descenso gradual de los restantes (los sedimentos). Este mtodo arroja 1 o 2 factores ms que los determinados mediante el criterio del Autovalor.

Dnde termina la montaa?


Esta grfica se ha comparado con una vista lateral de una montaa, y el problema consiste en determinar dnde termina la montaa y comienza el terreno plano. El plano nunca ser perfectamente horizontal debido a las piedras que caen de la montaa. Dnde est la inflexin entre la montaa y el pedregal?

Botn Extraccin

4. Determinacin del No. de factores


Confiabilidad de la divisin en mitades La muestra se divide en mitades y se aplica un AF. Slo se conservan los factores que ms correspondan a las cargas factoriales. Pruebas de significancia Se prueba la significancia estadstica de los valores propios por separado y se conservan aquellos estadsticamente significativos.

4. Determinacin del No. de factores


Regla emprica: Slo se conservan aquellos factores que restituyan una proporcin de la varianza superior a dos veces la cantidad 100/P, siendo P el nmero de variables iniciales introducidas en el anlisis. En el ejemplo de Pasta de Dientes seleccionaramos los dos primeros factores. 2 (100/6) = 33.33
V arianza total explicada A utov alores iniciales % de la Total varianza % ac umulado 2.731 45.520 45.520 2.218 36.969 82.488 .442 7.360 89.848 .341 5.688 95.536 .183 3.044 98.580 .085 1.420 100.000 Sumas de las saturaciones al c uadrado de la ex traccin % de la Total varianza % ac umulado 2.731 45.520 45.520 2.218 36.969 82.488

Componente 1 2 3 4 5 6

Mtodo de extracc in: A nlisis de Componentes princ ipales.

4. Determinacin del No. de factores


Regla de interpretacin en marketing La solucin debe ser fcilmente interpretable, es decir, comunicar lo ms fielmente posible la configuracin inicial de variables. Los factores deben ser operativos, es decir de fcil utilizacin como variables relevo en estudios o anlisis posteriores. El porcentaje de varianza resumida por los dos factores de 82.5% no tiene ningn sentido por s solo, ya que no sera mucho en el caso de que el anlisis se hubiera efectuado sobre cuatro variables y sera extraordinario en el caso de un anlisis realizado sobre 150 variables.

Comunalidades
La comunalidad es la parte de la variabilidad de cada variable explicada por los factores seleccionados.
Es la suma horizontal de los cuadrados de las cargas factoriales de cada variable en todos los factores retenidos. (Vea matriz de componentes, ms adelante) Una comunalidad elevada (>0.5) implicar una correlacin elevada con al menos uno de los factores seleccionados. Una comunalidad baja implicar una correlacin baja con todos los factores seleccionados, es decir, estas variables estarn correlacionadas con otros factores (<0.5)

ndice de la calidad de la representacin


Indicacin inicial de la calidad de la representacin de la informacin en los factores seleccionados. Indica el porcentaje de informacin de cada variable que estamos perdiendo al trabajar en un espacio determinado (restringindome a 2, 3, 4 factores, etc.) Al trabajar inicialmente con todos los factores (en este caso 6), la comunalidad de cada variable es mxima (1, todas las variables estn perfectamente representadas) En nuestro ejemplo (dos factores), todas las variables estn bien representadas (cercanas a 1)

Comunalidades
Com unalidades Prevenga pic aduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos Inic ial 1.000 1.000 1.000 1.000 1.000 1.000 Ex tracc in .926 .723 .894 .739 .878 .790

Mtodo de extracc in: Anlisis de Componentes princ ipales.

Matriz factorial inicial


Tambin conocida como matriz factorial no rotada que contiene las cargas de los factores. Carga factorial: Es el coeficiente de correlacin de Pearson de una variable con un factor. Las variables con los coeficientes de correlacin ms altos con un factor son las que ms contribuyen a la formacin de ese factor.

Matriz factorial no rotada


El mximo # posible de factores es igual al # de variables.
Matriz de com pone nteas Componente 3 -.008 .459 .105 -.453 .119 .026

Prevenga pic aduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos

1 .928 -.301 .936 -.342 -.869 -.177

2 .253 .795 .131 .789 -.351 .871

4 .143 .255 -.093 .203 -.023 -.453

5 .073 -.027 .252 .113 .317 -.009

Mtodo de extracc in: A nlisis de c omponentes princ ipales. a. 5 componentes ex trados

Coeficientes de correlacin de cada factor en cada una de las variables.

Principio de estructura simple


La matriz factorial debe reunir las siguientes caractersticas:
Cada factor debe tener unos pocos pesos altos y el resto prximos a cero. Cada variable no debe estar saturada ms que en un solo factor. No deben existir factores con la misma distribucin.

Matriz factorial no rotada (2 factores)


a Matriz de com ponentes

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Componente 1 2 .928 .253 -.301 .795 .936 .131 -.342 .789 -.869 -.177 -.351 .871

Mtodo de extracc in: A nlisis de componentes principales . a. 2 componentes extrados

Prevenga = 0.928*C1 +0.253*C2 Brillantes = -0.301*C1 +0.795*C2 Etc.

Rara vez los factores pueden interpretarse con facilidad puesto que suele suceder que algunas variables iniciales estn altamente correlacionadas con varios factores. Esto se soluciona con una rotacin de factores.

Matriz de componentes simplificada


Podemos ordenar las cargas factoriales por tamao. Las cargas factoriales menores a 0.33 se consideran demasiado pequeas para ser importantes. No podemos aceptar que una variable que explique menos del 10% de la variabilidad total para un factor.

Botn Opciones

Cargas factoriales ordenadas


a Matriz de com ponentes

Debe f ortalecer encas Prevenga picaduras prevencin de c aries no es importante Dientes atrac tivos Deje dientes brillates ref res que aliento

Componente 1 2 .936 .928 -.869 .871 .795 .789

Mtodo de extracc in: A nlisis de componentes principales . a. 2 componentes extrados

5. Rotacin de factores
Se ajustan los ejes de los factores en la direccin de la manecillas del reloj para producir mayor claridad y generar factores que estn relacionados ms de cerca con sus variables y sean ms distintos de los dems. Las cargas factoriales se redistribuyen en la matriz de componentes, de modo que reflejen una correlacin distinta de las variables originales con cada uno de los factores. La rotacin no afecta el porcentaje de la varianza total explicada, pero s cambia cmo esa varianza se distribuye entre los factores. Al rotar no se explica mayor o menor informacin, se explica lo mismo a las variables.

5. Rotacin de factores
Al rotar los factores, preferimos que tengan cargas factoriales significativas (muy diferentes de cero) para slo algunas variables. Los autovalores cambian, y por tanto, la varianza explicada por cada factor queda redistribuida por la rotacin.

5. Rotacin de factores
Los coeficientes, que dependen directamente de la posicin de los Componentes respecto a las variables originales (cargas factoriales y valores propios), se ven alterados por la rotacin.
Matriz de coe ficientes para el clculo de las puntuacione s en las com pone ntes Componente 1 2 .340 .114 -.110 .359 .343 .059 -.125 .356 -.318 -.065 -.158 .393
Matriz de coe ficientes para el clculo de las puntuacione s en las com pone ntes Componente 1 2 .358 .011 -.001 .375 .345 -.043 -.017 .377 -.350 .052 -.059 .395

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Mtodo de extracc in: A nlisis de componentes principales . Mtodo de rotac in: Normaliz ac in V arimax c on Kaiser. Puntuaciones de componentes.

Mtodo de extracc in: A nlisis de componentes principales .

Rotacin ortogonal
Rotacin ortogononal (Recomendable)
Los ejes coordenados se mantienen en ngulos rectos (90). Es decir, los factores que resultan no se correlacionan.

Procedimiento varimax (es el ms usado)


Mtodo ortogonal de rotacin que intenta, para cada factor, maximizar la correlacin de algunas variables, las ms cercanas a -1 +1, y minimizar la correlacin del resto de las variables. Por tanto, reduce al mnimo el nmero de variables con saturaciones (cargas grandes) en cada factor.

Rotacin VARIMAX
Los factores obtenidos no se correlacionan entre s, es decir que son ortogonales.
Se hace una rotacin de factores buscando que las cargas se redistribuyan en tal forma que cada variable se correlacione fuertemente con un factor pero no con los dems Se centra en simplificar las columnas de la matriz de factores. Adecuada cuando el nmero de componentes es reducido. La carga mayor de una variable muestra con cul de los factores de la solucin est ms correlacionada. Las variables ms correlacionadas con un factor permiten interpretar aquello que es comn entre ellas. El mtodo VARIMAX ha demostrado tener ms xito como aproximacin analtica para lograr una rotacin ortogonal de factores que otras tcnicas.

Mtodos ortogonales
Mtodo quartimax. Mtodo de rotacin que minimiza el nmero de factores necesarios para explicar cada variable. Se busca que cada variable tenga una correlacin alta con muy pocos factores cuando es elevado el nmero de stos. Tiende a producir un factor general grande, sobre el que la mayor parte de las variables tiene carga grande. Se centra en simplificar las filas de la matriz de factores. Mtodo equamax. Mtodo de rotacin que es combinacin del mtodo varimax, que simplifica los factores, y el mtodo quartimax, que simplifica las variables. Se minimiza tanto el nmero de variables que saturan alto en un factor como el nmero de factores necesarios para explicar una variable Procura simplificar rengln y columna indistintamente. No ha logrado una amplia aceptacin y se emplea en muy raras ocasiones.

Persisten los problemas de interpretacin?


La interpretacin se efecta escogiendo para cada factor, las variables iniciales cuyas correlaciones con el factor sean las ms elevadas (cercanas a +1 a -1) Qu hacer si tenemos cargas altas en varios factores, es decir, que los factores se correlacionan? Cuando los factores, an rotados ortogonalmente, no presentan una clara interpretacin, es imposible obtener factores ortogonales. Podemos intentar mejorar la interpretacin a travs de rotaciones oblicuas. Nota: Si la estructura de los factores es ortogonal, incluso las soluciones oblicuas producirn resultados comparables.

Rotacin oblicua
Rotacin oblicua (cuando no queda otra opcin)
Los ejes no se cruzan en ngulos rectos. Es decir, los factores resultantes no respetan la perpendicularidad porque se correlacionan. En la soluciones oblicuas varan no slo los valores propios sino tambin las comunalidades de las variables. La varianza total explicada permanece K. A veces tolerar correlaciones entre los factores simplifica la matriz de patrones factoriales. Debe hacerse una rotacin oblicua cuando es probable que los factores de la poblacin estn muy correlacionados.

Mtodos oblicuos
Criterio Oblimin directo. Mtodo para la rotacin oblicua (no ortogonal). Cuando delta es igual a cero (el valor por defecto) las soluciones son las ms oblicuas. A medida que delta se va haciendo ms negativo, los factores son menos oblicuos. Para anular el valor por defecto 0 para delta, introduzca un nmero menor o igual que 0,8. Rotacin Promax. Mtodo de rotacin oblicua que permite que los factores estn correlacionados. Esta rotacin puede calcularse ms rpidamente que una rotacin oblimin directa, por lo que es til para conjuntos de datos grandes. Es la ms usada dada su relativa simplicidad.

Botn Rotacin
Existen cinco mtodos de rotacin disponibles, entre ellos el Oblimin directo y el Promax para rotaciones no ortogonales.

Matriz de componentes rotada


a Matriz de com ponentes
a Matriz de com ponentes rotados

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Componente 1 2 .928 .253 -.301 .795 .936 .131 -.342 .789 -.869 -.177 -.351 .871

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Componente 1 2 .962 -.027 -.057 .848 .934 -.146 -.098 .854 -.933 .083 -.084 .885

Mtodo de extracc in: A nlisis de componentes principales . a. 2 componentes extrados

Mtodo de extracc in: Anlisis de componentes principales . Mtodo de rotac in: Normaliz ac in Varimax c on Kaiser. a. La rotacin ha c onvergido en 3 iteraciones.

Las variables con r cercanos a |1| en el factor 1 presentan r cercanos a 0 en el factor 2, y las variables con coeficientes de correlacin cercanos a |1| en el factor 2 presentan coeficientes de correlacin cercanos a 0 en el factor 1.

Significacin prctica
Cuando el tamao muestral es mayor a 100. *Mayor a 0.30, nivel mnimo (explica 9%) Mayor a 0.40 ms importante (explica 16%) Mayor a 0.50 significativa (explica 25%) El investigador debera darse cuenta de que cargas extremadamente elevadas (0.80 o ms) no son normales y que la significacin prctica es un criterio importante

Significacin estadstica
Carga factorial Tamao muestral
0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 350 250 200 150 120 100 85 70 60 50

La significacin se basa en un nivel de significacin de 0.05, Un nivel de potencia del 80% y los errores estndar supuestamente Dos veces mayores que los coeficientes convencionales de correlacin.

Qu cargas son significativas?


Cuando n est entre 50 y 100 Carga altamente significativa es la de |>0.5| Carga slo significativa es |0.4-0.5| Carga poco significativa es entre |0.3-0.4| Carga no significativa |<0.3| Cuando n est entre 100 y 200 Carga significativa es |>0.19| Cuando n est entre 200 y 300 Carga significativa es |>0.14| Cuando n es mayor o igual a 300 Carga significativa es |>0.11|

6. Interpretacin de los factores


Grfica de las cargas factoriales. Permite representar las variables en un espacio de pequea dimensin que permita interpretar las relaciones Las variables al extremo de un eje son aquellas que tienen cargas grandes slo en ese factor y por eso lo describen. Las variables cercanas al origen tienen cargas menores en los dos factores. Las variables que no estn cerca de ninguno de los ejes se relacionan con los dos factores. Si un factor no puede definirse claramente con las variables originales, debe designarse como factor indefinido o general.

Botn Rotacin
Representacin tridimensional de las saturaciones factoriales para los tres primeros factores. Para una solucin de dos factores, se representa un diagrama bidimensional. No se muestra el grfico si slo se extrae un factor. Si se solicita la rotacin, los diagramas representan las soluciones rotadas.

Espacio factorial

Interpretar y nombrar
Determinar qu variables estn altamente relacionadas con un factor.
El factor 1 tiene coeficientes elevados para las variables prevencin de las picaduras, encas fuertes y prevencin de la caries. El factor 2 est muy relacionado con las variables dientes brillantes, aliento fresco y dientes atractivos.

Nombrar: Qu tienen en comn?


Identificar el factor en trminos de qu tienen en comn las variables altamente relacionadas con el factor, y en qu difieren de las variables que no estn altamente relacionadas con la dimensin. Factor 1: Beneficio para la salud Factor 2: Beneficio social

Puntuaciones de los factores


No son ms que los valores que toman cada uno de los encuestados en los factores seleccionados. Se hacen cuando la finalidad es reducir las variables originales a un conjunto menor de variables compuestas (factores) para el siguiente anlisis multivariante (regresin con problemas de multicolinearidad, discriminante, cluster, etc.) Las puntuaciones de los factores se obtienen multiplicando los valores estandarizados de las variables por los coeficientes correspondientes. Slo en el caso del anlisis de los componentes principales es posible calcular puntuaciones estndar (las puntuaciones no se correlacionan).

Mtodos de puntuaciones factoriales


Mtodo de regresin (Anlisis factorial). Las puntuaciones resultantes tienen de media 0 y varianza igual al cuadrado de la correlacin mltiple entre las puntuaciones factoriales estimadas y los valores factoriales verdaderos. Las puntuaciones pueden estar correlacionadas incluso cuando los factores son ortogonales. Puntuaciones de Bartlett. Considera que las variables son combinacin lineal de los factores comunes, mientras que los factores nicos deben ser entendidos como desviaciones de esta combinacin lineal, por lo que deben ser minimizadas. Mtodo de Anderson-Rubin (Anlisis factorial). Es una modificacin del mtodo de Bartlett, que asegura la ortogonalidad de los factores estimados. Sea cual sea el procedimiento utilizado, estas puntuaciones resultantes tienen una media 0 y una desviacin tpica que en componentes principales ser igual a 1 y no correlacionan entre s.

Botn Puntuaciones factoriales


Existen tres mtodos disponibles para calcular las puntuaciones factoriales; y las puntuaciones pueden guardarse como variables para anlisis adicionales.

Matriz de coe ficientes para el clculo de las puntuacione s en las com pone ntes Componente 1 2 .358 .011 -.001 .375 .345 -.043 -.017 .377 -.350 .052 -.059 .395

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Mtodo de extracc in: A nlisis de componentes principales . Mtodo de rotac in: Normaliz ac in V arimax c on Kaiser. Puntuaciones de componentes.

Se calcularan dos puntuaciones de factores para cada encuestado.

Clculo de puntuaciones factoriales


Podemos deducir la siguiente relacin entre componentes y variables. C1 = 0.358*Prevenga-0.001*Brillantes + 0.345*Encas - 0.017*Aliento 0.350*Caries + 0.052*Atractivos C1 = 0.011*Prevenga+0.375*Brillantes-0.043*Encas + 0.377*Aliento 0.059*Caries + 0.395*Atractivos
Matriz de coe ficientes para el clculo de las puntuacione s en las com pone ntes Componente 1 2 .358 .011 -.001 .375 .345 -.043 -.017 .377 -.350 .052 -.059 .395

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Mtodo de extracc in: A nlisis de componentes principales . Mtodo de rotac in: Normaliz ac in V arimax c on Kaiser. Puntuaciones de componentes.

Seleccin de las variables sustitutas.


a Matriz de com ponentes rotados

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref res que aliento prevencin de c aries no es importante Dientes atrac tivos

Componente 1 2 .962 -.027 -.057 .848 .934 -.146 -.098 .854 -.933 .083 -.084 .885

Mtodo de extracc in: A nlisis de componentes principales . Mtodo de rotac in: Normaliz ac in V arimax c on Kaiser. a. La rotacin ha c onvergido en 3 iteraciones.

Se selecciona, de entre un conjunto importante de variables, cules son las que ms intervienen en la descripcin del fenmeno estudiado. Conservamos slo las variables originales con fuerte correlacin con los factores.

7. Determinacin del ajuste del modelo


Un premisa bsica del AF es que la correlacin observada entre variables puede atribuirse a factores comunes. Por consiguiente, las correlaciones entre las variables se deducen o reproducen de las correlaciones estimadas entre las variables y los factores. Coeficientes de correlacin reproducidos. Es posible calcular los coeficientes de correlacin entre cada dos variables despus de que estn en funcin de los factores.

Ajuste del modelo


Matriz Reproducida.
Matriz de correlaciones estimada a partir de la solucin factorial.

Correlaciones Residuales:
Diferencias entre las correlaciones observadas y las correlaciones reproducidas.

Los coeficientes de correlacin reproducidos no tienen por qu coincidir con los de la matriz de correlaciones inicial, pero no deben diferenciarse en ms de 0.05, porque entonces la bondad del modelo factorial ser discutible.

Matriz de correlaciones reproducidas


Cor relaciones reproducidas Prevenga picaduras .926 b -.078 .902 -.117 -.895 .057 .024 -.029 .031 .038 -.052 Deje dientes brillates -.078 .723 b -.177 .730 -.018 .746 .024 .022 -.158 .038 -.105 Debe f ortalec er encas .902 -.177 .894 b -.217 -.859 -.051 -.029 .022 -.031 .081 .033 -.027 -.107 .016 ref resque aliento -.117 .730 -.217 .739 b .020 .748 .031 -.158 -.031 prevencin de caries no es importante -.895 -.018 -.859 .020 .878 -.152 .038 .038 .081 -.027
b

Correlacin reproducida

Residual a

Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos Prevenga picaduras Deje dientes brillates Debe f ortalecer encas ref resque aliento prevencin de caries no es importante Dientes atrac tivos

Dientes atrac tivos .057 .746 -.051 .748 -.152 .790 b -.052 -.105 .033 -.107 .016

Mtodo de extracc in: Anlisis de Componentes princ ipales. a. Los res iduos s e calculan entre las correlaciones observ adas y reproducidas . Hay 5 (33.0%) residuales no redundantes c on valores absolutos mayores que 0,05. b. Comunalidades reproduc idas

Ajuste aceptable

SI FORMAMOS LOS TRES FACTORES, NOS QUEDARAN AS. FACTOR 1: CALIDAD, ATENCIN Y PRECIO EN PRODUCTOS Y SERVICIOS 14 PRECIOS ACCESIBLES 15 SERVICIO BUENO 16 INFORMACIN CLARA DE SUS PRODUCTOS Y SERVICIOS 17 CUMPLA LO QUE PROMETE 29 CALIDAD EN PRODUCTOS Y SERVICIOS 30 RELACIN CALIDAD-PRECIO EN SUS PRODUCTOS FACTOR 2: VALORES Y APOYO A LA SOCIEDAD 21 SOCIALMENTE RESPONSABLE 22 SIEMPRE EST CONMIGO 24 INNOVADORA Y PIENSA EN EL FUTURO 26 HONESTA Y RESPONSABLE 27 COMUNICACIN CON CONSUMIDORES 28 CONFIABLE 31 SE PREOCUPA POR LAS NECESIDADES DE LA GENTE FACTOR 3: LIDERAZGO E IMAGEN 18 RECOMENDADA POR FAMILIARES Y AMIGOS 19 PRESTIGIO 23 COMPAA INTERNACIONAL 25 LDER EN EL MERCADO

SI FORMAMOS EL ANLISIS CON 4 FACTORES. FACTOR 1: LIDERAZGO E IMAGEN (MUCHO OJO, PORQUE ESTE FACTOR SE CONSERVA INTACTO) 18 RECOMENDADA POR FAMILIARES Y AMIGOS 19 PRESTIGIO 23 COMPAA INTERNACIONAL 25 LDER EN EL MERCADO FACTOR 2: CALIDAD, ATENCIN Y PRECIO EN PRODUCTOS Y SERVICIOS 14 PRECIOS ACCESIBLES 15 SERVICIO BUENO 16 INFORMACIN CLARA DE SUS PRODUCTOS Y SERVICIOS 17 CUMPLA LO QUE PROMETE 29 CALIDAD EN PRODUCTOS Y SERVICIOS 30 RELACIN CALIDAD-PRECIO EN SUS PRODUCTOS (ESTA VARIABLE SE QUIERE ESCAPAR AL FACTOR 4) FACTOR 3: VALORES 21 SOCIALMENTE RESPONSABLE 22 SIEMPRE EST CONMIGO 24 INNOVADORA Y PIENSA EN EL FUTURO (SE QUIERE ESCAPAR AL FACTOR 1) 26 HONESTA Y RESPONSABLE 27 COMUNICACIN CON CONSUMIDORES 28 CONFIABLE FACTOR 4: APOYO A LA SOCIEDAD 31 SE PREOCUPA POR LAS NECESIDADES DE LA GENTE 32 COMPROMETIDA CON MXICO

SUPUESTOS
Linealidad Normalidad: Necesaria cuando se aplica una prueba estadstica a la significacin de los factores. Homoscedasticidad Multicolinealidad: Deseable que haya un cierto grado.

Para saber ms...


Investigacin de mercados. Un enfoque aplicado. Naresh K. Malhotra. 4a edicin. Cap. 19: Anlisis Factorial Investigacin de mercados. Aaker, Kumar & Day. 4a edicin. Cap. 21: Anlisis de factores y de agrupamiento. Herramientas para segmentar mercados y posicionar productos. Ramn Pedret entre otros. 2000. Ediciones Deusto Captulo 5 Anlisis factorial.

EJERCICIOS

Estudio del caf


Objetivo: Reducir un conjunto de atributos del caf a un conjunto de factores fundamentales. Un estudio de las percepciones de 94 consumidores de una marca en particular de caf ilustra el uso de la rotacin varimax para mejorar la interpretacin de los factores. Los consumidores, despus de muestrear el caf lo calificacin sobre 14 atributos en escalas de diferencial-semntico de 10 puntos.

Matriz de factores no rotada


Las calificaciones de los atributos del caf fueron analizadas con AF por el mtodo de Componentes Principales. Ntese que existen cuatro factores implcitos en los 14 atributos. Los elementos de esta matriz, enumerados bajos los factores, reciben el nombre de cargas factoriales no rotadas. Las cargas miden cules variables estn involucradas en qu patrn factorial, hasta qu grado y en qu direccin. stas pueden interpretarse como coeficientes de correlacin. El cuadrado de la carga es igual a la proporcin de la variacin que una variable tiene en comn con un factor no rotado.

El Factor 1 explic casi el 75% de la varianza y parece reflejar claramente una dimensin general del gusto-disgusto. Esta interpretacin se ve apoyada por el hecho de que la escala 14 fue una calificacin de preferencia general y tuvo una carga alta con el factor 1. Los tres factores restantes, en realidad, no contienen cargas de ms de 0.40 y son difciles de interpretar.

Interpretando

Tal dificultad de interpretacin no es poco comn y motiva el uso de la rotacin ortogonal (varimax) y oblicua. El porcentaje de varianza total explicada y las comunalidades son las mismas. En este conjunto de datos la R. varimax no fue exitosa para impulsar alguna cargas hacia cero. Por consiguiente, la interpretacin es an un tanto difcil. Los factores podran denominarse como:
1. 2. 3. 4. Confort-suave Cordialidad Genuinidad Frescura

Estudio en un banco
Un estudio es realizado por un banco para determinar si se deben desarrollar programas especiales de mercadotecnia para varios segmentos clave. Uno de los objetivos del estudio de investigacin se refera a las actitudes hacia la banca. A los entrevistados se les pregunt su opinin en una escala de 0 a 9.
0 = de acuerdo, 9 = en desacuerdo

Satisfaccin en bancos
1. Los bancos pequeos cobran menos que los bancos grandes 2. Los bancos tienen ms probabilidades de cometer errores que los bancos pequeos 3. Las cajeras no necesitan ser extremadamente corteses y amistosos; basta con que sean educadas/atentas. 4. Quiero ser personalmente conocido en mi banco y me de un trato especial 5. Si una institucin financiera me tratara en forma impersonal o descuidada, no volvera a esa organizacin otra vez.

Para propsitos ilustrativos, suponga que un estudio piloto fuera realizado usando 15 entrevistados. Un estudio piloto real probablemente tendra un tamao muestral de 100 a 40.

Matriz de correlaciones
a Matriz de cor relaciones

Chic os cobran menos que grandes Correlacin Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec es itan ser amigables Me conoz can personalmente Trato impers onal, no trabajara Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec es itan ser amigables Me conoz can personalmente Trato impers onal, no trabajara 1.000 .610 .469 -.018 -.096

Grandes s e equivoc an ms .610 1.000 .230 .190 .319 .008

Cajeras no necesitan ser amigables .469 .230 1.000 -.832 -.774 .039 .204

Me conoz can personalme nte -.018 .190 -.832 1.000 .927 .475 .249 .000

Trato impersonal, no trabajara -.096 .319 -.774 .927 1.000 .366 .124 .000 .000

Sig. (Unilateral)

.008 .039 .475 .366 .204 .249 .124

.000 .000 .000

a. Determinante = .003

Significancia estadstica
KMO y prue ba de Bartle tt Medida de adec uac in mues tral de Kais er-Mey er-Olkin. Prueba de es f ericidad de Bartlett Chi-c uadrado aproximado gl Sig. .516 65.331 10 .000

Matrices anti-im age n Chic os cobran menos que grandes Covarianza anti-imagen Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec es itan ser amigables Me conoz can personalmente Trato impers onal, no trabajara Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec es itan ser amigables Me conoz can personalmente Trato impers onal, no trabajara .245 -.102 -.081 -.080 .066 .323 -.394 -.573 -.724 .502
a

Grandes s e equivoc an ms -.102 .272 -.054 .021 -.090 -.394 .432 -.360 .184 -.648
a

Cajeras no necesitan s er amigables -.081 -.054 .081 .042 .002 -.573 -.360 .638 .654 .029
a

Me conoz can personalme nte -.080 .021 .042 .050 -.042 -.724 .184 .654 .518 -.702
a

Trato impersonal, no trabajara .066 -.090 .002 -.042 .071 .502 -.648 .029 -.702 .574
a

Correlacin anti-imagen

a. Medida de adecuac in muestral

Varianza total explicada Autov alores iniciales % de la Total varianza % ac umulado 2.755 55.092 55.092 1.775 35.497 90.589 .377 7.542 98.131 .065 1.299 99.431 .028 .569 100.000 Sumas de las saturaciones al c uadrado de la ex tracc in % de la Total varianza % ac umulado 2.755 55.092 55.092 1.775 35.497 90.589 Suma de las s aturac iones al cuadrado de la rotac in % de la Total varianza % ac umulado 2.736 54.711 54.711 1.794 35.878 90.589

Componente 1 2 3 4 5

Mtodo de extracc in: Anlisis de Componentes princ ipales.

Grfico de sedimentacin

Com unalidades Inic ial Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec es itan ser amigables Me conoz can personalmente Trato impers onal, no trabajara 1.000 1.000 1.000 1.000 1.000 Ex tracc in .815 .849 .956 .954 .956

Mtodo de extracc in: Anlisis de Componentes princ ipales.

a Matriz de com ponentes rotados


a Matriz de com ponentes

Componente 1 2 Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec esitan ser amigables Me conoz can personalmente Trato impers onal, no trabajara -.295 .048 -.938 .950 .940 .853 .920 .278 .228 .268

Componente 1 2 Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec esitan ser amigables Me conoz can personalmente Trato impers onal, no trabajara -.173 .175 -.890 .972 .968 .886 .904 .405 .093 .134

Mtodo de extracc in: A nlisis de componentes principales . Mtodo de rotac in: Normaliz ac in V arimax c on Kaiser. a. La rotacin ha c onvergido en 3 iteraciones.

Mtodo de extracc in: A nlisis de componentes principales . a. 2 componentes extrados

Matriz de coe ficientes para el clculo de las puntuacione s en las com pone ntes Componente 1 2 Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec esitan ser amigables Me conoz can personalmente Trato impers onal, no trabajara -.039 .089 -.315 .359 .359 .491 .511 .202 .079 .102

Mtodo de extracc in: A nlisis de componentes principales . Mtodo de rotac in: Normaliz ac in V arimax c on Kaiser. Puntuaciones de componentes.

Cor relaciones reproducidas Chic os cobran menos que grandes Correlacin reproducida Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec es itan ser amigables Me conoz can personalmente Trato impers onal, no trabajara Chic os c obran menos que grandes Grandes s e equivoc an ms Cajeras no nec es itan ser amigables Me conoz can personalmente Trato impers onal, no trabajara .815 .771 .514 -.086 -.049
b

Grandes s e equivoc an ms .771 .849 .211 .255 .291 -.161


b

Cajeras no necesitan s er amigables .514 .211 .956 -.827 -.807 -.045 .020
b

Me conoz can personalme nte -.086 .255 -.827 .954 .954 .068 -.065 -.005
b

Trato impersonal, no trabajara -.049 .291 -.807 .954 .956 -.047 .028 .033 -.027
b

Residual a

-.161 -.045 .068 -.047 .020 -.065 .028

-.005 .033 -.027

Mtodo de extracc in: Anlisis de Componentes principales. a. Los residuos s e calculan entre las correlaciones obs ervadas y reproduc idas. Hay 3 (30.0%) residuales no redundantes con valores absolutos mayores que 0,05. b. Comunalidades reproduc idas

Burke1
La firma Burke de investigacin de mercados est en el proceso de intentar relacionar pruebas de puntaje de actividad-inters a medidas de xito de solicitantes de empleo como vendedores al detalle en un gran almacn de departamentos en Filadelfia. Los puntajes de actividad-inters son:
X1 = vivir en grupo X2 = Aficin por deportes al aire libre. X3 = Aficin por la msica X4 = deseo de viajar

Valores altos de X indican mayor inters o xito, respectivamente.

Realizar un anlisis factorial (Componentes Principales, Rotacin Varimax) Determine el nmero de factores ptimo y justifique su decisin. Cmo denominara a los factores segn la solucin determinada antes? Haga una regresin lineal de la medida de xito Y (puntuacin de xito) versus el conjunto completo de las variables originales e interprete.

Res m e ne s de cas os V iv ir en grupo 21 22 16 17 12 25 18 15 14 18 14 15 25 15 A f ic in por los deportes 26 16 28 30 26 10 21 17 23 20 29 23 21 20 A f ic in por la msica 7 11 11 9 12 18 14 5 13 10 14 16 14 3 Deseo de viajar 8 7 7 13 7 14 16 11 8 5 11 7 12 10

1 2 3 4 5 6 7 8 9 10 11 12 13 14

La siguiente matriz de datos fue obtenida de los datos del shampoo como entrada. Esta matriz reproduce 19 beneficios del shampoo en tres dimensiones. Grafique los valores coordenados en tres subespacios bidimensionales. Qu se puede observar con respecto a la asociacin de beneficios de estos grficos?

Calidad en servicio de informtica


El departamento de calidad en el servicio de una franquicia de material informtico quera disear una herramienta permanente de medicin de la satisfaccin de sus clientes con la calidad del servicio ofrecido. El objetivo era efectuar semanalmente un nmero importante de encuestas telefnicas, mediante un cuestionario que tuviese en cuenta las dos premisas siguientes:
Deba incluir los principales aspectos que definen la calidad de servicios desde la perspectiva de los clientes. Tena que ser corto para no cansar a los clientes y para poder cumplir los objetivos diarios de nmero de encuestas a realizar.

Consciente de que la nica forma de descubrir los aspectos fundamentales del servicio era hablando con los mismos clientes, el departamento llev a cabo una investigacin que le permiti descubrir cul era la estructura latente que, desde la perspectiva del cliente, defina la calidad del servicio de la franquicia. En la primera fase de la investigacin, de carcter exploratorio, se elabor a partir de reuniones con clientes de la franquicia una lista de 22 aspectos que, desde su punto de vista, definan la calidad del servicio.

Principales aspectos determinantes de la calidad del servicio

En una segunda fase, de tipo descriptivo, se realiz una encuesta telefnica a una muestra representativa de los clientes, en la que stos manifestaron su nivel de satisfaccin en una escala de 0 a 10, donde 0 signific nada satisfecho y 10 totalmente satisfecho, en cada uno de los 22 aspectos. Una vez efectuados los anlisis uni y bivariantes correspondientes se aplic un anlisis factorial de componentes principales (tipo R) a los datos obtenidos, que permiti:
Determinar la existencia de una estructura latente dentro de la informacin analizada. En el caso de que existiera dicha estructura, identificar el nmero de variables latentes e interpretarlas

Estadsticos iniciales

Se seleccion el nmero de factores necesarios para cumplir los dos criterios siguientes:
Que la solucin fuese fcilmente interpretable, Que los factores fuesen operativos, es decir, de fcil utilizacin.

Teniendo en cuenta las dos premisas anteriores, y despus de analizar varias soluciones, se consider adecuado seleccionar los siete primeros factores que resumen el 84.1% de la informacin total.

Comunalidades con los siete primeros factores.


En la tabla se presentan las comunalidades asociadas a cada aspecto derivadas de la solucin en siete factores. nicamente los aspectos A10 y A17 no estn del todo bien representados en la solucin de siete factores, lo cual refuerza la validez de la solucin.

Obtencin de factores
Se pone de manifiesto la estructura latente que, desde la perspectiva de los clientes, define la calidad del servicio ofrecido por la franquicia de material informtico. 1. Asesoramiento recibido 2. Trato y eficacia del personal. 3. Informacin 4. Precio y condiciones econmicas. 5. Rapidez de servicio 6. Servicio de postventa 7. Punto de venta

Resultados
Estos resultados sirvieron de base informativa, al departamento de calidad del servicio, para redactar el cuestionario que se utiliz como herramienta de medicin permanente de la calidad del servicio.

Tiendas
Como parte del examen de los compradores (que acuden a varias tiendas donde se expenden los mismos artculos), los investigadores midieron una muestra de ellos mediante los 23 enunciados de la tabla. Realmente midieron 23 aspectos de la muestra o bien los resultados revelan que las 23 mediciones podan ser representativas de un nmero ms pequeo de caractersticas ms bsicas del consumidor? La respuesta parecera ser la segunda posibilidad, pues los 23 enunciados (variables) han sido depurados por el anlisis factorial en tres tipos fundamentales de mediciones, o factores.

Resultados
Factor 1: Motivacin y participacin de la moda. Factor 2: Gran seguridad en s mismo y de liderazgo en opinin de la moda. Factor 3: Motivacin de valor y compra oportunista

Tienda Safeway
Una muestra de 100 consumidores calificaron la tienda Safeway de 24 atributos en escalas de diferencial semntico de siete puntos. La administracin pudiera estar interesada en las calificaciones promedio de cada uno de los 24 atributos, pero Los clientes piensan en Safeway en trminos de estos 24 atributos o usan un conjunto menor de? Si queremos realizas entrevistas telefnicas, necesitamos preguntar todos los 24 atributos o podemos usar un conjunto ms pequeo? Necesitamos usar estos resultados en un anlisis discriminante para entender la diferencia entre los compradores vs no compradores. Qu hacemos con la multicolinealidad?

Resultados
1. Atmsfera de la tienda 2. Personal de la tienda 3. Buen Valor por el dinero

S-ar putea să vă placă și