Documente Academic
Documente Profesional
Documente Cultură
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
Sinnimos
Alegra, placer, gusto, complacencia, gozo, deleite, agrado, bienestar, contento.
Antnimos
Tristeza, disgusto, desagrado, descontento.
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:
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.
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).
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
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.
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 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
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
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 .
Pero puede hacer incluso mejor al guardar las puntuaciones de los componentes.
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.
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.
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.
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.
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
El investigador debera examinar primero los valores de MAM para cada variable y excluir aquellos que caen en la gama de inaceptable.
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
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.
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.
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 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
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.
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.
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.
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.
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.
Datos en SPSS
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
Razn: Los nmeros establecen diferencias y existe un punto cero real que denota la ausencia de una caracterstica.
Ejemplos: edad, dinero, etc.
Botn Descriptivos
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
a. Determinante = .014
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
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.
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
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
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.
Botn Extraccin
Existen siete mtodos de extraccin factorial disponibles en SPSS
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.
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.
Botn Extraccin
Componente 1 2 3 4 5 6
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)
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
Prevenga pic aduras 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 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
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.
Botn Opciones
Debe f ortalecer encas Prevenga picaduras prevencin de c aries no es importante Dientes atrac tivos Deje dientes brillates ref res que aliento
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.
Rotacin ortogonal
Rotacin ortogononal (Recomendable)
Los ejes coordenados se mantienen en ngulos rectos (90). Es decir, los factores que resultan no se correlacionan.
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.
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.
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: 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.
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.
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.
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.
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.
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.
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.
EJERCICIOS
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
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)
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
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
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
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.
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
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
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
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?
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.
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.
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