Ejemplo de Acp Hatco

Para explicar e ilustrar cada una de las tcnicas multivariantes de forma
ms extensa. a lo largo del libro utilizaremos conjuntos de datos

hipotticos. Estos conjuntos de datos se obtuvieron todos de la
Compaia Hair, Anderson y Tatham (HATCO), un enorme (aunque
inexistente) distribuidor industrial. Cada una de las series de datos se
obtuvo de las encuestas de clientes de HATCO. realizadas por una
empresa de investigacin del mercado reconocida.
LA PRINCIPAL BASE DE DATOS
La principal base de datos, consistente en 100 observaciones de 14
variables separadas, es un ejemplo de un estudio de segmentacin de
la situacin empresa a empresa. especficamente un informe sobre los
clientes actuales de HATCO. Se utilizan tres tipos de datos. La primera
clase es la percepcin de HATCO sobre siete atributos identificados en
estudios pasados como los ms influyentes en la eleccin de
distribuidor. Los encuestados. ejecutivos de compras de empresas
clientes de HATCO. puntan a HATCO sobre cada atributo. La segunda
clase de informacin hace referencia a !os resultados de compras
reales. bien sobre las evaluaciones de la satisfaccin de los encuestados
con HATCO. bien sobre el porcentaje de sus compras de productos a
HATCO. La tercera clase de informacin contiene caractersticas
generales de las empresas clientes (por ejemplo. tamao de la
empresa. tipo de industria).
Nos enfrentamos con un problema de dimensin 7 y queremos reducirla
a un nmero de dimensiones ms manejable. Dado el carcter mtrico
de las variables y el objetivo fijado la tcnica multivariante a utilizar es
el Anlisis Factorial de Componentes Principales.
Para llevar a cabo este anlisis con el programa estadstico SPSS
debemos ejecutar los siguientes comandos:
ANALIZAR => REDUCCIN DE DATOS => ANALIISIS FACTORIAL
Pasamos las 7 variables que vamos a analizar al recuadro de variables.

Luego vamos entrando en los subcuadros de dilogo Descriptivos,
Extraccin, Rotacin, Puntuaciones y Opciones
Descriptivos: Marcamos las opciones que aparecen en la siguiente
ilustracin:
Extraccin
Rotacin
Puntuaciones
Opciones
Por ltimo, ejecutamos el anlisis haciendo clic en Aceptar.

Matrices anti-imagen
Covarianza anti-imagen
Correlacin anti-imagen
Velocidad de entrega
Nivel de precios
Flexibilidad de precios
Imagen del fabricante
Servicio
Imagen del personal
de ventas
Calidad del Producto
Nivel de precios
Servicio
Imagen del personal
de ventas
Velocidad
de entrega
,028
,028
,002
,015
-,025
Nivel de
precios
,028
,032
,022
,014
-,026
Flexibilidad
de precios
,002
,022
,608
,044
-,011
Imagen del
fabricante
,015
,014
,044
,347
-,015
-,006
-,005
-,040
-,275
-,002
,344a
,957
,018
,149
-,978
-,020
,957
,330a
,155
,134
-,975
,086
,018
,155
,913a
,095
-,091
-,018
,149
,134
,095
,558a
-,173
-,060
-,045
-,085
-,766
-,016
-,141
,140
-,039
a. Medida de adecuacin muestral
Analizando los valores de la diagonal principal de la matriz de

correlacin anti-imagen, podemos observar como la medida de la
adecuacin muestral de los datos de la variable servicio es igual a
0.288, el ms pequeo de todos los mostrados. Esto nos lleva a
plantearnos la eliminacin del anlisis de dicha variable.
Volvemos a realizar el anlisis, esta vez sin la variable servicio, y en el
cuadro de dilogos Puntuaciones marcamos adems la opcin guardar
como variables.
Estadsticos descriptivos
Nivel de precios
Imagen del personal
de ventas
Media
3,515
2,364
7,894
5,248
Desviacin
tpica
1,3207
1,1957
1,3865
1,1314
N del anlisis
100
100
100
100
2,665
,7709
100
6,971
1,5852
100
En la tabla anterior podemos observar como las mayores puntuaciones

medias de percepcin de los atributos analizados son las
correspondientes a Flexibilidad de precios, Calidad del Producto e
Imagen del fabricante, mientras que el resto de puntuaciones medias
son bajas. Todas las medias son representativas por presentar un bajo
nivel de dispersin de los datos alrededor de ellas, medido por la
desviacin tpica.
Matriz de correlaciones
Correlacin
Sig. (Unilateral)
Nivel de precios
Imagen del personal
de ventas
Nivel de precios
Imagen del personal
de ventas
Velocidad
de entrega
1,000
-,349
,509
,050
Nivel de
precios
-,349
1,000
-,487
,272
Flexibilidad
de precios
,509
-,487
1,000
-,116
Imagen del
fabricante
,050
,272
-,116
1,000
Imagen de
personal
de ventas
,07
,18
-,03
,78
,077
,186
-,034
,788
1,00
-,483
,470
,000
-,448
,000
,000
,200
,309
,003
,125
,17
,22
,03
,36
,00
,000
,000
,309
,000
,003
,125
,223
,032
,367
,000
,000
,000
,000
,023
Para que podamos reducir la dimensionalidad del problema de manera

que podamos incluir en un solo factor ms de una variable, debe existir
correlacin entre dichas variables, es por eso que analizamos la matriz
de correlaciones.
En este caso, tenemos 15 coeficientes de correlacin, de los cuales 11
son significativamente diferentes de cero, lo que representa un 73.33%
,03
de los coeficientes, porcentaje que podemos considerar

suficientemente alto como para poder seguir con el anlisis.
los
KMO y prueba de Bartlett

Medida de adecuacin muestral de
Kaiser-Meyer-Olkin.
Prueba de esfericidad
de Bartlett
,665
Chi-cuadrado
aproximado
gl
205,965
15
Sig.
,000
La medida de adecuacin muestral de Kaiser-Meyer-Olkin nos indica que

la muestra de datos en su conjunto es adecuada dado que este
coeficiente oscila entre 0 y 1, de manera que cuanto ms cercano se
encuentra de 1 ms adecuados son los datos. Por otro lado, la Prueba
de esfericidad de Bartlett intenta probar la hiptesis de que la matriz de
correlaciones es o no una matriz identidad, lo que implicara un nivel
nulo de correlacin entre las variables. En este caso, dado la
significacin 0.000, tenemos evidencia emprica suficiente como para
rechazar la hiptesis de que dicha matriz sea una matriz identidad.
Matrices anti-imagen
Im
Covarianza anti-imagen
Correlacin anti-imagen
Nivel de precios
Imagen del personal
de ventas
Nivel de precios
Imagen del personal
de ventas
a. Medida de adecuacin muestral
Velocidad
de entrega
,629
,048
-,210
-,047
Nivel de
precios
,048
,650
,190
-,077
Flexibilidad
de precios
-,210
,190
,613
,038
Imagen del
fabricante
-,047
-,077
,038
,358
-,022
,013
-,039
-,281
,208
,721a
,074
-,338
-,098
-,162
,074
,787a
,301
-,160
,092
-,338
,301
,748a
,081
-,012
-,098
-,160
,081
,542a
-,045
,026
-,081
-,769
,331
-,253
,149
-,024
Las medidas de adecuacin muestral de cada una de las seis variables

consideradas individualmente son todas altas lo que indica un buen
nivel de adecuacin de los datos para el anlisis.
Comunalidades
Nivel de precios
Imagen del personal
de ventas
Inicial
1,000
1,000
1,000
1,000
Extraccin
,658
,580
,646
,882
1,000
,872
1,000
,616
Mtodo de extraccin: Anlisis de Componentes principales.
Una vez comprobado que los datos son adecuados para el anlisis
pasamos a comentar los resultados del Anlisis de Componentes
Principales propiamente dicho. As, vemos como la cantidad de
informacin explicada por el modelo factorial estimado contenida en
cada una de las variables es bastante alta, resaltando las variables
Imagen del fabricante y del personal de ventas.
Varianza total explicada
Componente
1
2
3
4
5
6
Autovalores iniciales
% de la
Total
varianza
% acumulado
2,513
41,892
41,892
1,740
28,992
70,883
,597
9,958
80,842
,530
8,826
89,668
,416
6,929
96,596
,204
3,404
100,000
Sumas de las saturaciones al cuadrado

de la extraccin
% de la
Total
varianza
% acumulado
2,513
41,892
41,892
1,740
28,992
70,883
Teniendo en cuenta que el nmero mximo de factores que podemos

extraer es igual al nmero de variables (6), debemos decidir cuantos
factores elegimos. En este caso, siguiendo el criterio de elegir aquellos
factores que tenga un autovalor inicial superior a 1, lo que implicara
que dicho factor explica en promedio ms de una variable, han
resultado dos factores, donde el primero explica 2.513 variables y el
segundo 1.74 variables, lo que en trminos relativos supone que el
factor 1 explica el 41.892% y el 2 un 28.992%, que en conjunto
Suma de l
Total
2,370
1,883
explican un 70.883%, por lo que estamos perdiendo un 29.117% de

informacin. No obstante, podemos considerar que el primero de los
factores concentra demasiada informacin respecto al segundo factor,
por lo que nos planteamos una rotacin de los factores, que en este
caso consigue que el factor 1 explique el 39.497%, mientras que el
factor 2 un 31.386%.
No obstante, a pesar de que con la rotacin hemos conseguido repartir
mejor la informacin explicada por cada uno de los factores, analizamos
la matriz de componentes sin rotar para ver que es lo que miden cada
uno de los factores extrados.
Matriz de componentesa

Nivel de precios
Imagen del personal
de ventas
Componente
1
2
,767
-,168
,759
-,068
-,730
,337
-,627
,514
,425
,832
,494
,798
Mtodo de extraccin: Anlisis de componentes principales.

a. 2 componentes extrados
Teniendo en cuenta que la matriz de componentes recoge los

coeficientes de correlacin entre cada una de las variables y cada uno
de los factores, podemos ver como la componente 1 tiene una
correlacin alta y positiva (es decir mide lo mismo) con las variables
Calidad del Producto y Nivel de precios, mientras que una correlacin
alta y negativa (mide lo contrario) con Flexibilidad de precios y
Velocidad de entrega. Sin embargo, el factor 2 tiene un correlacin alta
y positiva (mide los mismo) con la Imagen del personal de ventas y del
fabricante, aunque estas dos ltimas variables tienen cierta correlacin
positiva, tambin con el factor 1, lo que nos lleva a analizar la matriz de
componentes rotados.
Matriz de componentes rotadosa
Nivel de precios
Imagen del personal
de ventas
Componente
1
2
-,804
-,011
-,787
,194
,764
,179
,714
,266
,025
,934
,102
,933
Mtodo de extraccin: Anlisis de componentes principales.

Mtodo de rotacin: Normalizacin Varimax con Kaiser.
a. La rotacin ha convergido en 3 iteraciones.
Ahora, el factor 1 mide lo contrario de las variables Flexibilidad de

precios y Velocidad de entrega, y lo mismo que Calidad del Producto y
Nivel de precios, mientras que el factor 2 claramente tiene relacin
positiva con las variables imagen del personal de ventas y del
fabricante.
Por ltimo, debemo comprobar la bondad del modelo factorial obtenido,
y lo hacemos analizando los residuos, diferencias entre la matriz de
correlaciones inicial y la reproducida por el modelo, de manera que a
medida que sean cercanos a cero en valor absoluto, indicar un buen
nivel de ajuste.
Correlaciones reproducidas
Im
Correlacin reproducida
Residual a
Nivel de precios
Imagen del personal
de ventas
Nivel de precios
Imagen del personal
de ventas
Velocidad
de entrega
,658b
-,511
,631
,101
Nivel de
precios
-,511
,580b
-,576
,321
Flexibilidad
de precios
,631
-,576
,646b
-,092
Imagen del
fabricante
,101
,321
-,092
,882b
,161
,266
-,030
,874
-,567
,593
,161
-,616
-,121
,089
,245
-,050
-,049
-,024
,161
-,121
-,050
,089
-,049
-,024
-,084
-,080
-,004
-,086
,084
-,123
,168
-,045

a. Los residuos se calculan entre las correlaciones observadas y reproducidas. Hay 10 (66,0%) residuales no r
valores absolutos mayores que 0,05.
b. Comunalidades reproducidas
Observamos como no estn demasiado cercanos a cero, lo que

implicara un bajo nivel de bondad del modelo, pero podemos
considerarlo como relativamente bueno.
A continuacin hacemos el mapa de posicin de los
encuestados. Para ello seguimos los siguientes comandos:
distintos
GRFICOS => DISPERSIN/PUNTOS => Dispersin simple => Definir
Del cuadro de dilogos siguientes marcamos las opciones que aparecen

marcadas.
Entramos en Opciones
R
E
G
R
fa
c
to
rs
c
o
re2
fo
ra
n
ly
s
i1
P
E
Q
U
E
A
P
E
Q
U
E
A
2
,5
0P
P
E
Q
U
E
A
G
R
A
N
D
E
P
E
Q
U
A
G
R
A
N
D
E
P
E
Q
U
E
A
P
Q
U
E
A
P
E
Q
U
E
A
P
Q
U
E
A
G
R
A
N
D
E
G
R
A
N
D
E
P
Q
U
A
P
E
Q
U
E
A
P
Q
U
A
E
Q
U
E
A
G
R
N
D
E
G
R
A
N
D
E
G
R
N
D
E
G
R
A
N
D
E
G
R
A
N
D
E
E
E
P
Q
U
E
A
P
Q
U
A
G
R
A
N
D
E
P
Q
U
A
0
,0P
G
R
A
N
D
E
P
Q
U
A
E
P
E
Q
U
E
P
E
Q
U
E
A
E
G
R
A
N
D
E
E
G
R
A
N
D
E
Q
U
A
P
E
Q
U
A
P
Q
U
A
P
Q
U
E
A
P
Q
U
E
A
P
E
Q
U
E
A
G
R
A
N
D
E
E
G
R
A
N
D
E
P
Q
U
E
A
P
Q
U
E
A
E
G
R
A
N
D
G
R
A
N
D
E
P
Q
U
A
G
R
A
N
D
E
E
-2
,5
0 E
E
-2
,00-1
,000
,01
,002
,00
R
E
G
R
fa
c
to
rs
c
o
re1
fo
ra
n
ly
s
i1
__

Ejemplo de Acp Hatco

Cargado por

Copyright:

Formatos disponibles

Ejemplo de Acp Hatco

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejemplo de Acp Hatco

Cargado por

Copyright:

Formatos disponibles

Para explicar e ilustrar cada una de las tcnicas multivariantes de forma

ms extensa. a lo largo del libro utilizaremos conjuntos de datos

Pasamos las 7 variables que vamos a analizar al recuadro de variables.

Por ltimo, ejecutamos el anlisis haciendo clic en Aceptar.

a. Medida de adecuacin muestral

Analizando los valores de la diagonal principal de la matriz de

En la tabla anterior podemos observar como las mayores puntuaciones

Para que podamos reducir la dimensionalidad del problema de manera

de los coeficientes, porcentaje que podemos considerar

KMO y prueba de Bartlett

La medida de adecuacin muestral de Kaiser-Meyer-Olkin nos indica que

a. Medida de adecuacin muestral

Las medidas de adecuacin muestral de cada una de las seis variables

Mtodo de extraccin: Anlisis de Componentes principales.

Sumas de las saturaciones al cuadrado

Mtodo de extraccin: Anlisis de Componentes principales.

Teniendo en cuenta que el nmero mximo de factores que podemos

explican un 70.883%, por lo que estamos perdiendo un 29.117% de

Calidad del Producto

Mtodo de extraccin: Anlisis de componentes principales.

Teniendo en cuenta que la matriz de componentes recoge los

Matriz de componentes rotadosa

Mtodo de extraccin: Anlisis de componentes principales.

Ahora, el factor 1 mide lo contrario de las variables Flexibilidad de

Mtodo de extraccin: Anlisis de Componentes principales.

Observamos como no estn demasiado cercanos a cero, lo que

GRFICOS => DISPERSIN/PUNTOS => Dispersin simple => Definir

Del cuadro de dilogos siguientes marcamos las opciones que aparecen

También podría gustarte