EL ANÁLISIS DE CORRESPONDENCIAS

Transcripción

1 EL ANÁLISIS DE CORRESPONDENCIAS Técnica multivariable, que se creó para el análisis de tablas de contingencia, con la finalidad de descubrir afinidades entre dos conjuntos de variables. Suele aplicarse a tablas de contingencias, tablas de frecuencias o de puntuaciones medias siendo las variables usadas de tipo nominal, conviniendo transformar las variables continuas en variables de intervalos para proceder a su análisis El análisis de correspondencias, también puede ser usado para establecer escalas de intervalos para cada uno de los factores obtenidos a partir de estímulos ordinales, por medio de las valoraciones y las percepciones presentadas por los entrevistados. Ejemplo de pregunta para el Análisis de Correspondencias Simple P.1. Cuál es el sector de actividad al que se dedica su empresa? Indicar solo una respuesta) Mueble Calzado Azulejo Textil...4 Juguete Cítricos P.22. Cuál es sú método de acceso al mercado exterior? Representantes o agentes propios a Representantes o agentes del país de destino b Empresas de distribución nacionales c Empresas importadoras del país de destino d Red propia de distribución e Joint Venture f Compañías, consorcios u organismos públicos g Franquicia Licencia de exportación Otros h Si bien a partir de estas dos preguntas se puede generar una tabla de contingencia, resulta conveniente que en la medida de lo posible sea el propio entrevistado el que responda directamente sobre una tabla de contingencia

2 Ejemplo de datos para el Análisis de Correspondencias DATA LIST FREE / METODH SECTOR FREQ. VALUE LABELS METODH 1 'A' 2 'B' 3 'C' 4 'D' 5 'E' 6 'F' 7 'G' 8 'H' / SECTOR 1 'MUEB' 2 'CALZ' 3 'AZUL' 4 'TEXT' 5 'JUG' 6 'CITRI'. BEGIN DATA END DATA. Habitualmente se deben preparar los datos para la realización del Análisis de Correspondencias Simple, de la siguiente manera en un fichero de sintaxis de SPSS El Proceso del Análisis de Correspondencias Simple Cálculo de la tabla de frecuencia Elección del número de factores o dimensiones Obtención de los perfiles filas y columnas Cálculo de las dimensiones, valores propios y varianza explicada Obtención de las puntuaciones de filas y columnas Cálculo de contribuciones de filas y columnas a la inercia de las dimensiones Cálculo de contribución de las dimensiones a la inercia de filas y columnas Representación gráfica de columnas y filas en las dimensiones Otros resultados

3 Dimensiones, Inercias y Varianza Explicada Dimension Singular Inertia Proportion Cumulative Value Explained Proportion 1,28455,08097,456,456 2,22327,04985,281,737 3,15363,02360,133,870 4,12717,01617,091,961 5,08342,00696,039 1, Total, ,000 1,000 En el Análisis de Correspondencias, es el propio investigador quien decide el número de factores a dejar dentro del análisis, la segunda columna nos muestra los valores singulares, la tercera presenta la inercia (varianza) y la cuarta y quinta, los valores porcentuales de la misma. Puntuaciones de filas y columnas en las dimensiones Row Scores: METODH Marginal Dim 1 A,221,156,407 -,018 2 B,371,075 -,196,354 3 C,066 1,216 -,473 -,014 4 D,246 -,680 -,127 -,243 5 E,048 1,003,622-1,117 6 F,004,040-5,369-2,853 7 G,029 -,292,712,113 8 H,015-1,005,992 -,424 Column Scores: SECTOR Marginal Dim 1 MUEB,162 -,779,449 -,483 2 CALZ,125,728,094,281 3 AZUL,154,310,373,015 4 TEXT,114,797,226 -,464 5 JUG,110,011-1,199 -,438 6 CITRI,335 -,313 -,106,424 Las puntuaciones de las variables originales filas y columnas en las nuevas dimensiones se usarán para la representación gráfica de las mismas, siendo más importantes en la interpretación cuanto más alejadas del origen se encuentren

4 Contribuciones de filas y columnas a las dimensiones Contribution of row points to the inertia of each dimension: METODH Marginal Dim 1 A,221,019,163,000 2 B,371,007,064,303 3 C,066,344,066,000 4 D,246,400,018,094 5 E,048,169,083,388 6 F,004,000,475,195 7 G,029,009,067,002 8 H, , , ,017 1,000 1,000 1,000 Contribution of column points to the inertia of each dimension: SECTOR Marginal Dim 1 MUEB,162,345,146,246 2 CALZ,125,233,005,064 3 AZUL,154,052,096,000 4 TEXT,114,254,026,160 5 JUG,110,000,710,138 6 CITRI,335,115,017, ,000 1,000 1,000 Las contribuciones de cada fila y columna a las dimensiones, indican el porcentaje con que cada una de las variables filas y columnas originales han contribuido a la creación del nuevo factor (se observa que la suma por columnas da la unidad) Contribuciones de las dimensiones a filas y columnas Contribution of dimensions to the inertia of each row point: METODH Marginal Dim Total 1 A,221,105,558,001,663 2 B,371,054,290,651,995 3 C,066,794,094,000,888 4 D,246,892,024,061,978 5 E,048,492,148,329,969 6 F,004,000,798,155,953 7 G,029,142,666,012,820 8 H,015,233,178,022,434 Contribution of dimensions to the inertia of each column point: SECTOR Marginal Dim Total 1 MUEB,162,658,171,137,966 2 CALZ,125,666,009,054,728 3 AZUL,154,227,259,000,486 4 TEXT,114,716,045,131,892 5 JUG,110,000,908,083,991 6 CITRI,335,457,041,453,951 Las contribuciones de las dimensiones a cada fila y columna, muestran la calidad con que las mismas están representadas en las dimensiones seleccionadas para el análisis. Si se hubieran seleccionado todas las dimensiones para el análisis, las sumas por filas de estas contribuciones darían como resultado la unidad.

5 Representación gráfica de dos dimensiones en un Análisis de Correspondencias 2 Puntos de fila y columna H Mueb D G Citri. A B Jug Azul. Calz E Text C Dimensión ,5-1,0-0,5 0,0 F 0,5 1,0 1,5 Dimensión 1 Canonical Normalization Sector Metodh El Análisis de Escalamiento Multidimensional Engloba un conjunto de técnicas que permiten la obtención de una representación espacial de un conjunto de objetos a partir bien de las percepciones o de las preferencias de los individuos. En sentido amplio se relaciona la intensidad física de los estímulos con su intensidad subjetiva. La técnica se desarrollo para generar mapas de pocas dimensiones en los que se representen los objetos analizados de forma que la proximidad se puede interpretar como semejanza o parecido entre los objetos, mientras que la separación se interpretará como diferencia. Se pueden utilizar como datos de partida información de similaridad (o disimilaridad) y/o datos de preferencias.

6 Utilidad del Análisis de Escalamiento Multidimensional Entre las finalidades generales de la técnica podemos encontrar: Identificación e interpretación de las dimensiones utilizadas para evaluar un conjunto de objetos Posicionamiento competitivo de objetos Identificación de objetos y puntos ideales Entre las aplicaciones marketing de la técnica podemos destacar: Análisis de imagen y posicionamiento de un grupo de productos competitivos o comparables Identificación de ideas para nuevos productos a partir de los huecos identificados en un análisis de posicionamiento Reposicionamiento de productos en el mercado Identificación de grupos competitivos Evaluación de los efectos de campañas publicitarias (antes y después) Identificación de dimensiones relevantes Funcionamiento del Análisis de Escalamiento Multidimensional 3 2 El Corte Inglés 1 Cortefiel 0-1 Zara H&S Springfield -2 C&A

7 Tipos de Análisis de Escalamiento Multidimensional Similitudes Solo objetos A.M. Directo Objetos y atributos A.M. Derivado Agregado: A.M. Directo Clásico Individual: A.M. Directo Replicado Agregado: A.M. Derivado Clásico Individual: A.M. Derivado Replicado Preferencias Solo objetos A.M. Directo Objetos y atributos A.M. Derivado Modelo del Vector Modelo del Punto Ideal Simple Modelo del Punto ideal Ponderado El Análisis de Escalamiento Multidimensional Directo de Similitudes A continuación le mostraré parejas de cadenas de televisión. Entrevistador: Mostrar tarjeta de televisiones. Indíqueme por favor, el grado de similitud o de semejanza que tiene para Ud. cada pareja, en una escala de 1, totalmente diferentes a 7, totalmente similares Parejas de cadenas Totalmente Totalmente Diferentes Similares TVE1 - Tele Canal + - Antena TVE2 - Tele TVE1 TVE2 Antena 3 Tele 5 Canal + TVE1 TVE2 3 Antena Tele Canal Se centra en información de semejanza entre pares bien a través de una puntuación del grado de similaridad entre los pares (métrico) o bien por medio de una ordenación del nivel de similaridad de los pares de estímulos presentados (no métrico) Entre las ventajas cabe destacar que: No necesita del conocimiento previo de los atributos de los objetos evaluados El entrevistado no se centra en una única característica Se puede llegar a determinar los atributos que forman la dimensión.

8 El Análisis de Escalamiento Multidimensional Derivado de Similitudes Ahora vamos a mostrarle una serie de establecimientos comerciales. Por favor, me gustaría que para cada uno valorara diferentes aspectos utilizando para ello una escala de 7 puntos siendo 7 excelente y 1 pésimo Corte Inglés Zara... Cortefiel Calidad Servicios Buen precio Gama Incorpora además de los objetos un conjunto de atributos para evaluar los estímulos estudiados. Normalmente recoge las valoraciones mediante escalas de tipo Likert o diferenciales semánticos. Este planteamiento, facilita enormemente la denominación de los ejes o dimensiones, así como el proceso de respuesta del entrevistado, que se centra sobre unos aspectos conocidos, homogeneizando así mismo los criterios utilizados. Por otro lado, se puede observar que este tipo de tablas de datos permite la aplicación de otras técnicas de análisis complementarias (Componentes Principales, Análisis de Correspondencias) Por el contrario, asume que la valoración del objeto es resultado de los atributos, y nadie garantiza que esta lista sea la idónea o completa. El Análisis de Escalamiento Multidimensional de Preferencias Ahora voy a mostrarle unas tarjetas con las diferentes cadenas de televisión. Ordénelas según sus preferencias. Entrevistador: Mostrar tarjeta de televisiones. Para que le resulte más fácil, le aconsejo que primero las separe en dos grupos. Ponga a su izquierda las cadenas que es probable o seguro que elegiría y a la derecha aquellas que no elegiría. Ahora ordene cada uno de los dos montones comenzando por el de la izquierda. Coloque en primer lugar su cadena preferida, luego la segunda, a continuación la tercera y así sucesivamente Canales Elegiría No elegiría Orden de preferencia TVE1 1 2 TVE2 1 2 Antena Tele Canal Este tipo de AEM busca la información de preferencias de los consumidores, centrándose en la idea de que las preferencias permitirán valorar la proximidad o parecido. El modelo permite la presentación de un ideal. El análisis se puede desarrollar de varias formas, bien por el modelo del vector o por los de punto ideal, en todo caso se puede optar por únicamente objetos o bien objetos y atributos, así como escalas de diferente tipo. Las interpretaciones de los mapas son diferentes según el modelo seleccionado

9 El Análisis de Escalamiento Multidimensional de Preferencias: Modelos del Vector y Punto Ideal Deportivo Deportivo L Lujoso S 2 7 T Lujoso M 3 Jaguar 4 Volvo Mercedes 7 Porsche Opel Vectra El Proceso del Análisis de Escalamiento Multidimensional Determinación de marcas y atributos Obtención de datos Selección del algoritmo de análisis multidimensional Análisis de la fiabilidad Elección del número de dimensiones e interpretación del mapa