Introducción
Cada vez que un analista pretende realizar el estudio del comportamiento del negocio, es inherente encontrar que más de una perspectiva que contextualice los datos.
Esta situación es completamente normal, ya que son muchas las variables que afectan el entorno. Así se encuentra cliente, país, producto, tiempo, canal de distribución, cuenta contable, escenario, venta neta, impuesto, descuento, costo, y un infinito etcétera que es imposible enumerar acá.
De ahí surge el concepto de análisis multidimensional. El cual será definido como la capacidad de contextualizar una variable o más variables (medidas) a través del empleo de perspectivas (dimensiones). Las medidas generalmente serán numéricas y las dimensiones generalmente serán alfanuméricas. Sin embargo, pueden presentarse excepciones a esta regla.
En el siguiente trabajo se busca presentar una técnica relacionada para estudiar las percepciones y preferencias de los consumidores: el análisis multidimensional también conocido como las escalas multidimensionales (EMD).
El escalamiento multidimensional trata de encontrar la estructura de un conjunto de medidas de distancia entre objetos o casos. Esta tarea se logra asignando las observaciones a posiciones específicas en un espacio conceptual (normalmente de dos o tres dimensiones) de modo que las distancias entre los puntos en el espacio concuerden al máximo con las disimilaridades dadas. En muchos casos, las dimensiones de este espacio conceptual son interpretables y se pueden utilizar para comprender mejor los datos.
Esto supone una ventaja importante pues los resultados no dependen de los juicios de los investigadores. Gracias a estas ventajas, MDS es la técnica más comúnmente utilizada en mapeado perceptual.
El escalamiento multidimensional tiene sus orígenes a principios de siglo XX en el campo de la Psicología. Surge cuando se pretendía estudiar la relación que existía entre la intensidad física de ciertos estímulos con su intensidad subjetiva.
El escalamiento multidimensional es una técnica de representación espacial que trata de visualizar sobre un mapa un conjunto de estímulos (firmas, productos, candidatos políticos, ideas u otros artículos) cuya posición relativa se desea analizar.
El análisis multidimensional está basado en la comparación de objetos o de estímulos, de forma que si un individuo juzga a los objetos A y B como los más similares entonces las técnicas de MDS colocarán a los objetos A y B en el gráfico de forma que la distancia entre ellos sea más pequeña que la distancia entre cualquier otro par de objetos.
En la actualidad, el análisis multidimensional puede ser apto para gran cantidad de tipos diferentes de datos de entrada (tablas de contingencia, matrices de proximidad, datos de perfil, correlaciones, etc.).
El análisis multidimensional puede ayudar a determinar:
Qué dimensiones utilizan los encuestados a la hora de evaluar a los objetos.
Cuántas dimensiones utilizan.
La importancia relativa de cada dimensión.
Cómo se relacionan perceptualmente los objetos.
Existen otras técnicas multivariantes, como son el análisis factorial y el análisis clúster, que persiguen objetivos muy similares al análisis multidimensional pero que difieren en una serie de aspectos. Sin embargo, la utilización de alguna de estas técnicas no supone que no se pueda utilizar el análisis multidimensional, sino que esta última técnica puede servir como alternativa o bien como complemento a las otras técnicas multivariantes.
OBJETIVOS DEL ESTUDIO
Objetivo general
El objetivo es construir un modelo de análisis multidimensional, transformar los juicios de los consumidores de similitud o preferencia en distancias, representadas en un espacio multidimensional.
Objetivos específicos
Utilizar la técnica del escalamiento multidimensional a partir de similitudes o preferencias de un conjunto de objetos.
Utilizar el software SPSS para el respectivo análisis de nuestra aplicación a la ingeniería comercial.
Marco teórico
Concepto
Es un modelo adecuado que provee un camino viable para agregar hechos a lo largo de múltiples atributos, llamados dimensiones. Los datos son almacenados como hechos y dimensiones en un modelo de datos relacional.
El Escalamiento Multidimensional (EMD) es un conjunto de técnicas cuyo resultado es una representación espacial de las percepciones y preferencias de los encuestados hacia una serie de objetos. La información una vez procesada se representa como posición y distancias entre los diferentes objetos estudiados. La representación adquiere el nombre de mapa espacial.
Esta tarea se logra asignando las observaciones a posiciones específicas en un espacio conceptual (normalmente de dos o tres dimensiones) de modo que las distancias entre los puntos en el espacio concuerden al máximo con las disimilaridades dadas. En muchos casos, las dimensiones de este espacio conceptual son interpretables y se pueden utilizar para comprender mejor los datos.
Si las variables se han medido objetivamente, puede utilizar el escalamiento multidimensional como técnica de reducción de datos (el procedimiento Escalamiento multidimensional permitirá calcular las distancias a partir de los datos multivariados, si es necesario). Además, el procedimiento Escalamiento multidimensional puede tratar datos de disimilaridad procedentes de múltiples fuentes, como podrían ser múltiples evaluadores o múltiples sujetos evaluados por un cuestionario.
El término escalamiento multidimensional se refiere a una familia de métodos de análisis de datos los cuales tienen como objetivo final representar un conjunto de estímulos relacionados en un espacio de baja dimensionalidad (habitualmente dos o tres ejes).
Conceptualmente se trata de convertir la medida de relación entre ellos (proximidad) en una medida de distancia euclídea. El cuadro siguiente ilustra lo dicho:
Ejemplo. ¿Cómo percibe el público las diferencias entre distintos autos? Si posee datos de las valoraciones de similaridad emitidas por los sujetos sobre las diferentes marcas y modelos de coches, puede utilizar el escalamiento multidimensional para identificar las dimensiones que describan las preferencias de los consumidores. Puede encontrar, por ejemplo, que el precio y el tamaño de un vehículo definen un espacio de dos dimensiones, capaz de explicar las similaridades de las que informan los encuestados.
El propósito de este trabajo es introducirnos en el tratamiento de las técnicas de Escalamiento Multidimensional y el campo de investigación actual de las mismas y para ello debemos precisar que existen dos requisitos esenciales para desarrollar un análisis de escalas multidimensionales. Estos requisitos son:
Partir de un conjunto de números, llamados proximidades o similaridades, que expresan todas o la mayoría de las combinaciones de pares de similaridades dentro de un grupo de objetos, y,
Contar con un algoritmo implementado computacionalmente para llevar a cabo el análisis
Escalamiento multidimensional: Conceptos básicos
En las técnicas de escalamiento multidimensional, el primer requisito trata con los conceptos de objeto estímulo y de similaridades–disimilaridad–distancia y el segundo requisito se refiere al procedimiento para alcanzar una configuración de puntos que refleje las similaridades observadas o percibidas.
El procedimiento, en términos muy generales, sigue algunas ideas básicas en la mayoría de las técnicas. El punto de partida es una matriz de disimilaridades entre n objetos, con el elemento dij en la fila i y en la columna j, que representa la disimilaridad del objeto i al objeto j. También se fija el número de dimensiones, p, para hacer el gráfico de los objetos en una solución particular. Generalmente el camino que se sigue es:
1) Arreglar los n objetos en una configuración inicial en p dimensiones, esto es, suponer para cada objeto las coordenadas (x1, x2, …, xp) en el espacio de p dimensiones.
2) Calcular las distancias euclidianas entre los objetos de esa configuración, esto es, calcular las dij, que son las distancias entre el objeto i y el objeto j.
3) Hacer una regresión de dij sobre dij . Esta regresión puede ser lineal, polinomial o monótona. Por ejemplo, si se considera lineal se tiene el modelo:
Y utilizando el método de los mínimos cuadrados se obtienen estimaciones de los coeficientes a y b, y de ahí puede obtenerse lo que genéricamente se conoce como una "disparidad".
Si se supone una regresión monótona, no se ajusta una relación exacta entre dij y dij , sino se supone simplemente que si dij crece, entonces dij crece o se mantiene constante.
4) A través de algún estadístico conveniente se mide la bondad de ajuste entre las distancias de la configuración y las disparidades. Existen diferentes definiciones de este estadístico, pero la mayoría surge de la definición del llamado índice de esfuerzo (en inglés: STRESS). Los criterios más utilizados son los dos siguientes:
Todas las sumatorias sobre i y j van de 1 a p y las disparidades dependen del tipo de regresión utilizado en el tercer paso del procedimiento.
El STRESS1 es la fórmula introducida por Kruskal quien ofreció la siguiente guía para su interpretación:
5) Las coordenadas (x1, x2,…, xt) de cada objeto se cambian ligeramente de tal manera que la medida de ajuste se reduzca.
Los pasos del 2 al 5 se repiten hasta que al parecer la medida de ajuste entre las disparidades y las distancias de configuración no pueda seguir reduciéndose. El resultado final del análisis es entonces las coordenadas de los n objetos en las p dimensiones. Estas coordenadas pueden usarse para elaborar un gráfico que muestre cómo están relacionados los objetos. Lo ideal sería encontrar una buena solución en menos de tres dimensiones, pero esto no es siempre posible.
La matriz de similaridades:
La entrada básica de un análisis de escalamiento multidimensional son los valores de similaridad o disimilaridad entre todos, o casi todos, los pares de n objetos. Estos datos se nombran genéricamente similaridades o proximidades.
Existen diversas maneras de generar estos valores, aunque las dos maneras típicas son (1) preguntar a los sujetos acerca de la similaridad entre todos los pares de estímulos y/o (2) pedir a los sujetos que clasifiquen los estímulos sobre la base de descriptores tales como adjetivos.
De la primera manera se obtienen las llamadas similaridades directas, mientras que de la segunda manera se tienen las similaridades derivadas.
Similaridades directas.
El término similaridad directa se refiere al caso cuando a los sujetos se les presentan pares de estímulos y se les pide que emitan un juicio de su similaridad.
Los juicios de similaridad se pueden obtener de maneras muy diferentes. Veamos algunos de los métodos de registrar los juicios.
Hacer una marca sobre una recta.
Estimación de la magnitud directa.
Colocar o clasificar.
Ordenar parejas.
Ternas.
Determinar el orden de los rangos.
Nótese que la dificultad de la recolección de datos de similaridad está determinada por el número de estímulos considerados. Si el número de estímulos es grande, el número de comparaciones es grande.
Aunque para evitar tener que recoger un número demasiado grande de juicios se pudiera limitar el número de estímulos, es deseable incluir tantos estímulos como prácticamente sea posible. El uso de un número muy pequeño de estímulos hace que las soluciones en pocas dimensiones sean inestables.
Similaridades derivadas.
Este término se origina del hecho que los datos de similaridades se construyen o derivan de los rangos que los sujetos dan a cada estímulo según un conjunto de descriptores verbales.
Hay que señalar que los descriptores verbales son altamente subjetivos y también, a menudo, conceptualmente incompletos, puesto que es bastante improbable que todas las dimensiones relevantes contenidas en las diferencias entre los estímulos puedan lograrse usando adjetivos que las describan.
El escalamiento multidimensional
Consideraciones sobre los datos:
Estadísticos. Para cada modelo: Matriz de datos, Matriz de datos escalada óptimamente, S-stress (de Young), Stress (de Kruskal), R², Coordenadas de los estímulos, Stress promedio y R² para cada estímulo (modelos RMDS). Para modelos de diferencias individuales (INDSCAL): ponderaciones del sujeto e índice de peculiaridad para cada sujeto. Para cada matriz en los modelos de escalamiento multidimensional replicado: stress y R² para cada estímulo. Gráficos: coordenadas de los estímulos (de dos o tres dimensiones), diagrama de dispersión de las disparidades frente a las distancias.
Datos. Si los datos son de disimilaridad, todas las disimilaridades deben ser cuantitativas y deben estar medidas en la misma métrica. Si los datos son datos multivariantes, las variables pueden ser datos cuantitativos, binarios o de recuento. El escalamiento de las variables es un tema importante, ya que las diferencias en el escalamiento pueden afectar a la solución. Si las variables tienen grandes diferencias en el escalamiento (por ejemplo, una variable se mide en dólares y otra en años), debe considerar la posibilidad de tipificarlas (este proceso puede llevarse a cabo automáticamente con el propio procedimiento Escalamiento multidimensional).
Supuestos. El procedimiento Escalamiento multidimensional está relativamente libre de supuestos distribucionales. Compruebe que selecciona el nivel de medida adecuado (ordinal, de intervalo, o de razón) en el cuadro de diálogo Escalamiento multidimensional: Opciones para asegurar que los resultados se calculan correctamente.
Procedimientos relacionados. Si su objetivo es la reducción de los datos, un método alternativo a tener en cuenta es el análisis factorial, sobre todo si las variables son cuantitativas. Si desea identificar grupos de casos similares, considere complementar el análisis de escalamiento multidimensional con un análisis de conglomerados jerárquico o de k-medias.
Escalamiento multidimensional: Forma de los datos
Si el conjunto de datos activo representa distancias entre uno o dos conjuntos de objetos, especifique la forma de la matriz de datos para obtener los resultados correctos.
Nota: No puede seleccionar Cuadrada simétrica si el cuadro de diálogo Modelo especifica la condicionalidad de filas.
Escalamiento multidimensional: Crear la medida a partir de los datos
El escalamiento multidimensional utiliza datos de disimilaridad para crear una solución de escalamiento. Si los datos son datos multivariantes (los valores de las variables que se han medido), debe crear los datos de disimilaridad para poder calcular una solución de escalamiento multidimensional. Puede especificar los detalles para la creación de las medidas de disimilaridad a partir de los datos.
Medida. Le permite especificar la medida de disimilaridad para el análisis. Seleccione una opción del grupo Medida que se corresponda con el tipo de datos y, a continuación, elija una de las medidas de la lista desplegable correspondiente a ese tipo de medida. Las opciones disponibles son:
• Intervalo. Distancia euclídea, Distancia euclídea al cuadrado, Chebychev, Bloque, Minkowski o Personalizada.
• Contar apariciones. Medida de chi-cuadrado o Medida de phi-cuadrado.
• Binaria. Distancia euclídea, Distancia euclídea al cuadrado, Diferencia de tamaño, Diferencia de configuración, Varianza o Lance y Williams.
Crear matriz de distancias. Le permite elegir la unidad de análisis. Las opciones son Entre variables o Entre casos.
Transformar valores. En determinados casos, como cuando las variables se miden en escalas muy distintas, puede que desee tipificar los valores antes de calcular las proximidades (no es aplicable a datos binarios). Seleccione un método de estandarización en la lista desplegable Estandarizar. Si no se requiere ninguna estandarización, seleccione Ninguno.
Escalamiento multidimensional: Modelo
La estimación correcta de un modelo de escalamiento multidimensional depende de aspectos que atañen a los datos y al modelo en sí.
Nivel de medida. Permite especificar el nivel de medida de los datos. Las opciones son Ordinal, Intervalo y Razón. Si las variables son ordinales, al seleccionar Desempatar observaciones empatadas se solicitará que sean consideradas como variables continuas, de forma que los empates (valores iguales para casos diferentes) se resuelvan óptimamente.
Condicionalidad. Permite especificar qué comparaciones tienen sentido. Las opciones son Matriz, Fila o Incondicional.
Dimensiones. Permite especificar la dimensionalidad de la solución o soluciones del escalamiento. Se calcula una solución para cada número del rango especificado. Especifique números enteros entre 1 y 6; se permite un mínimo de 1 sólo si selecciona Distancia euclídea como modelo de escalamiento. Para una solución única, especifique el mismo número para el mínimo y el máximo.
Modelo de escalamiento. Permite especificar los supuestos bajo los que se realiza el escalamiento. Las opciones disponibles son Distancia euclídea o Distancia euclídea de diferencias individuales (también conocida como INDSCAL). Para el modelo de Distancia euclídea de diferencias individuales, puede seleccionar Permitir ponderaciones negativas de los sujetos, si es adecuado para los datos.
Se refiere al conjunto de técnicas preferencias y percepciones de los encuestados y representarlos en un diagrama visual. Estos diagramas, llamados mapas perceptuales tienen generalmente dos dimensiones, pero pueden representarse en más de dos. Los consumidores potenciales tienen que comparar pares de productos y hacer juicios sobre sus similitudes.
Mientras otras técnicas (como análisis factorial, análisis discriminativo y análisis conjunto) obtienen dimensiones de las respuestas a los atributos de los productos identificados por el investigador, MDS obtiene las dimensiones de los juicios de los encuestados sobre la similitud de los productos.
Esto supone una ventaja importante pues los resultados no dependen de los juicios de los investigadores. No es necesaria una lista de atributos que debe ser mostrada a los encuestados. Las dimensiones resultantes vienen de los juicios de los encuestados sobre pares de productos. Gracias a estas ventajas, MDS es la técnica más comúnmente utilizada en mapeado perceptual.
Características
Es un indicador clave para tomar las decisiones adecuadas en los momentos oportunos.
El escalamiento multidimensional trata de encontrar la estructura de un conjunto de medidas de distancia entre objetos o casos.
El escalamiento multidimensional puede también aplicarse a valoraciones subjetivas de disimilaridad entre objetos o conceptos.
El escalamiento multidimensional facilita la interpretación de dichas dimensiones mediante el peso (coordenadas) de cada estímulo sobre cada dimensión.
Finalidad
La finalidad del escalamiento multidimensional es transformar los juicios de similitud o preferencia llevados a cabo por una serie de individuos sobre un conjunto de objetos o estímulos en distancias susceptibles de ser representadas en un espacio multidimensional.
Ventajas y desventajas
Ventajas
Los datos en el escalamiento multidimensional (MDS) pueden estar medidos en cualquier escala, mientras que en el análisis factorial deben estar medidos en escala de razón o intervalo.
El MDS proporciona soluciones para cada individuo, lo cual no es posible con el análisis factorial ni con el análisis cluster.
En el MDS el investigador no necesita especificar cuáles son las variables a emplear en la comparación de objetos, algo que es fundamental en el análisis factorial y en el análisis cluster, con lo que se evita la influencia del investigador en el análisis.
Las soluciones proporcionadas por MDS suelen ser de menor dimensionalidad que las proporcionadas por el análisis factorial.
Desventajas
La etapa de procesamiento (carga de datos) puede ser bastante larga, sobre todo para grandes volúmenes de datos. Normalmente, esto se puede evitar con un procesamiento incremental, es decir, sólo el procesamiento de los datos que han cambiado (por lo general, los nuevos datos) en lugar de volver a procesar de todo el conjunto de datos.
Las herramientas MOLAP tradicionalmente tienen dificultades para consultar con modelos con dimensiones muy altas (del orden de millones de miembros).
Aplicaciones
Se utiliza para la representación visual de datos en más de una dimensión (si son más de tres dimensiones, se requiere más de un gráfico).
Con ello se puede encontrar qué factores (dimensiones) subyacen bajo los datos obtenidos en un estudio. Se aplica en estudios sobre cognición, psicofísica, psicometría, marketing y ecología.
Marketing
En marketing, el EMD es una técnica estadística para averiguar las preferencias y percepciones de los encuestados a la hora de evaluar y comparar varios productos, representando los datos obtenidos sobre una gráfica visual, llamada mapa perceptual.
Comparación y ventajas
Se pide a clientes potenciales que comparen pares de productos y haga juicios sobre su similaridad. Aunque otras técnicas (como el análisis factorial, análisis discriminante y el análisis conjunto) también sirven para reducir los datos a unos pocos factores o dimensiones, el EMD obtiene el grado de similaridad entre los productos. Esto es una importante ventaja, ya que no depende de los juicios de los investigadores. No se requiere una lista de atributos que haya que mostrar a los encuestados, son los encuestados los que deciden indirectamente qué dimensiones utilizan para evaluar un producto.
Descripción del software
SPSS son las siglas en inglés, que en su traducción al castellano quedaría como "Paquete Estadístico para las Ciencias Sociales".
Se trata de un programa o software estadístico que se emplea muy a menudo en las ciencias sociales y, de un modo más específico por las empresas y profesionales de investigación de mercados. Ello quiere decir que este software estadístico resultará de gran utilidad a la hora de llevar a cabo una investigación de carácter comercial.
Es uno de los programas estadísticos más conocidos teniendo en cuenta su capacidad para trabajar con grandes bases de datos y un sencillo interface para la mayoría de los análisis.
Función
Los usuarios pueden ejecutar análisis estadísticos, simples o complejos, haciendo clic en una serie de menús desplegables y seleccionando los comandos deseados pre-programados. Como resultado, permite a los usuarios crear programas personalizados, o para unir múltiples operaciones de pre-programados para ser aplicados en secuencia.
Beneficios
Un programa SPSS permite a un usuario llevar a cabo el mismo procedimiento en repetidas ocasiones, sin tener que recordar los menús desplegables o los comandos que debe hacer clic y elegir con el fin de establecer la serie de los procedimientos necesarios. Esto ahorra tiempo al organizar y analizar los datos.
Módulos del SPSS
El sistema de módulos de SPSS, como los de otros programas (similar al de algunos lenguajes de programación) provee toda una serie de capacidades adicionales a las existentes en el sistema base. Algunos de los módulos disponibles son:
Modelos de Regresión
Modelos Avanzados
Tendencias
Análisis Conjunto
Pruebas Exactas
Muestras Complejas
Árboles de Clasificación
Aplicación a la ingeniería comercial
Enunciado
Selección de los competidores objeto de estudio
En este ejemplo se relacionan 18 empresas de coches, concretamente aquellas que cuentan con los volúmenes de facturación de turismos más elevados España.
Selección del método de recogida de información
Se ha optado por recogerla información sobre la forma en que se relacionan las 18 empresas siguiendo el método de categorización, o clasificación, propiamente dicha. Este método, consiste, según se ha detallado, en solicitar a cada uno de los 211 profesionales del sector encuestados que reparta las 18 empresas en tantos Grupos como él considere oportuno, basándose en la competencia que percibe entre ellas juntos. Para tal fin se ha recurrido al empleo de tarjetas, cada una con el nombre de un competidor diferente.
El porcentaje de veces que dos empresas han sido agrupadas juntas es lo que se conoce como "coeficiente similitud" o "coeficiente de proximidad".
Agregando los resultados de toda la muestra de encuestados se obtiene el siguiente cuadro que contiene la matriz cuadrada simétrica, en cuyas celdas se recoge la frecuencia con que dos competidores han sido agrupados juntos.
MATRIZ CUADRADA DERIVADA A PARTIR DE DATOS DE CATEGORIZACION
Unidad: proximidades
Nota: Si dos competidores tienen el mismo color, es porque un elevado porcentaje de profesionales los han incluido en el mismo conjunto, lo que determina su pertenencia al mismo grupo competitivo.
Leyenda:
Audi: 1
BMW: 2
Citroen: 3
Daewoo: 4
Fiat: 5
Ford: 6
Honda: 7
Hyundai: 8
Mercedes: 9
Nissan: 10
Opel: 11
Peugeot: 12
Renault: 13
Rover: 14
Seat: 15
Toyota: 16
Volkswagen: 17
Volvo: 18
Además, se ha solicitado a cada profesional del sector que asocie un conjunto de propiedades claves de la competencia entre empresas, generadas en una fase cualitativa, con aquellos competidores que, a su juicio, destacan sobre el resto.
Agregando los resultados de toda la muestra de profesionales encuestados se obtiene cuadro5, matriz rectangular asimétrica, en cuyas celdas se recoge el porcentaje de veces que cada empresa (columna) ha sido asociada con cada propiedad (fila).
Ingreso de datos en Excel:
Primeramente, hemos introducido todos los datos en Excel, las dos matrices:
Tanto la matriz cuadrada derivada
Y la segunda matriz rectangular asimétrica del nivel de preferencias de los autos en las diferentes empresas.
Es de suma importancia tener los datos en Excel ya que nos facilita el análisis en el Software SPSS.
Aplicación del software SPSS:
Ingreso de datos:
Como primer paso hemos introducido la primera matriz de similitudes las cuales tienen los coeficientes de proximidades. Que a continuación se presentan:
Luego, editamos las variables dando clic en "vista de variables", y colocamos los nombres de las 18 empresas que estamos evaluando.
Procedimiento:
Una vez introducidos los datos, procederemos con el análisis, para lo cual debemos hacer clic en ANALIZAR=> ESCALA=> ESCALAMIENTO MULTIDIMENSIONAL (PROXSCAL).
Elegimos esta opción porque en este caso la matriz está basada en la proximidad o similitudes de las empresas, en cuanto al nivel de competitividad.
Luego nos aparece la siguiente ventana y donde damos clic en "DEFINIR".
Y a continuación nos aparecerá la siguiente ventana para lo cual solo debemos seleccionar las variables y colocarlas como "Proximidades".
Al lado derecho de la ventana nos aparecen diferentes opciones le damos clic en "Modelo" para hacer los respectivos ajustes.
Luego tenemos que cambiar las opciones como aparece en la siguiente ventana y damos clic en "CONTINUAR".
Seguidamente tenemos que hacer clic en "Opciones" para los respectivos ajustes que aparecen en la siguiente ventana:
Y finalmente damos clic en "ACEPTAR".
Resultados e interpretación:
Bondad de ajuste:
Las primeras filas representan el coeficiente de esfuerzo. Es un modelo adecuado porque tiene a ser cero, y podemos decir que el ajuste que hemos realizado esta bien.
Con respecto a la congruencia de Tucker y la dispersión explicada tienen que ser datos aproximados a 1 para ser un buen modelo con un buen ajuste. En nuestro caso si es cerca de 1, podemos concluir que el desarrollo del ejercicio está correcto.
Para el caso de la dimensión 1, apreciamos que las más relevantes son AUDI, BMW Y MERCEDES.
Para el caso de la dimensión 2, las más relevantes son DAEWOO Y HYUNDAI son las más relevantes dentro de las coordenadas.
Se pueden derivar dos sub mapas, uno para cada uno de los dos segmentos en que se ha dividido la muestra total. Para ello, sólo hay que ponderar las coordenadas de cada empresa en este mapa, por los pesos que otorga cada segmento a cada dimensión.
A medida que el ángulo(q) tiene más grados, significa que el sujeto concede más importancia al Eje vertical, sería el caso de los profesionales con menos antigüedad(S2), cuya menor veteranía se traduce en una estructura competitiva más compleja. Por el contrario, valores inferiores a los45% denotan un fuerte protagonismo del eje horizontal, sería el caso de los profesionales más antiguos(S1), cuya larga experiencia se traduce en una estructura competitiva más simple, definida esencialmente con un sólo eje.
Para un mejor análisis haremos una confirmación a través de unas preguntas de preferencias que los encuestados han proporcionad, se ha tomado en cuenta 15 preguntas para las 18 empresas de autos.
Aplicación para la confirmacion con SPSS:
Ingreso de datos:
Como primer paso introduciremos los resultados d elas 15 preguntas, y editaremos el nombre de las variables.
Procedimiento:
Una vez introducidos los datos, procederemos con el analisis, para lo cual debemos hacer clic en ANALIZAR=> ESCALA=> ESCALAMIENTO MULTIDIMENSIONAL (PREXSCAL).
Y a continuación nos aparecerá la siguiente ventana para lo cual solo debemos seleccionar las variables y pasarlas donde dice proximidades:
Al lado derecho de la ventana nos aparecen diferentes opciones le damos clic en "Modelo" para hacer los respectivos ajustes.
Seguidamente tenemos que hacer clic en "Opciones" para los respectivos ajustes que aparecen en la siguiente ventana:
Y finalmente damos clic en "ACEPTAR".
Resultados:
Se aprecia que las empresas como FIAT, FORD, están caracterizadas por brindar tecnología, clase alta, y que adema proporciona buenos componentes. Esta es un grafica donde se puede desarrollar un enorme análisis.
Conclusiones
Las técnicas de Escalamiento Multidimensional son una herramienta estadística importante para las investigaciones empíricas ya que permiten la representación gráfica de relaciones complejas.
Un vasto campo de investigación está abierto para idear mejores técnicas que permitan conseguir su objetivo esencial: lograr configuraciones de puntos cuyas inter distancias se acerquen lo más posible a las similaridades percibidas.
Referencias
http://www01.ibm.com/support/knowledgecenter/SSLVMB_21.0.0/com.ibm.spss.statistics.help/idh_alsc_opt.htm?lang=es
http://www.rubenjoserodriguez.com.ar/wpcontent/uploads/2011/06/Ayuda_SPSS-Escalamiento_Multidimensional_Tutorial_MDS.pdf
http://www.ibesinvestigacion.com/wpcontent/uploads/2012/04/Escalamiento-multidimensional.-Gonzalo-Adan.pdf
Autor:
Mayta, Judith
Torres, José
Atencio, William
Cabrera, Edgar
Ticona, Alejandro
presentado a:
Dr. Humberto Espada Sánchez
Diseño experimental
tacna – 2014
UNIVERSIDAD NACIONAL "JORGE BASADRE GROHMANN"
Análisis Multidimensional
