Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1. INTRODUCCIN
Por ltimo, se presentan algunas conclusiones.
El anlisis factorial es una tcnica utilizada para
descubrir agrupaciones de variables de tal forma que las 2. MODELO MATEMTICO DEL ANLISIS
variables de cada grupo estn altamente correlacionadas, FACTORIAL
y los grupos estn relativamente incorrelacionados. De
este modo se consigue reducir un nmero de variables El modelo matemtico del AF supone que cada una de
intercorrelacionadas a un nmero inferior de factores no las p variables observadas es funcin de un nmero m
correlacionados, que permiten explicar la mayor parte de factores comunes (m < p) ms un factor especfico o
variabilidad de cada una de las variables. nico. Tanto los factores comunes como los especficos
no son observables y su determinacin e interpretacin es
El tratamiento estadstico de los datos se ha realizado con el resultado del AF.
el programa estadstico SPSS tomando como referencia
algunos libros guas que abordan el estudio del mercado a Analticamente, supondremos un total de p variables
travs de las tcnicas multivariadas (Ver bibliografa). Se observables tipificadas y la existencia de m factores
ha organizado el trabajo introduciendo en primer lugar comunes. El modelo se define de la siguiente forma:
las variables de trabajo escogidas. A continuacin X1 = l11 F1 + l12 F2 + l1m Fm + e1
presentamos los resultados de la tcnica factorial aplicada X2 = l21 F1 + l22 F2 + l2m Fm + e2
a los datos obtenidos de un estudio de mercado1 que ...
busca identificar la percepcin que tienen los Xp = lp1 F1 + lp2 F2 + lpm Fm + ep
consumidores acerca de las distintas cadenas de
supermercados de las ciudades de Pereira y que podemos expresar de forma matricial como: X = Lf + e
Dosquebradas2 (en el Departamento de Risaralda). donde:
1
X es el vector de las variables originales.
El estudio que se menciona corresponde a un trabajo de asignatura de L es la matriz factorial. Recoge las cargas factoriales
varios estudiantes de Investigacin de Mercados del programa
Administracin Industrial de la Escuela de Tecnologa Industrial de la (saturaciones).
Universidad Tecnolgica de Pereira, segundo periodo del ao 2006. En lih es la correlacin entre la variable j y el factor h.
este trabajo no se aplic la tcnica del anlisis multivariado que aqu f es el vector de factores comunes.
presentamos. Es de aclarar que los resultados que aqu se presentan son
concluyentes para este caso concreto y no son generales.
e es el vector de factores nicos.
2
Los supermercados estudiados fueron los siguientes: OLMPICA, Como tanto los factores comunes como los especficos
XITO, LEY, LA 14, CARREFUR, CAFAM, MERCAMS, EL
AHORRO (hoy TLC Supermercado), COMFAMILIAR, MACRO, LA
son variables hipotticas, supondremos, para simplificar
CANASTA. el problema, que:
Fecha de recepcin: 03 Mayo de 2007
Fecha de Aceptacin: 17 Julio de 2007
282 Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira.
a. Los factores comunes son variables con media cero y El objetivo del AF ser, por tanto, obtener los factores
varianza 1. Adems se suponen incorrelacionados comunes de modo que expliquen una buena parte de la
entre s. variabilidad total de las variables.
4.3. Extraccin de los factores iniciales y necesarios En la Tabla 3 se presenta la Matriz de factores8 o de
que representen a los datos originales cargas factoriales que contiene la carga de los factores,
La seleccin de los principales factores (componentes es decir, la correlacin existente entre cada variable y
principales) utilizando el mtodo de los componentes dicho factor.
principales se puede ver inicialmente a partir del figura
de sedimentacin (Figura 1). Se escogen las componentes Las cargas indican el grado de correspondencia entre la
cuyos valores propios (Autovalores) sean mayores que 1 variable y el Factor, es decir, que cargas altas indican que
(valores propios >1). En el figura se indica que se deben dicha variable es representativa para dicho factor. Por
extraer tres componentes principales que son los que ejemplo, podemos ver que la variable VARIEDAD
cumplen con el requisito sealado. (Variedad de productos) es atribuible al factor 2, debido a
que es en l que tiene una mayor carga (0,959). Para el
caso de la variable Servicio de atencin al pblico
(ATEN.PUB), sta es atribuible al factor 1 con una carga
factorial de 0,968, etc. Lo deseable, en el caso de las
cargas factoriales, es que cada variable cargara slo
sobre un factor - idealmente ms de 0,5 y ojal cercano a
1, sin embargo valores como 0,4 se considera razonable -
y el resto valores cercanos a 0.
Componente o Factores
Variables
1 2 3
Figura 1. Variedad -,114 ,959 -,176
8
Cabe sealar que en la matriz de factores las columnas representan
factores, y las filas contienen las cargas de las variables en cada factor.
286 Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira.
claras, por lo que no existe ambigedad en la seleccin Con estos datos presentados se forman las tres 3
de las variables por factor9. diferentes componentes principales las cuales son: Y1,
Y2, Y3. Cada componente tiene agrupadas sus respectivas
4.4. Rotacin de los Factores Iniciales variables. En la siguiente tabla se resumen las
No obstante la claridad en la carga factorial de las componentes resultantes con sus respectivas variables.
variables mostrada por la Matriz de carga de factores
(Tabla 3), resulta necesario efectuar una rotacin10 Y1 Y2 Y3
ortogonal que permitir reducir ambigedades en las X3 = Servicio de X1 = Variedad de X9 = Atractivo de
cargas factoriales de las variables y hallar una solucin atencin al pblico productos locales
X4 = Precios X2 = Limpieza X10 = Sealizacin y
ms clara. En la prctica el objetivo de los mtodos de X6 = Calidad de X5 = Calidad de distribucin interna
rotacin es simplificar filas o columnas de la matriz de Carnes y Pescados vegetales
factores para facilitar la interpretacin. X7 = Ubicacin
X8 = Disponibilidad
de estacionamientos
El mtodo de rotacin utilizado es VARIMAX que busca X11 = Tiempo de
redistribuir la varianza a lo largo de todos los demora en cajas
componentes en la matriz de carga. Con esto se Tablas 5. Componentes resultantes
simplifica el modelo y se obtienen resultados ms claros
para identificar los factores en cada componente, pues De este modo hemos reducido las once (11) variables
este mtodo aproxima las cargas altas a 1 o -1 y las originales a tres (3) factores que representan tres bloques
cargas bajas de la matriz no rotada a 0, eliminando de para el estudio de la percepcin que tienen los
esta forma, las ambigedades existentes en la matriz no consumidores sobre las distintas cadenas de
rotada. Con esta rotacin obtenemos nuevos valores y supermercados.
nuevos vectores propios y tambin diferentes porcentajes
de explicacin, pero se mantiene la variacin total de las 4.5. Puntuaciones Factoriales
tres componentes la cual es 96,829%. El anlisis factorial termina haciendo un breve anlisis de
las puntuaciones que obtienen cada una de las variables
En la Tabla 4 se muestra la matriz de carga de factores en cada uno de los dos factores extrados.
rotados (aplicando Varimax) La tabla 6 muestra la matriz de coeficientes para obtener
las puntuaciones factoriales obtenidas por cada variable.
Componente Es decir, los coeficientes que permiten expresar cada
1 2 3
Variedad -,010 ,976 ,102
factor como combinacin lineal de todas las variables.
Limpieza -,045 ,979 ,045
Aten. Pblico ,973 ,018 ,086 Componentes
Precio ,990 -,032 ,027 1 2 3
Calidad vegetales -,081 ,979 ,007 Variedad ,019 ,339 ,002
Calidad Carne ,978 -,079 -,016 Limpieza ,015 ,343 -,028
Ubicacin ,986 -,024 ,079 Aten. Pblico ,168 ,026 ,015
Estacionamiento ,990 -,030 ,037 Precio ,172 ,012 -,014
Atractivo Local ,034 ,067 ,981 Calidad Vegetales ,010 ,344 -,047
Sealizacin ,066 ,061 ,979 Calidad Carne ,170 -,003 -,034
Demora Caja ,978 -,091 -,003 Ubicacin ,170 ,012 ,013
Mtodo de extraccin: Anlisis de componentes principales. Mtodo de rotacin: Estacionamiento ,172 ,012 -,009
Normalizacin Varimax con Kaiser.a La rotacin ha convergido en 4 iteraciones. Atractivo Local -,022 -,028 ,511
Tabla 4. Matriz de componentes rotados(a) Sealizacin -,017 -,029 ,509
Demora Caja ,169 -,008 -,026
Mtodo de extraccin: Anlisis de componentes principales. Mtodo de rotacin:
Podemos observar en esta matriz una clara agrupacin de Normalizacin Varimax con Kaiser.
patrones donde prevalecen variables que definen los Tabla 6. Matriz de coeficientes para el clculo de las
factores. En este caso, las cargas factoriales de las puntuaciones en las componentes
variables mostradas por la matriz factorial no rotada y la
matriz factorial rotada coinciden dado que estas cargas 5. BIBLIOGRAFA
eran claras en la primera matriz. Por tal razn, las [1] M.Sc DANIEL, C y GATES, R. (1.999) Investigacin de
variables asignadas a cada factor a partir de la matriz de Mercados Contempornea, ITP, Madrid.
factores rotadas son las mismas que se asignaron en la [2] ABASCAL, E. y GRANDE, I. (2001): Mtodos
multivariantes para la investigacin comercial. Ariel.
matriz de factores no rotados.
Barcelona.
[3] LUQUE, T. et Al. (2000): Tcnicas de anlisis de datos en
9
En muchos casos es posible encontrar variables con ambigedad en investigaciones de mercados.Pirmide. Madrid.
cuanto a la pertenencia a uno u otro factor, pues su carga factorial puede [4] LUQUE, T. (2003): Nuevas herramientas de investigacin
ser mayor a 0.5 en varios factores, por lo que no es claro a cual
corresponde definitivamente. Estas dudas se pueden dilucidar una vez de mercados. Thomson-Civitas. Madrid.
realizada la Rotacin Varimax. [5] MATEOS-APARICIO, G. y MARTN, M. (2002): El
10 anlisis de la varianza en la investigacin comercial.
El trmino rotacin significa que los ejes de referencia de los factores
son girados alrededor del origen hasta que alguna otra posicin sea Prentice Hall. Madrid.
alcanzada.