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
