Sobre el modelo:

Codificacin de variables:
Si= 1, No=0
Vidrio=1 , platico = 2
Variable dependiente (Likert) :

3,4,5 = 1

1,2=0

La muestra fue de 309 encuestados (observaciones)

Se asume un nivel de significancia (alfa) de 10%, debido a que el internet
an sigue siendo un medio de recoleccin de datos que puede aportar
sesgabilidad considerable (diferencia entre la representatividad de la
poblacin y la muestra). Significa que hay diferencias entre las
respuestas que deberan ser y las que obtuvimos con nuestra muestra.

Notas:
El anlisis factorial no pudo utilizarse como modelo, porque los datos de
percepcin que tenemos en escala de lickert tienen problemas de
correlacin cuando van juntos. Igual, hice el modelo y lo deje hasta donde
indico que no se puede, como un adicional.
El anlisis de conglomerados no se puede hacer porque tenemos pocas
variables en escala de lickert, es muy tarde para crear ms, si ustedes la
crean para los 309 encuestados, yo corro el modelo con conglomerados.
El anlisis multidimensional esta imposible hacerlo porque no tenemos
variables de comparacin directa y evaluacin de estas, como esta en el
ejemplo de dentrficos que comparan todas las marcas y ponen una escala
de cuan semajantes son o cual prefieren entre las dos. Se puede crear data,
pero creo que tomara demasiado tiempo y creo que nos estaramos
desviando del tema de percepcin porque estaramos hablando de la
comparacin entre dos marcas y nuestro objetivo no va por ah.
Si leen todo el Word, lo entendern, lo hice por pasos y cada paso con
explicacin. Por si acaso, se supone que solo escogemos un modelo de
anlisis para nuestra data, pero yo hice 2 y un adicional, de los 5 que
existen. As que yo creo que estamos bien.

Anlisis logit
El modelo logit binario por lo comn trata el problema de qu tan probable
es que una observacin pertenezca a cada grupo. Calcula la probabilidad de
que una observacin pertenezca a un grupo especfico
La variable independiente (percepcin) tiene que ser una variable binaria y
las variables dependientes (influencia del sabor y estacionalidad) se
muestran en escala del 1 al 5 (Likert). Como la variable independiente no
tiene ms de dos categoras, no es un modelo logit multinomial. El modelo
Logit calcula los errores estndar de los coeficientes, por lo tanto se puede
evaluar la significancia de cada variable.

Resultados del modelo logit binario:

Codificacin de la variable dependiente:
Mala percepcin de las bebidas carbonatadas: 0
Buena percepcin de las bebidas carbonatadas: 1

Como podemos observar, en la tabla de clasificacin, son 84 personas que

tienen una percepcin mala acerca de las bebidas carbonatadas y 225
personas que opinan lo contrario.

Para la significancia del modelo:

H0: =0
H1: 0

Sig. < RH0

La categora sabor pasa la prueba de significancia a diferencia de la variable

estacionalidad. Esto quiere decir que, la variable estacionalidad no
contribuye significativamente al modelo. Esto puede deberse a que existe
mucha variabilidad en las respuestas y puede verse reflejado en los errores
estndar.
La ecuacin de regresin es:

P=0.432+0.219 sabor0.111 estacionalidad

Donde:

P: La probabilidad de que sea influyente en la percepcin de las bebidas

carbonatas
Luego de obtener la estimacin de la ecuacin de la regresin logstica,
podemos calcular la probabilidad de influencia del sabor y estacionalidad en
la percepcin que el pblico tiene sobre esta.
La probabilidad estimada de que una consideracin alta (nivel=5 en Likert)
del sabor y la estacionalidad influyan en la percepcin positiva de las
gaseosas, y por ende, indirectamente en el consumo es de 72.55179607%.
Cuando x=5.
Frmula de probabilidad logit:

Anlisis discriminante
Es un modelo para analizar los datos, cuando la variable dependiente o de
criterio es categrica, y las variables independientes estn en intervalos
(Likert). Por ejemplo, la variable dependiente sera la eleccin de una marca
de computadora personal (marca A, B o C); y las variables independientes,
las calificaciones de los atributos de las computadoras personales en una
escala Likert de 7 puntos.
Formulacin del problema:
En medida de la percepcin, ya sea positiva o negativa de las bebidas
carbonatas, se busca conocer si existen grupos que diferencien la
importancia del sabor, estacionalidad, precio y edad en la preferencia. As
mismo, comprobar si estas variables son significativas para el modelo,
reforzando la idea de medir la percepcin de la poblacin sobre las bebidas
gaseosas.
Se utiliz como variable dependiente a la percepcin sobre las bebidas
carbonatas, en primera instancia era una variable de intervalo, luego se
codific (1, 2= 0 y 3, 4, 5= 1) para formar una variable categrica que se
pueda utilizar como discriminante.

Grafica de resultados:

Es esta tabla se pueden observar las medias y desviaciones de cada

variable dependiente.
Personas encuestadas con percepcin negativa acerca de las bebidas
carbonatadas:

La edad promedio es 20.33

El precio mximo en promedio que estn dispuestos a gastar es 2.07
soles
En una escala del 1 al 5, la importancia promedio del sabor es de 4
En una escala del 1 al 5, la influencia promedio de la estacionalidad
es de 3.87
Las desviaciones se muestran por cada categora.

Personas encuestadas con percepcin positiva acerca de las bebidas

carbonatadas:

La edad promedio es 20.48

El precio mximo en promedio que estn dispuestos a gastar es 2.10
soles
En una escala del 1 al 5, la importancia promedio del sabor es de 3.73

En una escala del 1 al 5, la influencia promedio de la estacionalidad

es de 3.60
Las desviaciones se muestran por cada categora

Se puede observar una disminucin del promedio de la importancia del

sabor para las personas que tienen una percepcin positiva de las gaseosas
frente a los que no la tienen. Esto puede deberse, a que las personas que no
consumen bebidas carbonatas deben tener como requisito primordial el
sabor para poder consumir gaseosas en algn momento dado, es por eso
que tienen mayores expectativas sobre el sabor si se decide comprar una
bebida carbonatada.
Matriz de correlaciones:

Se observa que no existe multicolinealidad con ninguna de las variables

dentro del modelo, por lo tanto pueden ir juntas en la regresin.

Probando la significancia del modelo:

H0: Las medias de las funciones discriminantes en todos los grupos son
iguales

H1: Las medias de las funciones discriminantes en todos los grupos no son
iguales
Sig. > RH0

-> 3.094 > 0.10

Se rechaza la hiptesis nula de que las medias de las discriminantes son

todas iguales. Se comprueba una discriminacin significativa del modelo.
Diferencia o igualdad entre las medias por cada variable:

Las lambdas de Wilks son la suma de los cuadrados intragrupo y la suma

total de los cuadrados. Varan entre 0 y 1. Si el valor se acerca a 1 se afirma
que no existe diferencia entre las medias del grupo. Por lo tanto, podemos
observar que todas las variables se encuentran con medias diferenciadas,
aportan significativamente al modelo.

Resultados de clasificacin:

En la tabla de grupos de pertenencia pronosticados se puede observar que,

son las personas con percepcin positiva (151) las que les dan ms
importancia a variables como el sabor, estacionalidad y el precio de las
bebidas carbonatadas. Este grupo es conformado por el 67.1% de los
encuestados frente al 32.9% de las personas que, a pesar de que tienen
buena percepcin sobre las gaseosas, no les dan mucha importancia a las
variables de calificacin.
Interpretacin de los resultados:
El anlisis discriminante desarrolla que, efectivamente, existen grupos que
discriminan la importancia de las variables sabor, precio, estacionalidad y
edad al momento de elegir su percepcin acerca de las bebidas gaseosas.
Fuera de lo esperado, se puede observar que no slo las personas que
tienen buena percepcin discriminan las variables, sino tambin, y con
mayor expectativas, las personas que tienen una percepcin negativa de las
gaseosas. Esto se refleja al momento de tomar la decisin si es que van a
consumir o no bebidas carbonatadas, es por eso que tienen un nivel de
exigencia mayor, y por ende se refleja en sus resultados.

Adicional:
Anlisis Factorial
Es un tipo de anlisis que se utiliza con el objetivo de detallar el
comportamiento de los datos de las variables que sobresalen dentro de un
conjunto o grupo. Este modelo omite la distincin entre variable
dependiente y variables independientes. Es por ello que, desarrollan un
comportamiento sin correlacin entre sus puntuaciones y sobresalen entre
los grupos pequeos.
Planteamiento del problema:
A. Objetivos del anlisis factorial
Identificar nuevos grupos de variables que sobresalen dentro del
modelo
Evaluar la importancia o influencia de estos grupos hacia la
percepcin que se tiene sobre las bebidas carbonatadas
Comprobar la influencia de las variables sobresalientes en el modelo

B. Variables incluidas dentro de la investigacin:

Importancia del sabor de las bebidas
Influencia de la estacionalidad para el consumo de bebidas

C. Matriz de correlaciones:

La matriz de correlaciones muestra que los datos no estn correlacionados,

no existe multicolinealidad.
Resultados del anlisis factorial:

H0: La matriz de correlacin es una matriz de identidad

H1: La matriz de correlacin no es una matriz de Sig. < RH0
La prueba chi cuadrado da como resultado 0.867 con 1 grado de libertad, no
es
significativa a un nivel de 0.10, por lo tanto no se rechaza
la hiptesis nula de que la matriz de correlaciones es una matriz de
identidad. Es decir, las variables no se relacionan con las dems pero s con
ellas perfectamente. Por lo tanto, no es posible utilizar el anlisis factorial
como una tcnica adecuada para el objetivo.