Escolar Documentos
Profissional Documentos
Cultura Documentos
Ejemplo
En nuestro caso, para cada factor las variables más correlacionadas son:
Factor 1
V15 Respuestas ingeniosas y completas 0.99312
V11 Parece seguro de sí mismo 0.98688
V14 Docto en la materia. Desarrolla la asignatura con sentido crítico 0.98011
V19 Buena dicción, plenamente audible 0.95817
V20 Sabe controlar la situación con facilidad, sin nerviosismo 0.95562
Factor 2
V18 Sabe apreciar los esfuerzos realizados por el estudiante 0.97943
V17 Es tolerante con los errores de los estudiantes 0.97748
V1 Trata a todos los estudiantes aproximadamente igual 0.93613
V4 Muestra interés por los problemas y las necesidades de los estudiantes 0.92972
V3 Próximo, cercano a los estudiantes 0.91928
V5 Posee un carácter agradable 0.91325
A la vista de las variables que constituyen cada uno de los factores, vemos que el factor 1
tiene relación con aspectos referentes a la calidad docente de los profesores, y el factor 2,
con aspectos referentes a la calidad humana de los profesores. De esta manera, podríamos
bautizar el factor 1 como “buen profesor” y el factor 2 como “buena persona”.
Los resultados del estudio se presentan en forma de una tabla de contingencia o corres-
pondencias:
Totales
Emp. 1 Emp. 2 Emp. 3 Emp. 4 Emp. 5 Emp. 6 Emp. 7 Emp. 8 Emp. 9
fila
Totales columna 125 132 137 143 175 164 108 123 211 1.318
(*) 16 clientes han asociado el atributo “mejores precios o descuentos” a la empresa 1.
FUOC • P01/71039/00748 76 Investigación descriptiva: análisis de información
Una tabla como la del ejemplo anterior es difícil de interpretar (sobre todo en
el caso de que contenga un gran número de filas y columnas); la lectura puede
llevarse a cabo en función de las filas (en nuestro ejemplo, atributos) o de las
columnas (empresas).
2) Analizando el mismo valor 53, esta vez respecto del resto de los valores
de la misma fila, observamos que es la asociación más alta. Podemos pensar
que la empresa 9 se diferencia del resto por una mejor asociación en el atri-
buto “variedad de marcas”. Sin embargo, al igual que en el caso anterior,
eso sólo es así si el total 211 (“total columna”) no es muy elevado en rela-
ción con los otros totales de las otras columnas; ya que, en caso contrario,
es la empresa la que tiene en general fuertes asociaciones en el conjunto de
los atributos. En este caso, es la empresa 9 la que obtiene, en general, aso-
ciaciones elevadas en el conjunto de los atributos. Así, la afirmación ante-
rior sobre la estrecha relación entre el atributo “variedad de marcas” y la
empresa 9 debe relativizarse.
Además, si por auténtica mala suerte hemos elegido de entre los atributos
utilizados algunos que desde el punto de vista de los entrevistados tienen
significados próximos o bien efectos de causalidad entre sí, encontramos
fuertes correlaciones. Si no somos conscientes de estas correlaciones, pode-
mos pensar que una empresa determinada se ha asociado a numerosos atri-
butos sin darnos cuenta de que este resultado se debe únicamente a la
semejanza entre atributos.
Para evitar todos estos posibles errores de interpretación que hemos señalado,
hay que llevar a cabo un tratamiento del conjunto de datos de la tabla. Un tra-
tamiento de este tipo es el que nos permite efectuar el análisis de correspon-
dencias.
FUOC • P01/71039/00748 77 Investigación descriptiva: análisis de información
La metodología del ACOR es análoga a la del ACP, pero con unas particulari-
dades determinadas que están relacionadas con la especificidad del problema:
1) En este caso, los datos de base son una tabla de contingencias o correspon-
dencias entre dos variables I (atributos) y J (empresas), en las cuales el conjun-
to de las filas es de I modalidades, y el de las columnas, de J modalidades; es
decir, los datos de partida se presentan en forma de una matriz I × J:
Ejemplo
Emp. 1 Emp. 2 Emp. 3 Emp. 4 Emp. 5 Emp. 6 Emp. 7 Emp. 8 Emp. 9 Marginales
Precios o descuentos .087(*) .093 .098 .104 .087 .246 .082 .104 .098 1.000
Variedad de marcas .046 .086 .103 .098 .155 .115 .011 .080 .305 1.000
Rapidez de entrega .103 .103 .118 .108 .149 .103 .092 .097 .128 1.000
Información técnica .070 .082 .076 .108 .127 .101 .095 .063 .278 1.000
Trato del personal .123 .110 .110 .096 .132 .114 .105 .096 .114 1.000
Condiciones de pago .106 .106 .101 .121 .136 .111 .091 .106 .121 1.000
Facilidad de acceso .115 .115 .115 .126 .143 .082 .088 .099 .115 1.000
Marginales .095 .100 .104 .108 .133 .124 .082 .093 .160 1.000
(*) Del total de individuos que han asociado el atributo “mejores precios o descuentos” a alguna empresa, el 8,7% lo ha asociado a la empresa 1.
Ejemplo
Emp. 1 Emp. 2 Emp. 3 Emp. 4 Emp. 5 Emp. 6 Emp. 7 Emp. 8 Emp. 9 Marginales
Precios o descuentos .128(*) .129 .131 .133 .091 .274 .139 .154 .085 .139
Variedad de marcas .064 .114 .131 .119 .154 .122 .019 .114 .251 .132
Rapidez de entrega .160 .152 .168 .147 .166 .122 .167 .154 .118 .148
Información técnica .088 .098 .088 .119 .114 .098 .139 .081 .209 .120
Tratamiento del
personal .224 .189 .182 .154 .171 .159 .222 .179 .123 .173
Condiciones de pago .168 .159 .146 .168 .154 .134 .167 .171 .114 .150
Facilidad de acceso .168 .159 .153 .161 .149 .091 .148 .146 .100 .138
Marginales 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
(*) Del total de individuos que han asociado algún atributo a la empresa 1, el 12,8% le ha asociado el atributo “mejores precios o descuentos”.
De este modo, se obtienen dos nubes de puntos. Sin embargo, mientras que
en la matriz inicial de datos cada categoría estaba afectada por el mismo
peso, en el ACOR cada categoría está afectada por un peso determinado: Xi
está afectado por el peso del total fila e Yj está afectado por el peso del total
columna.
Etapa 5: determinación del número de ejes factoriales que hay que conservar
En nuestro ejemplo,...
Hay una gran cantidad de reglas y criterios para determinar cuál es el número
de ejes factoriales que tenemos que conservar para el análisis final de la infor-
mación obtenida. Los más habituales coinciden con los utilizados en la selec- Podéis consultar el subapartado 4.1,
relativo al análisis factorial de
componentes principales.
ción de factores que se deben retener en el ACP.
Ejemplo
En nuestro ejemplo, una vez extraídos los factores, la varianza explicada por cada uno es
la siguiente:
Factores extraídos.
En nuestro caso, si nos fijamos el criterio de una restitución mínima del 90% de la in-
formación, nos quedaríamos con los dos primeros factores.
En el caso de que lo que se pretenda sea interpretar los ejes factoriales, se puede Un poco más adelante se profundiza
en la contribución absoluta y se
muestran en una tabla las contribuciones
utilizar la misma metodología que en el ACP, pero observando cómo contri- absolutas de nuestro ejemplo a la
formación de los dos primeros ejes.
buye cada atributo en la formación del eje, es decir, lo que se denomina con-
tribución absoluta. Los atributos con más contribución serían los utilizados
para dar nombre a los ejes.
La simetría entre los ejes factoriales extraídos de las nubes de puntos (atri-
butos y empresas) permite utilizar para la interpretación las proximidades
que se observen entre elementos de I y de J, ya que el problema de escalas
diferentes (individuos/variables, en nuestro ejemplo atributos/empresas)
ha desaparecido. La proximidad entre un punto i de I y un punto j de J nos
permite llegar a la conclusión de que hay una fuerte relación entre estos
dos puntos, teniendo en cuenta, como veremos más adelante, la calidad de
su representación.
FUOC • P01/71039/00748 82 Investigación descriptiva: análisis de información
Ejemplo
1) Proximidad entre dos atributos: cuando dos atributos están próximos, por
ejemplo “mejor trato del personal” y “mejor rapidez de entrega”, podemos con-
cluir que tienen perfiles parecidos, es decir, que las asociaciones de empresas a
estos dos atributos son similares y, por lo tanto, están fuertemente intercorrela-
cionados. Al contrario, “más facilidad de acceso” y “más variedad de marcas”
tienen perfiles muy diferentes.
Ejemplo
Ejemplo
En nuestro ejemplo, la empresa 4 se encuentra proyectada cerca del origen y, por lo tan-
to, podríamos decir que se comporta como la media de las empresas.
Podemos concluir, por lo tanto, que cuanto más se aleja un elemento del ori-
gen, más aumenta su poder descriptivo.
Ejemplo
Ejemplo
En nuestro ejemplo, las contribuciones absolutas de los diferentes elementos, tanto atri-
butos como empresas, a la formación de los dos primeros factores fueron las siguientes:
F1 F2 F1 F2
Empresa 1 9.5 5.9 Mejores precios o descuentos 10.8 72.1
Empresa 2 1.3 1.7 Más variedad de marcas 52.9 2.7
Empresa 3 .6 .9 Más rapidez de entrega 1.7 5.0
Empresa 4 .2 .7 Mejor información técnica 20.7 .1
Empresa 5 1.2 8.2 Mejor trato del personal 7.6 3.7
Empresa 6 3.5 78.5 Mejores condiciones de pago 3.2 2.3
Empresa 7 10.1 3.8 Mayor facilidad de acceso 3.2 13.9
Empresa 8 2.6 .0
Empresa 9 71.0 .2
Contribuciones absolutas.
FUOC • P01/71039/00748 84 Investigación descriptiva: análisis de información
Observamos que la empresa 9 y los atributos “más variedad de marcas” y “mejor infor-
mación técnica” son los elementos que contribuyen más a la formación del factor F1.
Efectivamente, si observamos la representación gráfica anterior, estos tres elementos se
diferencian mucho del resto de los atributos y empresas en este factor. En cuanto al factor
F2, son la empresa 6 y el atributo “mejores precios o descuentos” los que obtienen unos
índices de contribución absoluta más elevados, y se diferencian claramente del resto de
los elementos en este factor.
Para el resto de las empresas y atributos, los índices de contribución absoluta son bajos, tanto
en el factor F1 como en el factor F2, lo cual implica que contribuyen poco a su formación y,
en consecuencia, no están tan bien representados en estos ejes. En el mapa se concentran de
forma indiferenciada en el cuadrante superior izquierdo. Para encontrar diferencias entre es-
tos elementos, la etapa siguiente consiste en analizar sus contribuciones absolutas con el res-
to de los factores extraídos. En nuestro ejemplo, eso no tiene mucho sentido, ya que los
cuatro factores restantes sólo contienen el 8,89% de la información.
Basándonos en el hecho de que para la aplicación del ACOR sólo hace falta
disponer de una tabla de números no negativos, es evidente que sus posibili-
dades de aplicación en investigación de mercados son muy numerosas.
Ejemplo