Escalas de Medición y Técnicas Estadísticas: Un Resumen Completo

Clasificación (identificar): se hace recuento de respuestas/Esquema de codificación – los números son etiquetas que permiten identificar y clasificar objetos/No tienen valor matemático/Operaciones: frecuencias, porcentajes, moda

Ej. Sexo – 1 =”masculino” / 2 = “femenino”

Clasificación + Orden: además de contar se puede ordenar/Clasifica los objetos medidos siguiendo un orden/Operaciones: percentiles, mediana

Ej. Ordenar según preferencias: Marca A (3) / Marca B (1) / Marca C (2)

Proporciona info de la clasificación, orden, distancia y proporcionalidad/La distancia entre los valores de la escala son iguales. Se puede establecer la magnitud de la diferencia/Operaciones: media, desviación típica.

Ej. ¿Cuántos envases de zumo compró en el último mes?: Marca A (10) / Marca B (0) / Marca C (5)

En función de: el nº de variables analizadas al mismo tiempo y la escala de medición utilizada.

• Análisis Univariante: análisis de 1 variable. Cada una es analizada de forma aislada (Frecuencias, %, media, mediana, moda, desviación típica, rango, percentiles, apuntamiento y curtosis)

  *Distribución de Frecuencias: V. no métrica (tablas de frecuencia, gráficos de barras y sectores) / V. métrica (tablas de frecuencia e histogramas)

• Bivariante: análisis de 2 variables simultáneamente (Tablas de contingencias - Chi, correlación, análisis regresión lineal simple, anova)

  *2 variables no métricas: Tablas de contingencias y Chi2/*2 variables métricas: Gráfico de dispersión, coeficiente de correlación y regresión lineal simple/*1 métrica y 1 no métrica: (ANOVA)

  - v. dependiente (métrica) / v. interdependiente (no métrica)

• Multivariante: análisis de más de dos variables simultáneamente (métodos de dependencia e interdependencia)

Analizan la información proporcionada por un gran número de variables y se investiga si tienen un número pequeño de factores en común que expliquen su inter correlación.

Estos modelos combinarán las variables buscando elementos comunes y eliminando las redundancias.

Objetivo: Identificar, a partir de una muestra en la que se han tomado observaciones en un conjunto de p variables, otro de m variables no observables directamente (m<p), de tal forma que: mínimo de información posible perdida/solución fácilmente interpretable.

Usos: Reducción de datos. reducir una gran cantidad de datos a un nivel manejable./Construcción de índices. Para la comparación de temas a lo largo del tiempo. Problema: ponderación de las variables que se combinan. Este divide las variables en factores independientes y proporciona las ponderaciones a utilizar para cada variable/Transformación de datos se identifican factores independientes que luego puedan usarse como datos de entrada en el método de dependencia.

Proceso de decisión:

1. Evaluación de lo apropiado de aplicarlo

   *MATRIZ CORRELACIONES: si coeficiente de correlación es grande en valor absoluto y el determinante de la matriz pequeño, las variables estarán muy correlacionadas. Antes, hay que verificar que las correlaciones son significativamente distintas de cero:

   - Test de esfericidad de Bartlett nos deja probar la hipótesis nula: Ho: /R/ = 1 debería ser rechazada (p-valor < 0,05)

   - Kaiser-Meyer-Olkin (KMO): compara la magnitud de los coeficientes de correlación simple con los de parcial para el conjunto de las variables. Valores pequeños (KMO < 0,5) indican que las correlaciones entre variables no pueden ser explicadas por otras variables y el AF no es apropiado.

   REQUISITOS (RESUMEN DOS PUNTOS ANTERIORES)

   -Los coeficientes r-Pearson son grandes en valor absoluto./El determinante de la Matriz de Correlaciones pequeño. /Rechazamos el test de esfericidad de Bartlett./El valor del índice KMO superior a 0,5*.

2. Extracción de los factores comunes:

   Reducir datos mediante la construcción de un nuevo conjunto de variables. Estas nuevas variables, factores, se definen como transformaciones matemáticas a partir de las v. originales. Estos factores son independientes entre sí.

   Extracción de Factores: análisis de componentes principales

   DETERMINAR Nº de factores a conservar:

   – Manual: al tener análisis previos el investigador puede especificar el nº

   – KAISER: se seleccionan aquellos cuyos autovalores asociados sean mayor que 1 (mejores combinaciones)

   *vamos a intentar que la variabilidad total del sistema sea mayor a 60%

3. Rotación de los factores

   Los coeficientes grandes en valor absoluto indican que el Factor y la variable están muy correlacionados entre sí.

   La Matriz Factorial inicial o sin rotar raramente nos dará una idea clara del patrón de comportamiento de las variables por lo que haremos una rotación de ella, para simplificar la estructura y obtener una solución más sencilla de interpretar.

   Principio de Estructura Simple

   Rotación ortogonal o Varimax

4. Interpretación de los factores: interpretaremos los factores en función de las variables que presentan saturaciones altas.

5. Nivel de ajuste del AF:Las diferencias entre las correlaciones originales y las correlaciones reproducidas (correlaciones estimadas creadas a partir de las correlaciones entre las variables originales) por el modelo factorial pueden ser examinadas para determinar la bondad del ajuste del modelo. Estas diferencias se denominan residuos.

   “Debemos obtener un % de residuos mayores en valor absoluto a 0.05 pequeño, menor de un 45% para que el ajuste del modelo sea aceptable”.

Técnica que muestra de un modo gráfico la asociación entre dos conjuntos de variables nominales

Objetivo: descubrir afinidades entre dos conjuntos de variables estudiando de un modo gráfico una estructura existente en los datos.

Usos: utilización para el estudio del posicionamiento de marcas o empresas.

Cuestiones claves:

1. Datos de entrada Se pregunta a los entrevistados que “atributos de imagen de marca” asocian con cada una de las distintas “marcas” objeto de estudio.

2. Evaluación: las variables recogidas en la Tabla de Contingencia deben de estar relacionadas. Al estar en escala nominal, usamos el estadístico Chi2 para medir si existe o no relación entre las variables (asociación). Hipótesis nula:

   H0: No hay asociación entre las variables (independencia entre filas y columnas)

   Si el p-valor asociado al Chi2 es < 0,05 rechazaremos la hipótesis nula (la asociación entre las variables es estadísticamente significativa)

3. Interpretación de los resultados Los resultados se interpretan en función de la distancia entre las filas y columnas

   - Los puntos que están próximos entre sí son aspectos percibidos de forma similar por los encuestados/ Los ejes horizontal y vertical serán aquellos que se posicionan cerca de los mismos y en los extremos (alejados del origen de coord.)

Objetivo: obtener una representación gráfica (bidimensional), que nos permita comprender cómo los individuos perciben un conjunto de objetos (ej. Marcas). Los objetos se representan como puntos y la proximidad entre ellos refleja su grado de similitud. A grandes rasgos, similar al Análisis (en la forma de recoger la información)

Como se trabaja: se pregunta a los entrevistados por como de similares perciben un conjunto de objetos. Los entrevistados puntúan todos los pares de objetos, marcas o estímulos en términos de su similitud en una escala ordinal de Likert. Sobre los juicios de similitud se obtiene una matriz simétrica global de la que se parte para realizar el análisis.

-Ventajas:El investigador no tiene que preocuparse por definir el set de atributos que caracteriza las marcas de la categoría. -Los encuestados realizan los juicios de similitud de acuerdo con su propio criterio interno, como en una circunstancia real.

•Desventaja: el criterio de decisión se ve afectado por el set de marcas evaluado.

-Ventajas: Es más sencillo identificar a los consumidores con percepciones homogéneas

-Es más fácil para el investigador etiquetar las dimensiones sobre las que se representa los objetos.

•Desventaja: El investigador tiene que identificar el conjunto de atributos relevantes. Esto puede condicionar el mapa de representación.

Etapas del proceso de INVESTIGACIÓN COMERCIAL

• Definir el problema de Marketing a investigar y objetivos a cubrir
• Hacer el diseño de la investigación
• Recoger información
• Análisis de los resultados obtenidos
• Elaboración del informe y presentación de resultados

*Cuando se ha completado el trabajo de campo, el investigador ha de iniciar las tareas de preparación

Objetivo: es valorar las necesidades de la información existente dando así la relevante de manera sistemática y objetiva, permitiendo mejorar la toma de decisiones de Marketing.

La información viene dada de las respuestas de los cuestionarios utilizados en este tipo de investigaciones de carácter cualitativo (encuestas)

Recopilación de datos/ preparación/ análisis estadístico/ presentación resultados/ toma de decisiones de mk.

Características:

R (reconocimiento de las necesidades de información)

E (decisiones de marketing eficaces)

S (sistemático y objetivo)

E (difundir información)

A (análisis de la información)

R (recomendaciones para la acción)

C (recopilación de información)

H (útil para los administradores)

-Acciones de Mk: publicidad, promoción, patrocinio, lanzamiento de nuevos productos

-Medidas suaves (intermedios): notoriedad de marca, consideración, intención de compra, imagen de marca

-Medidas fuertes (outcomes): ventas, cuota de mercado, beneficios, descargas, reclamaciones

Elección de la Estrategia de Análisis de Datos

El análisis de datos sirve para producir información para la toma de decisiones ayudando a resolver el problema planteado.

La elección de la estrategia depende de:

1. Las etapas iniciales del proceso: definición del problema y diseño metodológico
2. Las características de los datos: escala de medición empleada.
3. Las propiedades de las técnicas: estas se utilizan para resumir la información contenida en una variable estudiar las relaciones entre variables y realizar predicciones
4. La experiencia del investigador

Con la Investigación Comercial se pretende obtener información sobre los parámetros o características de una población:

Población: conjunto de los elementos de los cuales se quiere obtener cierta información. La información sobre los parámetros poblacionales puede ser obtenida por:

• Censo: completa enumeración de los elementos de la población. Los parámetros se calculan directamente
• Muestra: subgrupo de elementos de la población seleccionados para participar en el estudio del mercado. Los estadísticos se utilizan para realizar inferencias de los parámetros.

Estadística Descriptiva

Permite describir la muestra. Las técnicas descriptivas son las primeras que se utilizan en cualquier análisis de datos. Esta estadística nos permite resumir la información contenida en las variables objeto de estudio mediante: Herramientas gráficas (gráficas circulares, barras o histogramas) y numéricas (media, mediana, moda, rango)

Se utiliza cuando queremos sacar conclusiones sobre el comportamiento de la población basándonos en información sacada de la muestra. Esta estadística nos permite realizar conclusiones sobre la población a partir de los datos muestrales.