Presentación
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
FACULTAD DE ECONOMÍA Y PLANIFICACIÓN
DEPARTAMENTO ACADÉMICO DE ESTADÍSTICA E INFORMÁTICA
Curso: Técnicas Multivariadas
Tema: Aplicación de Análisis Factorial en R : Actitud de los consumidores ante diversos comportamientos de compra
Profesor: Jesús Salinas
Integrantes:
| Apellidos y Nombres | Correos institucionales |
|---|---|
| Gamboa Pizán, Maritza Elizabeth | 20180260@lamolina.edu.pe |
| Llalle Correa, Danixa Pierina | 20180263@lamolina.edu.pe |
| Montoya Toribio, Jenny Antonella | 20040987@lamolina.edu.pe |
| Olivas Sanchez, María Valentina | 20180268@lamolina.edu.pe |
El presente estudio es del libro Técnicas multivariantes de interdependencia del autor Vidal Diaz de Rada -capítulo III,pp. 95-159
Introducción
El análisis del comportamiento del consumidor es el estudio de cómo los individuos, los grupos y las organizaciones eligen, compran, usan y se deshacen de bienes, servicios, ideas o experiencias para satisfacer sus necesidades y deseos. Debido a ello,desde hace muchos años en España existen diversos estudios que apuntan a una serie de tendencias,que se mostraba los procesos económicos como el ahorro en una fuerte actitud y una actitud negativa hacia rebajas y promociones.Sin embargo ,las tipologias de un consumidor fueron cambiando en la década de los ochenta,el cual se establecieron cuatro tipos de consumidores:económico,innovador,hedonista y que compra a plazos también en el año 1987 se separó en 5 factores:Economía,Control de tiempo,Imagen y marquismo,Variedad de opciones y Racionalidad. De esta manera ,en el presente análisis se presentará una investigación sobre hábitos de consumo que fue extraído de una provincia limítrofe en Navarra alrededor de medio millón de habitantes.
Objetivo
El objetivo principal es conocer las actitudes y comportamientos de los consumidores mediante el análisis factorial con el fin de elaborar en un segundo momento una tipología de los consumidores en un entorno social determinado.
Presentación de variables
| Variables | Categoria |
|---|---|
| Me gusta vestir a la moda | Numérico |
| Procuro ir siempre bien vestido,porque para mi es muy importante la impresión que doy a los demás | Numérico |
| Me molesta ver a alguien con ropa igual que la mia | Numérico |
| Cuando compro algun producto para mi casa lo hago pensando únicamente en que va a hacerme la vida mas agradable | Numérico |
| El coche es un objeto que indica el prestigio de quien lo lleva | Numérico |
| La gente compra productos en consonancia con el ambiente social en el que vive | Numérico |
| Me gusta “invertir” en una casa elegante,ya que dice mucho de los que en ella vive | Numérico |
| Los bienes que poseo(casa,coche,etc) únicamente son importantess porque mejoran mi calidad de vida | Numérico |
| Normalmente decido sobre la marcha lo que compro | Numérico |
| Cuando compro doy más importancia a la calidad que a los precios | Numérico |
| Me gusta acompañar a alguien que va de compras | Numérico |
| Las diferencias entre unas marcas y otras se notan mucho,la marca es una garantía | Numérico |
| Es frecuente que compre cosas que no tenia pensadas | Numérico |
| Creo que es preferible no ahorrar y vivir mejor | Numérico |
| Me gusta conocer tiendas nuevas | Numérico |
Lectura de Datos
Para limpiar el workspace, por si hubiera algún dataset o información cargada
rm(list = ls())
graphics.off()
# Otras opciones
options(scipen = 999) # Eliminar la notación científica
options(digits = 3) # Número de decimaleslibrary(pacman)
p_load(readxl,GGally,dplyr,ggplot2,corrplot,psych)
data.tf<-read_xlsx("datatf.xlsx")Dimensión de la data
dim(data.tf) ## [1] 736 21Vemos que en la data hay 736 datos y 21 variables
Estructura de la Data
str(data.tf)## tibble [736 × 21] (S3: tbl_df/tbl/data.frame)
## $ CUEST : num [1:736] 1 2 3 4 5 6 7 8 9 10 ...
## $ V10 : num [1:736] 5 4 6 1 1 4 2 5 7 6 ...
## $ V11 : num [1:736] 7 4 3 9 6 4 2 5 6 5 ...
## $ V12 : num [1:736] 7 9 4 9 5 6 9 7 7 8 ...
## $ V13 : num [1:736] 2 8 3 6 5 6 5 6 9 9 ...
## $ V14 : num [1:736] 0 9 5 6 7 8 9 9 8 9 ...
## $ V15 : num [1:736] 0 7 6 5 6 8 9 7 9 9 ...
## $ V16 : num [1:736] 7 7 4 6 6 7 9 7 8 5 ...
## $ V17 : num [1:736] 7 7 3 9 3 4 5 5 5 9 ...
## $ V18 : num [1:736] 7 8 4 9 8 9 9 9 9 5 ...
## $ V19 : num [1:736] 6 0 3 5 5 8 5 7 7 5 ...
## $ V20 : num [1:736] 1 0 3 5 2 7 6 5 6 7 ...
## $ V21 : num [1:736] 5 1 2 6 4 6 8 5 5 7 ...
## $ V22 : num [1:736] 0 6 4 5 4 9 4 5 7 9 ...
## $ V23 : num [1:736] 5 6 3 6 7 8 9 6 8 4 ...
## $ V24 : num [1:736] 7 4 8 9 4 7 5 8 5 9 ...
## $ RELAC : num [1:736] 0 1 1 4 1 4 4 4 1 3 ...
## $ ESTUDIOS: num [1:736] 2 2 2 2 2 2 2 2 1 2 ...
## $ E_CIVIL : num [1:736] 2 2 2 2 2 2 2 2 1 2 ...
## $ EDAD : num [1:736] 5 1 2 2 3 5 3 3 5 4 ...
## $ SEXO : num [1:736] 2 1 1 2 1 2 2 2 1 2 ...Todas las variables son numericas
Preprocesamiento
Eliminación de variables
Se eliminan las variables que no serán usadas, ya que el objetivo es conocer las actitudes de los consumidores ante diversos comportamientos de compra.
borrar <- c("CUEST","RELAC","ESTUDIOS","E_CIVIL","EDAD","SEXO" )
data.tf1 <- data.tf[ , !(names(data.tf) %in% borrar)]- Observación 1
En el texto nos indican que algunos encuestados no respondieron todas las preguntas, por ello eliminaremos las observaciones que contengan ceros.
Cambiamos los ceros(0) por NA’s
data.tf1[data.tf1==0] <- NATotal de NA’s
sapply(data.tf1, function(x) sum(is.na(x)))## V10 V11 V12 V13 V14 V15 V16 V17 V18 V19 V20 V21 V22 V23 V24
## 4 9 7 6 8 3 3 4 3 11 7 2 7 5 4Se observa que hay 83 NA’s
Eliminamos los espacios vacíos
data.tf1<-na.omit(data.tf1)
head (data.tf1)## # A tibble: 6 × 15
## V10 V11 V12 V13 V14 V15 V16 V17 V18 V19 V20 V21 V22
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 6 3 4 3 5 6 4 3 4 3 3 2 4
## 2 1 9 9 6 6 5 6 9 9 5 5 6 5
## 3 1 6 5 5 7 6 6 3 8 5 2 4 4
## 4 4 4 6 6 8 8 7 4 9 8 7 6 9
## 5 2 2 9 5 9 9 9 5 9 5 6 8 4
## 6 5 5 7 6 9 7 7 5 9 7 5 5 5
## # … with 2 more variables: V23 <dbl>, V24 <dbl>Verificamos la nueva dimensión de la data
dim(data.tf1)## [1] 686 15Se observa 686 datos y 15 variables
- Observación 2
La data propuesta por el autor cuenta con 740 datos los cuales, luego de la limpieza de datos, quedan 701 observaciones (39 datos excluidos).
En este caso al inicio se tiene 736 datos y finalmente se queda con 686 datos ( 50 datos excluidos)
Cambiamos el nombre de las variables de la data
names (data.tf1) = c("gusta vestir moda", "Vestido e impresión ", "molesta ropa igual", "Vida + agradable", "coche prestigio", "ambiente social", "casa dice mucho", "bienes=calidad vida", "gusto x tiendas nuevas", "decido marcha", "calidad + que precio", "acompañar alguien", "marca=garantía", "compro no pensaba", "no ahorrar, vivir mejor")
names (data.tf1)## [1] "gusta vestir moda" "Vestido e impresión "
## [3] "molesta ropa igual" "Vida + agradable"
## [5] "coche prestigio" "ambiente social"
## [7] "casa dice mucho" "bienes=calidad vida"
## [9] "gusto x tiendas nuevas" "decido marcha"
## [11] "calidad + que precio" "acompañar alguien"
## [13] "marca=garantía" "compro no pensaba"
## [15] "no ahorrar, vivir mejor"Descripción de la Data
describe(data.tf1)## vars n mean sd median trimmed mad min max range
## gusta vestir moda 1 686 5.81 1.87 6 5.83 1.48 1 9 8
## Vestido e impresión 2 686 5.85 1.78 6 5.86 1.48 2 9 7
## molesta ropa igual 3 686 7.36 1.57 7 7.51 2.97 2 9 7
## Vida + agradable 4 686 6.90 1.56 7 6.99 1.48 3 9 6
## coche prestigio 5 686 7.97 1.31 8 8.21 1.48 4 9 5
## ambiente social 6 686 7.75 1.40 8 7.97 1.48 4 9 5
## casa dice mucho 7 686 6.83 1.66 7 6.94 1.48 3 9 6
## bienes=calidad vida 8 686 6.18 1.72 6 6.20 1.48 2 9 7
## gusto x tiendas nuevas 9 686 7.17 1.57 7 7.30 1.48 2 9 7
## decido marcha 10 686 5.81 1.96 6 5.83 1.48 1 9 8
## calidad + que precio 11 686 5.72 1.97 6 5.75 1.48 1 9 8
## acompañar alguien 12 686 5.71 1.95 6 5.73 1.48 1 9 8
## marca=garantía 13 686 6.94 1.70 7 7.10 1.48 2 9 7
## compro no pensaba 14 686 5.52 1.99 5 5.53 1.48 1 9 8
## no ahorrar, vivir mejor 15 686 7.16 1.59 7 7.31 1.48 2 9 7
## skew kurtosis se
## gusta vestir moda -0.16 -0.64 0.07
## Vestido e impresión -0.05 -0.51 0.07
## molesta ropa igual -0.66 -0.34 0.06
## Vida + agradable -0.39 -0.66 0.06
## coche prestigio -1.25 0.80 0.05
## ambiente social -1.02 0.11 0.05
## casa dice mucho -0.39 -0.72 0.06
## bienes=calidad vida -0.12 -0.60 0.07
## gusto x tiendas nuevas -0.56 -0.51 0.06
## decido marcha -0.07 -0.67 0.07
## calidad + que precio -0.20 -0.54 0.08
## acompañar alguien -0.16 -0.64 0.07
## marca=garantía -0.54 -0.53 0.06
## compro no pensaba -0.07 -0.64 0.08
## no ahorrar, vivir mejor -0.65 -0.25 0.06head(describe(data.tf1),9)## vars n mean sd median trimmed mad min max range
## gusta vestir moda 1 686 5.81 1.87 6 5.83 1.48 1 9 8
## Vestido e impresión 2 686 5.85 1.78 6 5.86 1.48 2 9 7
## molesta ropa igual 3 686 7.36 1.57 7 7.51 2.97 2 9 7
## Vida + agradable 4 686 6.90 1.56 7 6.99 1.48 3 9 6
## coche prestigio 5 686 7.97 1.31 8 8.21 1.48 4 9 5
## ambiente social 6 686 7.75 1.40 8 7.97 1.48 4 9 5
## casa dice mucho 7 686 6.83 1.66 7 6.94 1.48 3 9 6
## bienes=calidad vida 8 686 6.18 1.72 6 6.20 1.48 2 9 7
## gusto x tiendas nuevas 9 686 7.17 1.57 7 7.30 1.48 2 9 7
## skew kurtosis se
## gusta vestir moda -0.16 -0.64 0.07
## Vestido e impresión -0.05 -0.51 0.07
## molesta ropa igual -0.66 -0.34 0.06
## Vida + agradable -0.39 -0.66 0.06
## coche prestigio -1.25 0.80 0.05
## ambiente social -1.02 0.11 0.05
## casa dice mucho -0.39 -0.72 0.06
## bienes=calidad vida -0.12 -0.60 0.07
## gusto x tiendas nuevas -0.56 -0.51 0.06Se puede observar que los resultados son proximos al del autor. La variable coche indica prestigio es la que tiene una puntuación más alta. El segundo Item con mayor puntuación refleja que los productos comprados dependen en gran medida del ambiente social donde cada persona desarrolla sus actividades.
Modelo 1 - 4 factores
Usaremos el análisis factorial rotado para favorecer la interpretabilidad de los resultados.
1. Definición del Modelo
modelo1<- principal(data.tf1, nfactors = 4, rotate = "varimax")2. Matriz de Correlación
ggcorr(data.tf1)
Interpretación
Obervamos que la variable ambiente social esta altamente correlacionada con las siguientes variables :
Molesta ropa igual \(cor\ (autor) = 0.518\) -> \(cor\ (tf) = 0.521\)
Coche prestigio \(cor\ (autor) = 0.597\) -> \(cor\ (tf)= 0.599\)
Casa dice mucho \(cor\ (autor) = 0.632\) -> \(cor\ (tf)= 0.632\)
Marca =garantía \(cor\ (autor) = 0.581\) -> \(cor\ (tf)= 0.581\)
3. Matriz de Correlación Antimagen
La correlación antiimagen es el valor negativo del coeficiente de correlación parcial
KMO(data.tf1)$ImCov## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
## [1,] 0.6100 -0.178541 -0.02200 -0.12469 0.02527 -0.02617 0.030652 -0.01058
## [2,] -0.1785 0.530561 0.01625 -0.03017 -0.02739 0.03135 -0.000647 -0.19762
## [3,] -0.0220 0.016247 0.42652 -0.04663 -0.12481 -0.02106 -0.149252 -0.03908
## [4,] -0.1247 -0.030168 -0.04663 0.66496 -0.06047 -0.00808 0.027846 -0.13689
## [5,] 0.0253 -0.027392 -0.12481 -0.06047 0.53011 -0.15613 -0.012529 0.05951
## [6,] -0.0262 0.031346 -0.02106 -0.00808 -0.15613 0.43466 -0.105694 -0.00735
## [7,] 0.0307 -0.000647 -0.14925 0.02785 -0.01253 -0.10569 0.334877 -0.03182
## [8,] -0.0106 -0.197625 -0.03908 -0.13689 0.05951 -0.00735 -0.031819 0.55856
## [9,] 0.0958 -0.021218 -0.00101 -0.01390 -0.00861 0.00266 -0.032347 0.01104
## [10,] 0.0291 -0.062591 -0.00120 0.10174 0.01435 -0.02477 -0.090496 -0.02185
## [11,] -0.0630 -0.012653 0.05013 -0.07309 0.01461 -0.07370 0.010835 0.02876
## [12,] -0.0702 -0.049049 0.06220 0.01717 0.00896 -0.04154 0.005013 -0.06263
## [13,] 0.0111 0.018222 -0.02989 -0.04842 -0.05120 -0.04801 -0.051613 -0.02592
## [14,] -0.0364 -0.048800 -0.08245 0.02394 -0.01890 0.05088 -0.053147 -0.05495
## [15,] -0.1527 -0.028175 0.01897 -0.05452 -0.01447 -0.02983 -0.031348 -0.01438
## [,9] [,10] [,11] [,12] [,13] [,14] [,15]
## [1,] 0.09583 0.0291 -0.0630 -0.07017 0.0111 -0.0364 -0.1527
## [2,] -0.02122 -0.0626 -0.0127 -0.04905 0.0182 -0.0488 -0.0282
## [3,] -0.00101 -0.0012 0.0501 0.06220 -0.0299 -0.0825 0.0190
## [4,] -0.01390 0.1017 -0.0731 0.01717 -0.0484 0.0239 -0.0545
## [5,] -0.00861 0.0143 0.0146 0.00896 -0.0512 -0.0189 -0.0145
## [6,] 0.00266 -0.0248 -0.0737 -0.04154 -0.0480 0.0509 -0.0298
## [7,] -0.03235 -0.0905 0.0108 0.00501 -0.0516 -0.0531 -0.0313
## [8,] 0.01104 -0.0219 0.0288 -0.06263 -0.0259 -0.0550 -0.0144
## [9,] 0.55348 -0.0380 0.0248 -0.11938 -0.0927 -0.1948 -0.0266
## [10,] -0.03803 0.5374 -0.0991 0.03469 -0.0561 -0.0844 -0.0207
## [11,] 0.02482 -0.0991 0.4895 -0.09628 -0.1867 -0.0307 0.0133
## [12,] -0.11938 0.0347 -0.0963 0.71541 0.0118 -0.0781 -0.0286
## [13,] -0.09274 -0.0561 -0.1867 0.01182 0.4083 0.0906 -0.0462
## [14,] -0.19475 -0.0844 -0.0307 -0.07811 0.0906 0.5008 -0.0105
## [15,] -0.02659 -0.0207 0.0133 -0.02857 -0.0462 -0.0105 0.7389Se observa bajos coeficientes de correlación parcial, lo cual nos indica que la parte especifica de las variables es menor que la parte común. En conclusión cuanto más bajo son los coeficientes se puede analizar la influencia entre variables, detectando asi los factores.
4. Prueba de Esfericidad de Barlett
Prueba de Hipotesis
\(Ho: |R_P| = 1\) # (matriz de correlación = matriz identidad)
\(H1: |R_P| ≠ 1\)
\(Alpha = 0.05\)
\(Prueba\)
cortest.bartlett(cor(data.tf1),n=nrow(data.tf1))## $chisq
## [1] 4413
##
## $p.value
## [1] 0
##
## $df
## [1] 105- \(p-valor = 0<0.05\ RHo\)
Conclusión
- A un nivel de significancia del 5%, existe suficiente evidencia estadistica para rechazar Ho, lo que nos indica que la Matríz de correlaciones es diferente a la Matríz identidad.
5. Kayser, Meyer, Olkin - KMO
(data.tf1_KMO<-KMO(data.tf1))## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = data.tf1)
## Overall MSA = 0.88
## MSA for each item =
## gusta vestir moda Vestido e impresión molesta ropa igual
## 0.81 0.86 0.88
## Vida + agradable coche prestigio ambiente social
## 0.87 0.90 0.91
## casa dice mucho bienes=calidad vida gusto x tiendas nuevas
## 0.90 0.88 0.87
## decido marcha calidad + que precio acompañar alguien
## 0.92 0.86 0.89
## marca=garantía compro no pensaba no ahorrar, vivir mejor
## 0.88 0.86 0.94data.tf1_KMO$MSA ## [1] 0.883El valor KMO obtenido es 0.883, el cual es muy próximo a 1, por ello es adecuado realizar el análisis factorial.
6. Gráfico de Sedimentación
plot(modelo1$values,
type="b",
pch=20,
col="blue",
main="Gráfico de sedimentación")
abline(h=1,lty=3,col="red") #Mediana
De acuerdo al criterio de la media es recomendable realizar el análisis con los 4 primeros factores.
7. Comunalidades
modelo1$communality## gusta vestir moda Vestido e impresión molesta ropa igual
## 0.651 0.669 0.767
## Vida + agradable coche prestigio ambiente social
## 0.588 0.645 0.699
## casa dice mucho bienes=calidad vida gusto x tiendas nuevas
## 0.762 0.616 0.639
## decido marcha calidad + que precio acompañar alguien
## 0.572 0.762 0.603
## marca=garantía compro no pensaba no ahorrar, vivir mejor
## 0.738 0.733 0.378- Se obtuvo resultados parecidos al del autor
8. Explicación de la varianza
modelo1$loadings##
## Loadings:
## RC1 RC2 RC3 RC4
## gusta vestir moda 0.787 0.178
## Vestido e impresión 0.707 0.407
## molesta ropa igual 0.796 0.186 0.310
## Vida + agradable 0.282 0.686 -0.123 0.152
## coche prestigio 0.770 0.136 0.171
## ambiente social 0.687 0.151 0.441
## casa dice mucho 0.729 0.116 0.423 0.195
## bienes=calidad vida 0.187 0.646 0.405
## gusto x tiendas nuevas 0.270 0.714 0.237
## decido marcha 0.391 0.528 0.373
## calidad + que precio 0.237 0.246 0.143 0.791
## acompañar alguien -0.177 0.302 0.502 0.477
## marca=garantía 0.529 0.162 0.139 0.642
## compro no pensaba 0.255 0.218 0.788
## no ahorrar, vivir mejor 0.209 0.498 0.104 0.274
##
## RC1 RC2 RC3 RC4
## SS loadings 3.048 2.571 2.346 1.858
## Proportion Var 0.203 0.171 0.156 0.124
## Cumulative Var 0.203 0.375 0.531 0.655Interpretación
\(Fact1: 20.3\%\) varianza explicada
\(Fact2: 17.1\%\) varianza explicada
\(Fact3: 15.6\%\) varianza explicada
\(Fact4: 12.4\%\) varianza explicada
9. Matríz de correlación reproducida
modelo1$loadings[]%*%t(modelo1$loadings)## gusta vestir moda Vestido e impresión
## gusta vestir moda 0.6514 0.569
## Vestido e impresión 0.5686 0.669
## molesta ropa igual 0.1321 0.291
## Vida + agradable 0.5621 0.453
## coche prestigio 0.1302 0.164
## ambiente social 0.1912 0.195
## casa dice mucho 0.1241 0.295
## bienes=calidad vida 0.5079 0.629
## gusto x tiendas nuevas 0.0621 0.324
## decido marcha 0.0991 0.274
## calidad + que precio 0.3335 0.275
## acompañar alguien 0.3316 0.429
## marca=garantía 0.2383 0.221
## compro no pensaba 0.1767 0.485
## no ahorrar, vivir mejor 0.4399 0.415
## molesta ropa igual Vida + agradable coche prestigio
## gusta vestir moda 0.132 0.5621 0.1302
## Vestido e impresión 0.291 0.4534 0.1644
## molesta ropa igual 0.767 0.3053 0.6495
## Vida + agradable 0.305 0.5883 0.3284
## coche prestigio 0.650 0.3284 0.6450
## ambiente social 0.581 0.3520 0.6311
## casa dice mucho 0.722 0.2626 0.6381
## bienes=calidad vida 0.396 0.4425 0.2550
## gusto x tiendas nuevas 0.426 0.0353 0.2973
## decido marcha 0.462 0.1277 0.4046
## calidad + que precio 0.236 0.3377 0.3602
## acompañar alguien 0.045 0.1679 0.0193
## marca=garantía 0.460 0.3410 0.5484
## compro no pensaba 0.488 0.1216 0.2746
## no ahorrar, vivir mejor 0.276 0.4295 0.2826
## ambiente social casa dice mucho bienes=calidad vida
## gusta vestir moda 0.191 0.124 0.508
## Vestido e impresión 0.195 0.295 0.629
## molesta ropa igual 0.581 0.722 0.396
## Vida + agradable 0.352 0.263 0.442
## coche prestigio 0.631 0.638 0.255
## ambiente social 0.699 0.646 0.256
## casa dice mucho 0.646 0.762 0.379
## bienes=calidad vida 0.256 0.379 0.616
## gusto x tiendas nuevas 0.362 0.547 0.345
## decido marcha 0.491 0.586 0.303
## calidad + que precio 0.563 0.416 0.243
## acompañar alguien 0.184 0.212 0.355
## marca=garantía 0.685 0.588 0.246
## compro no pensaba 0.277 0.541 0.508
## no ahorrar, vivir mejor 0.350 0.308 0.397
## gusto x tiendas nuevas decido marcha
## gusta vestir moda 0.0621 0.0991
## Vestido e impresión 0.3238 0.2739
## molesta ropa igual 0.4263 0.4617
## Vida + agradable 0.0353 0.1277
## coche prestigio 0.2973 0.4046
## ambiente social 0.3625 0.4908
## casa dice mucho 0.5470 0.5855
## bienes=calidad vida 0.3450 0.3028
## gusto x tiendas nuevas 0.6392 0.5715
## decido marcha 0.5715 0.5722
## calidad + que precio 0.3577 0.4727
## acompañar alguien 0.4292 0.3855
## marca=garantía 0.3968 0.5261
## compro no pensaba 0.6305 0.5167
## no ahorrar, vivir mejor 0.2037 0.2576
## calidad + que precio acompañar alguien marca=garantía
## gusta vestir moda 0.334 0.3316 0.238
## Vestido e impresión 0.275 0.4292 0.221
## molesta ropa igual 0.236 0.0450 0.460
## Vida + agradable 0.338 0.1679 0.341
## coche prestigio 0.360 0.0193 0.548
## ambiente social 0.563 0.1840 0.685
## casa dice mucho 0.416 0.2118 0.588
## bienes=calidad vida 0.243 0.3546 0.246
## gusto x tiendas nuevas 0.358 0.4292 0.397
## decido marcha 0.473 0.3855 0.526
## calidad + que precio 0.762 0.4818 0.693
## acompañar alguien 0.482 0.6028 0.332
## marca=garantía 0.693 0.3317 0.738
## compro no pensaba 0.213 0.4079 0.268
## no ahorrar, vivir mejor 0.404 0.2963 0.382
## compro no pensaba no ahorrar, vivir mejor
## gusta vestir moda 0.177 0.440
## Vestido e impresión 0.485 0.415
## molesta ropa igual 0.488 0.276
## Vida + agradable 0.122 0.429
## coche prestigio 0.275 0.283
## ambiente social 0.277 0.350
## casa dice mucho 0.541 0.308
## bienes=calidad vida 0.508 0.397
## gusto x tiendas nuevas 0.631 0.204
## decido marcha 0.517 0.258
## calidad + que precio 0.213 0.404
## acompañar alguien 0.408 0.296
## marca=garantía 0.268 0.382
## compro no pensaba 0.733 0.239
## no ahorrar, vivir mejor 0.239 0.37810. Matríz de residual
modelo1$residual## gusta vestir moda Vestido e impresión
## gusta vestir moda 0.34858 -0.06875
## Vestido e impresión -0.06875 0.33144
## molesta ropa igual 0.03912 -0.03485
## Vida + agradable -0.15861 -0.10524
## coche prestigio 0.00954 0.03821
## ambiente social 0.01759 0.02628
## casa dice mucho 0.02990 -0.00264
## bienes=calidad vida -0.14612 -0.05732
## gusto x tiendas nuevas 0.00964 -0.04621
## decido marcha 0.04575 0.05150
## calidad + que precio -0.02146 0.03168
## acompañar alguien -0.03863 -0.08197
## marca=garantía -0.03031 0.03473
## compro no pensaba 0.04694 -0.08892
## no ahorrar, vivir mejor -0.05532 -0.08790
## molesta ropa igual Vida + agradable coche prestigio
## gusta vestir moda 0.0391 -0.158613 0.00954
## Vestido e impresión -0.0349 -0.105244 0.03821
## molesta ropa igual 0.2328 -0.024039 -0.08411
## Vida + agradable -0.0240 0.411741 -0.04347
## coche prestigio -0.0841 -0.043469 0.35500
## ambiente social -0.0595 -0.065256 -0.03121
## casa dice mucho -0.0280 -0.031149 -0.10748
## bienes=calidad vida -0.0470 -0.033290 -0.04901
## gusto x tiendas nuevas -0.0376 0.136186 0.02234
## decido marcha -0.0390 -0.014600 -0.06598
## calidad + que precio 0.0478 0.003126 -0.02742
## acompañar alguien 0.0944 0.035259 0.13587
## marca=garantía 0.0025 -0.000128 -0.06788
## compro no pensaba -0.0307 0.056666 0.02172
## no ahorrar, vivir mejor -0.0215 -0.127122 -0.02914
## ambiente social casa dice mucho bienes=calidad vida
## gusta vestir moda 0.01759 0.02990 -0.14612
## Vestido e impresión 0.02628 -0.00264 -0.05732
## molesta ropa igual -0.05951 -0.02800 -0.04697
## Vida + agradable -0.06526 -0.03115 -0.03329
## coche prestigio -0.03121 -0.10748 -0.04901
## ambiente social 0.30134 -0.01314 0.02442
## casa dice mucho -0.01314 0.23819 -0.00314
## bienes=calidad vida 0.02442 -0.00314 0.38354
## gusto x tiendas nuevas -0.01981 -0.06860 -0.04990
## decido marcha -0.04740 -0.01147 0.01873
## calidad + que precio -0.07023 -0.00817 0.04369
## acompañar alguien 0.06554 0.02308 -0.02736
## marca=garantía -0.10338 -0.02015 0.07058
## compro no pensaba 0.00204 -0.05043 -0.10654
## no ahorrar, vivir mejor -0.03251 0.01350 -0.09604
## gusto x tiendas nuevas decido marcha
## gusta vestir moda 0.00964 0.04575
## Vestido e impresión -0.04621 0.05150
## molesta ropa igual -0.03760 -0.03900
## Vida + agradable 0.13619 -0.01460
## coche prestigio 0.02234 -0.06598
## ambiente social -0.01981 -0.04740
## casa dice mucho -0.06860 -0.01147
## bienes=calidad vida -0.04990 0.01873
## gusto x tiendas nuevas 0.36075 -0.14106
## decido marcha -0.14106 0.42778
## calidad + que precio -0.04484 -0.01238
## acompañar alguien -0.06871 -0.15307
## marca=garantía 0.02752 -0.03472
## compro no pensaba -0.06789 -0.06029
## no ahorrar, vivir mejor 0.04065 0.00909
## calidad + que precio acompañar alguien marca=garantía
## gusta vestir moda -0.02146 -0.0386 -0.030306
## Vestido e impresión 0.03168 -0.0820 0.034730
## molesta ropa igual 0.04781 0.0944 0.002503
## Vida + agradable 0.00313 0.0353 -0.000128
## coche prestigio -0.02742 0.1359 -0.067881
## ambiente social -0.07023 0.0655 -0.103381
## casa dice mucho -0.00817 0.0231 -0.020145
## bienes=calidad vida 0.04369 -0.0274 0.070580
## gusto x tiendas nuevas -0.04484 -0.0687 0.027521
## decido marcha -0.01238 -0.1531 -0.034716
## calidad + que precio 0.23772 -0.1285 -0.058647
## acompañar alguien -0.12849 0.3972 -0.076661
## marca=garantía -0.05865 -0.0767 0.261708
## compro no pensaba 0.07088 -0.0515 -0.007765
## no ahorrar, vivir mejor -0.10798 -0.0494 -0.043817
## compro no pensaba no ahorrar, vivir mejor
## gusta vestir moda 0.04694 -0.05532
## Vestido e impresión -0.08892 -0.08790
## molesta ropa igual -0.03069 -0.02151
## Vida + agradable 0.05667 -0.12712
## coche prestigio 0.02172 -0.02914
## ambiente social 0.00204 -0.03251
## casa dice mucho -0.05043 0.01350
## bienes=calidad vida -0.10654 -0.09604
## gusto x tiendas nuevas -0.06789 0.04065
## decido marcha -0.06029 0.00909
## calidad + que precio 0.07088 -0.10798
## acompañar alguien -0.05154 -0.04943
## marca=garantía -0.00776 -0.04382
## compro no pensaba 0.26680 0.01749
## no ahorrar, vivir mejor 0.01749 0.6222711. Análisis de Componentes
fa.diagram(modelo1)
Factores del Modelo 1
Factor 1: Imagen ( Consumidor Marquista)
Factor 2: Satisfacción ( Consumidor Emocional)
Factor 3: Innovador ( Consumidor Innovador)
Factor 4: Racional ( Consumidor Racional)
Modelo 2 - 6 factores
1. Definición del Modelo
modelo2<- principal(data.tf1, nfactors = 6, rotate = 'varimax')2. Gráfico de Sedimentación
plot(modelo2$values,
type="b",
pch=20,
col="blue",
main="Gráfico de sedimentación")
abline(h=1,lty=3,col="red") #Mediana
3. Comunalidades
modelo2$communality## gusta vestir moda Vestido e impresión molesta ropa igual
## 0.684 0.727 0.769
## Vida + agradable coche prestigio ambiente social
## 0.740 0.711 0.703
## casa dice mucho bienes=calidad vida gusto x tiendas nuevas
## 0.770 0.714 0.704
## decido marcha calidad + que precio acompañar alguien
## 0.792 0.812 0.800
## marca=garantía compro no pensaba no ahorrar, vivir mejor
## 0.758 0.742 0.8814. Explicación de la varianza
modelo2$loadings##
## Loadings:
## RC1 RC2 RC4 RC3 RC5 RC6
## gusta vestir moda 0.580 0.170 0.524 -0.210
## Vestido e impresión 0.793 0.124 0.188 0.194
## molesta ropa igual 0.832 0.235 0.107
## Vida + agradable 0.283 0.499 0.225 -0.593
## coche prestigio 0.783 0.209 0.111 -0.179
## ambiente social 0.648 0.491 0.168
## casa dice mucho 0.736 0.193 0.280 0.199 0.257
## bienes=calidad vida 0.216 0.788 0.113 0.181
## gusto x tiendas nuevas 0.380 0.142 0.703 0.188
## decido marcha 0.340 0.260 0.482 0.171 0.586
## calidad + que precio 0.143 0.195 0.842 0.181 0.109
## acompañar alguien 0.176 0.280 0.785 0.162 -0.209
## marca=garantía 0.451 0.112 0.719 0.121
## compro no pensaba 0.376 0.376 0.598 0.306
## no ahorrar, vivir mejor 0.217 0.152 0.122 0.128 0.881
##
## RC1 RC2 RC4 RC3 RC5 RC6
## SS loadings 3.076 2.252 2.049 1.700 1.203 1.028
## Proportion Var 0.205 0.150 0.137 0.113 0.080 0.069
## Cumulative Var 0.205 0.355 0.492 0.605 0.685 0.754Interpretación
\(Fact1: 20.5\%\) varianza explicada
\(Fact2: 15\%\) varianza explicada
\(Fact3: 13.7\%\) varianza explicada
\(Fact4: 11.3\%\) varianza explicada
\(Fact5: 0.8\%\) varianza explicada
\(Fact6: 0.69\%\) varianza explicada
5. Análisis de Componentes
fa.diagram(modelo2)
Factores del modelo 2
Factor 1: Consumidor Activo ( Informado de lo que va a consumir)
Factor 2: Consumidor Pionner (Le importa la apariencia)
Factor 3: Consumidor Imagen y Marquismo (Se deja llevar por la marca)
Factor 4: Consumidor Innovador (Compra sin pensarlo)
Factor 5: Consumidor Hedonista (Prefiere no ahorrar para vivir mejor)
Factor 6: Consumidor Emocional (Compra lo que cree que necesita)
Modelo 3 - 4 factores
Eliminamos la variable “No ahorrar - Vivir mejor”
borrar <- c("no ahorrar, vivir mejor" )
data.tf2 <- data.tf1[ , !(names(data.tf1) %in% borrar)]Dimensión de la data
dim(data.tf2)## [1] 686 14Observamos que hay 686 datos y 14 variables
1. Definición del Modelo
modelo3<- principal(data.tf2, nfactors = 4, rotate = 'varimax')2. Matríz de Correlación
ggcorr(data.tf2)
3. Matríz de correlación Antiimagen
KMO(data.tf2)$ImCov## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
## [1,] 0.64325 -0.19481 -0.019083 -0.1442 0.02351 -0.03419 0.02560 -0.01430
## [2,] -0.19481 0.53164 0.017024 -0.0325 -0.02802 0.03035 -0.00185 -0.19868
## [3,] -0.01908 0.01702 0.427010 -0.0456 -0.12465 -0.02037 -0.14921 -0.03877
## [4,] -0.14424 -0.03251 -0.045554 0.6690 -0.06194 -0.01038 0.02579 -0.13886
## [5,] 0.02351 -0.02802 -0.124651 -0.0619 0.53039 -0.15723 -0.01320 0.05929
## [6,] -0.03419 0.03035 -0.020372 -0.0104 -0.15723 0.43587 -0.10768 -0.00795
## [7,] 0.02560 -0.00185 -0.149209 0.0258 -0.01320 -0.10768 0.33621 -0.03257
## [8,] -0.01430 -0.19868 -0.038770 -0.1389 0.05929 -0.00795 -0.03257 0.55884
## [9,] 0.09543 -0.02232 -0.000325 -0.0160 -0.00915 0.00160 -0.03367 0.01054
## [10,] 0.02617 -0.06357 -0.000671 0.1009 0.01396 -0.02570 -0.09184 -0.02229
## [11,] -0.06352 -0.01218 0.049873 -0.0726 0.01488 -0.07340 0.01145 0.02905
## [12,] -0.08034 -0.05032 0.063108 0.0152 0.00842 -0.04288 0.00382 -0.06331
## [13,] 0.00169 0.01661 -0.028937 -0.0525 -0.05250 -0.05037 -0.05417 -0.02702
## [14,] -0.04068 -0.04931 -0.082302 0.0233 -0.01912 0.05061 -0.05382 -0.05520
## [,9] [,10] [,11] [,12] [,13] [,14]
## [1,] 0.095430 0.026168 -0.0635 -0.08034 0.00169 -0.0407
## [2,] -0.022315 -0.063575 -0.0122 -0.05032 0.01661 -0.0493
## [3,] -0.000325 -0.000671 0.0499 0.06311 -0.02894 -0.0823
## [4,] -0.015987 0.100933 -0.0726 0.01518 -0.05252 0.0233
## [5,] -0.009147 0.013964 0.0149 0.00842 -0.05250 -0.0191
## [6,] 0.001597 -0.025699 -0.0734 -0.04288 -0.05037 0.0506
## [7,] -0.033667 -0.091835 0.0115 0.00382 -0.05417 -0.0538
## [8,] 0.010543 -0.022291 0.0291 -0.06331 -0.02702 -0.0552
## [9,] 0.554441 -0.038877 0.0254 -0.12081 -0.09524 -0.1955
## [10,] -0.038877 0.538017 -0.0989 0.03398 -0.05788 -0.0848
## [11,] 0.025354 -0.098863 0.4898 -0.09596 -0.18728 -0.0305
## [12,] -0.120805 0.033976 -0.0960 0.71652 0.01012 -0.0787
## [13,] -0.095239 -0.057877 -0.1873 0.01012 0.41117 0.0907
## [14,] -0.195524 -0.084794 -0.0305 -0.07865 0.09066 0.50104. Prueba de esfericidad de Barlett
Prueba de Hipótesis
\(Ho: |Rp| = 1\)
\(H1: |Rp| /= 1\)
\(Alfa =0.05\)
cortest.bartlett(cor(data.tf2),n=nrow(data.tf2))## $chisq
## [1] 4209
##
## $p.value
## [1] 0
##
## $df
## [1] 91Conclusión
A un nivel de significancia del 5%, existe suficiente evidencia estadistica para rechazar Ho, lo que nos indica que la matriz de correlaciones es diferente a la matriz identidad.
5. Kayser, Meyer, Olkin - KMO
(data.tf2_KMO<-KMO(data.tf2))## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = data.tf2)
## Overall MSA = 0.88
## MSA for each item =
## gusta vestir moda Vestido e impresión molesta ropa igual
## 0.81 0.84 0.88
## Vida + agradable coche prestigio ambiente social
## 0.86 0.89 0.90
## casa dice mucho bienes=calidad vida gusto x tiendas nuevas
## 0.89 0.87 0.87
## decido marcha calidad + que precio acompañar alguien
## 0.91 0.86 0.88
## marca=garantía compro no pensaba
## 0.88 0.85data.tf2_KMO$MSA## [1] 0.875Conclusión
El valor KMO obtenido es 0.875, el cual es muy próximo a 1, por lo que podemos asumir que nuestro análisis será el adecuado.
6. Gráfico de Sedimentación
plot(modelo3$values,
type="b",
pch=20,
col="blue",
main="Gráfico de sedimentación")
abline(h=1,lty=3,col="red") #Mediana
7. Comunalidades
modelo3$communality## gusta vestir moda Vestido e impresión molesta ropa igual
## 0.640 0.681 0.767
## Vida + agradable coche prestigio ambiente social
## 0.618 0.646 0.700
## casa dice mucho bienes=calidad vida gusto x tiendas nuevas
## 0.762 0.631 0.642
## decido marcha calidad + que precio acompañar alguien
## 0.573 0.781 0.607
## marca=garantía compro no pensaba
## 0.742 0.7358. Explicación de la varianza
modelo3$loadings##
## Loadings:
## RC1 RC2 RC3 RC4
## gusta vestir moda 0.774 0.203
## Vestido e impresión 0.725 0.384
## molesta ropa igual 0.796 0.181 0.312
## Vida + agradable 0.302 0.687 -0.146 0.184
## coche prestigio 0.775 0.117 0.166
## ambiente social 0.695 0.122 0.106 0.437
## casa dice mucho 0.729 0.433 0.184
## bienes=calidad vida 0.198 0.669 0.380
## gusto x tiendas nuevas 0.265 0.722 0.225
## decido marcha 0.391 0.536 0.364
## calidad + que precio 0.252 0.231 0.138 0.804
## acompañar alguien -0.169 0.307 0.493 0.490
## marca=garantía 0.540 0.133 0.144 0.642
## compro no pensaba 0.251 0.231 0.786
##
## RC1 RC2 RC3 RC4
## SS loadings 3.051 2.334 2.323 1.82
## Proportion Var 0.218 0.167 0.166 0.13
## Cumulative Var 0.218 0.385 0.551 0.68Interpretación
\(Fact1: 21.8\%\) varianza explicada
\(Fact2: 16.7\%\) varianza explicada
\(Fact3: 16.6\%\) varianza explicada
\(Fact4: 13\%\) varianza explicada
9. Análisis de Componentes
fa.diagram(modelo3)
Factores del Modelo 3
Factor 1: Activo (Siempre esta informado al momento de consumir algun producto)
Factor 2: Impulsivo (Compran lo que creen que los hará vivir mejor y siguen las tendencias)
Factor 3: Innovador (Compra productos sin haberlo pensado)
Factor 4: Optimista(Son muy analíticos y piensan antes de comprar)
Modelo 4 - 4 Factores
Eliminamos las variables “No ahorrar-Vivir mejor” y “acompañar alguien”
borrar <- c("acompañar alguien","no ahorrar, vivir mejor" )
data.tf3 <- data.tf1[ , !(names(data.tf1) %in% borrar)]Dimensión
dim(data.tf3)## [1] 686 13Observamos que hay 686 datos y 13 variables
1. Definición del Modelo
modelo4<- principal(data.tf3, nfactors = 4, rotate = 'varimax')2. Matriz de Correlación
cor(data.tf3)## gusta vestir moda Vestido e impresión
## gusta vestir moda 1.0000 0.500
## Vestido e impresión 0.4999 1.000
## molesta ropa igual 0.1712 0.256
## Vida + agradable 0.4035 0.348
## coche prestigio 0.1397 0.203
## ambiente social 0.2088 0.222
## casa dice mucho 0.1540 0.292
## bienes=calidad vida 0.3618 0.571
## gusto x tiendas nuevas 0.0718 0.278
## decido marcha 0.1449 0.325
## calidad + que precio 0.3121 0.306
## marca=garantía 0.2079 0.256
## compro no pensaba 0.2236 0.396
## molesta ropa igual Vida + agradable coche prestigio
## gusta vestir moda 0.171 0.404 0.140
## Vestido e impresión 0.256 0.348 0.203
## molesta ropa igual 1.000 0.281 0.565
## Vida + agradable 0.281 1.000 0.285
## coche prestigio 0.565 0.285 1.000
## ambiente social 0.522 0.287 0.600
## casa dice mucho 0.694 0.231 0.531
## bienes=calidad vida 0.349 0.409 0.206
## gusto x tiendas nuevas 0.389 0.171 0.320
## decido marcha 0.423 0.113 0.339
## calidad + que precio 0.284 0.341 0.333
## marca=garantía 0.462 0.341 0.481
## compro no pensaba 0.458 0.178 0.296
## ambiente social casa dice mucho bienes=calidad vida
## gusta vestir moda 0.209 0.154 0.362
## Vestido e impresión 0.222 0.292 0.571
## molesta ropa igual 0.522 0.694 0.349
## Vida + agradable 0.287 0.231 0.409
## coche prestigio 0.600 0.531 0.206
## ambiente social 1.000 0.632 0.281
## casa dice mucho 0.632 1.000 0.375
## bienes=calidad vida 0.281 0.375 1.000
## gusto x tiendas nuevas 0.343 0.478 0.295
## decido marcha 0.443 0.574 0.322
## calidad + que precio 0.492 0.408 0.287
## marca=garantía 0.582 0.568 0.316
## compro no pensaba 0.279 0.491 0.401
## gusto x tiendas nuevas decido marcha
## gusta vestir moda 0.0718 0.145
## Vestido e impresión 0.2776 0.325
## molesta ropa igual 0.3887 0.423
## Vida + agradable 0.1715 0.113
## coche prestigio 0.3197 0.339
## ambiente social 0.3426 0.443
## casa dice mucho 0.4784 0.574
## bienes=calidad vida 0.2951 0.322
## gusto x tiendas nuevas 1.0000 0.430
## decido marcha 0.4304 1.000
## calidad + que precio 0.3129 0.460
## marca=garantía 0.4243 0.491
## compro no pensaba 0.5627 0.456
## calidad + que precio marca=garantía compro no pensaba
## gusta vestir moda 0.312 0.208 0.224
## Vestido e impresión 0.306 0.256 0.396
## molesta ropa igual 0.284 0.462 0.458
## Vida + agradable 0.341 0.341 0.178
## coche prestigio 0.333 0.481 0.296
## ambiente social 0.492 0.582 0.279
## casa dice mucho 0.408 0.568 0.491
## bienes=calidad vida 0.287 0.316 0.401
## gusto x tiendas nuevas 0.313 0.424 0.563
## decido marcha 0.460 0.491 0.456
## calidad + que precio 1.000 0.634 0.283
## marca=garantía 0.634 1.000 0.260
## compro no pensaba 0.283 0.260 1.000ggcorr(data.tf3)
3. Matriz de Correlación Antimagen
KMO(data.tf3)$ImCov## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
## [1,] 0.65238 -0.2047 -0.01234 -0.14463 0.02481 -0.03978 0.0264 -0.021920
## [2,] -0.20466 0.5352 0.02188 -0.03167 -0.02761 0.02769 -0.0016 -0.206548
## [3,] -0.01234 0.0219 0.43264 -0.04753 -0.12707 -0.01691 -0.1515 -0.033972
## [4,] -0.14463 -0.0317 -0.04753 0.66933 -0.06216 -0.00953 0.0257 -0.138979
## [5,] 0.02481 -0.0276 -0.12707 -0.06216 0.53049 -0.15769 -0.0133 0.060649
## [6,] -0.03978 0.0277 -0.01691 -0.00953 -0.15769 0.43845 -0.1081 -0.011930
## [7,] 0.02640 -0.0016 -0.15153 0.02572 -0.01325 -0.10810 0.3362 -0.032565
## [8,] -0.02192 -0.2065 -0.03397 -0.13898 0.06065 -0.01193 -0.0326 0.564492
## [9,] 0.08621 -0.0322 0.01085 -0.01395 -0.00802 -0.00588 -0.0343 -0.000138
## [10,] 0.03049 -0.0618 -0.00372 0.10056 0.01361 -0.02388 -0.0923 -0.019542
## [11,] -0.07736 -0.0196 0.06069 -0.07249 0.01645 -0.08176 0.0123 0.021341
## [12,] 0.00286 0.0174 -0.03023 -0.05278 -0.05265 -0.05007 -0.0542 -0.026402
## [13,] -0.05108 -0.0562 -0.07771 0.02543 -0.01852 0.04698 -0.0543 -0.063878
## [,9] [,10] [,11] [,12] [,13]
## [1,] 0.086215 0.03049 -0.07736 0.00286 -0.0511
## [2,] -0.032187 -0.06178 -0.01956 0.01744 -0.0562
## [3,] 0.010850 -0.00372 0.06069 -0.03023 -0.0777
## [4,] -0.013947 0.10056 -0.07249 -0.05278 0.0254
## [5,] -0.008023 0.01361 0.01645 -0.05265 -0.0185
## [6,] -0.005882 -0.02388 -0.08176 -0.05007 0.0470
## [7,] -0.034284 -0.09230 0.01228 -0.05425 -0.0543
## [8,] -0.000138 -0.01954 0.02134 -0.02640 -0.0639
## [9,] 0.575585 -0.03452 0.00978 -0.09713 -0.2205
## [10,] -0.034516 0.53963 -0.09714 -0.05855 -0.0827
## [11,] 0.009782 -0.09714 0.50296 -0.19100 -0.0429
## [12,] -0.097134 -0.05855 -0.19100 0.41131 0.0934
## [13,] -0.220549 -0.08273 -0.04287 0.09341 0.50984. Prueba de esfericidad de Barlett
Prueba de Hipótesis
\(Ho: |Rp| = 1\)
\(H1: |Rp| /= 1\)
\(Alfa =0.05\)
cortest.bartlett(cor(data.tf3),n=nrow(data.tf3))## $chisq
## [1] 3985
##
## $p.value
## [1] 0
##
## $df
## [1] 78Conclusión
A un nivel de significancia del 5%, existe suficiente evidencia estadistica para rechazar Ho, lo que nos indica que la matriz de correlaciones es diferente a la matriz identidad.
5. Kayser, Meyer, Olkin - KMO
(data.tf3_KMO<-KMO(data.tf3))## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = data.tf3)
## Overall MSA = 0.87
## MSA for each item =
## gusta vestir moda Vestido e impresión molesta ropa igual
## 0.79 0.83 0.88
## Vida + agradable coche prestigio ambiente social
## 0.85 0.89 0.90
## casa dice mucho bienes=calidad vida gusto x tiendas nuevas
## 0.89 0.87 0.87
## decido marcha calidad + que precio marca=garantía
## 0.92 0.85 0.87
## compro no pensaba
## 0.84data.tf3_KMO$MSA## [1] 0.87Conclusión
El valor KMO obtenido es 0.87, el cual es muy próximo a 1, por lo que podemos asumir que nuestro análisis será el adecuado.
6. Gráfico de Sedimentación
plot(modelo4$values,
type="b",
pch=20,
col="blue",
main="Gráfico de sedimentación")
abline(h=1,lty=3,col="red") #Mediana
7. Comunalidades
modelo4$communality## gusta vestir moda Vestido e impresión molesta ropa igual
## 0.643 0.704 0.765
## Vida + agradable coche prestigio ambiente social
## 0.631 0.714 0.711
## casa dice mucho bienes=calidad vida gusto x tiendas nuevas
## 0.755 0.630 0.616
## decido marcha calidad + que precio marca=garantía
## 0.672 0.818 0.759
## compro no pensaba
## 0.7358. Explicación de la varianza
modelo4$loadings##
## Loadings:
## RC1 RC3 RC2 RC4
## gusta vestir moda 0.783 0.173
## Vestido e impresión 0.399 0.732
## molesta ropa igual 0.775 0.374 0.154
## Vida + agradable 0.338 -0.142 0.686 0.161
## coche prestigio 0.812 0.190
## ambiente social 0.675 0.123 0.119 0.475
## casa dice mucho 0.654 0.487 0.288
## bienes=calidad vida 0.156 0.401 0.666
## gusto x tiendas nuevas 0.220 0.716 0.232
## decido marcha 0.194 0.602 0.520
## calidad + que precio 0.134 0.137 0.265 0.843
## marca=garantía 0.426 0.177 0.150 0.724
## compro no pensaba 0.205 0.798 0.237
##
## RC1 RC3 RC2 RC4
## SS loadings 2.610 2.303 2.269 1.972
## Proportion Var 0.201 0.177 0.175 0.152
## Cumulative Var 0.201 0.378 0.552 0.704Interpretación
\(Fact1: 20.1\%\) varianza explicada
\(Fact2: 17.7\%\) varianza explicada
\(Fact3: 17.5\%\) varianza explicada
\(Fact4: 15.2\%\) varianza explicada
9. Análisis de Componentes
fa.diagram(modelo4)
Factores del Modelo 4
Factor 1: Activo(Siempre esta informado al momento de consumir algun producto)
Factor 2: Pionner (Consumidor que siempre sigue tendencias de moda)
Factor 3: Innovador (Compra productos sin haberlo pensado)
Factor 4: Emocional (Compra productos para satisfacer sus necesidades)
Resultados
De los cuatro modelos evaluados mediante el análisis factorial, se consideró adecuado seleccionar el cuarto modelo que consta de trece variables resumidas en cuatro factores, los cuales resumen el 68 % de la información inicial.
Factor 1 – Activo (Consumidor que esta informado al momento de consumir algún producto).
- El coche es un objeto que indica el prestigio de quien lo lleva.
- Me molesta ver a alguien con ropa igual que la mía.
- La gente compra productos en consonancia con el ambiente social en el que vive.
- Me gusta “invertir” en una casa elegante, ya que dice mucho de los que en ella vive.
Factor 2 – Pionner (Consumidor que sigue tendencias).
- Es frecuente que compre cosas que no tenía pensadas.
- Gusto por tiendas nuevas.
- Normalmente decido sobre la marcha lo que compro.
Factor 3 – Innovador (Compra productos sin haberlo pensado).
- Me gusta vestir a la moda.
- Procuro ir siempre bien vestido, porque para mí es muy importante la impresión que doy a los demas.
- Cuando compro algún producto para mi casa lo hago pensando únicamente en que va a hacerme la vida más agradable.
- Los bienes que poseo (casa, coche, etc.) únicamente son importantes porque mejoran mi calidad de vida.
Factor 4 – Emocional (Compra productos para satisfacer sus necesidades)
- Cuando compro doy más importancia a la calidad que a los precios.
- Las diferencias entre unas marcas y otras se notan mucho, la marca es una garantía.
Por lo tanto, la actitud de compra de los consumidores en un entorno social determinado se asocian a un consumidor activo, pionner, innovador y emocional.
Bibliografía
Díaz de Rada, V. (2018). Técnicas multivariantes de interdependencia (1.ª ed., pp. 95–159). Madrid: RA-MA Editorial.
Méndez Suárez, M. (2018). Análisis de Datos Con R. Una Aplicación A La Investigación de Mercados (1.ª ed., pp. 86–109). Madrid. Recuperado de scfull.com_analisis-de-datos-con-r-una-aplicacion-a-la-investigacion-de-mercados-mendez.pdf