Mechanical and microstructural results 1 Mechanical data

Henson y Roberts (2006), consideran que por medio de esta herramienta se pretende establecer si hay factores que intervienen en la compra; para lo cual el Análisis factorial tiene como objetivo reducir la dimensionalidad de los datos. Es decir, su objetivo es explicar un conjunto de variables observadas por un pequeño número de variables latentes, que llamaremos factores, obtenidos a partir de correlaciones de las variables observadas.

Para Henson y colaborador (2006), primero se realiza un análisis factorial exploratorio y posteriormente el confirmatorio. Para los autores el primero es considerado más un procedimiento para generar teorías que para confirmarlas. La finalidad del análisis factorial exploratorio es precisamente explorar y no está pensado para probar hipótesis o teorías. El análisis factorial confirmatoria supone establecer como hipótesis previa el número de factores, para el estudio se presentó dos factores.

En primera instancia se determinó las variables que conformen conjuntos correlacionados y medidos en escala métrica como son la satisfacción en el color, olor, sabor, espesor, precio, disponibilidad, higiene, valor nutricional, nivel de grasa y frescura de la marca actual de consumo.

2.4.1 Comprobación de la existencia de inter-correlaciones en la matriz:

Henson y Roberts (2006), consideran una prueba de inferencia llamada Test de

Esfericidad de Bartlett, cuya hipótesis nula es que la matriz de correlaciones es una

matriz identidad o unidad. Para que sea factible realizar el AF este tiene que ser p< 0.05. En este caso es menor al valor establecido por lo que se procede a la aplicación del método multivariado.

TABLA No. 2.2 KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer- Olkin. .880 Prueba de esfericidad de Bartlett Chi-cuadrado aproximado 3333.464 Gl 45 Sig. .000

Fuente: Levantamiento de Información por Investigación de

Mercados

Doris Vanegas

Isabel Cuji L. 35

Por otro lado en la tabla 2.2 vemos el valor de KMO, que para Henson y Roberts (2006), contrasta si las correlaciones parciales entre las variables son suficientemente pequeñas. Para los autores esto permite comparar la magnitud de los coeficientes de correlación observados con la magnitud de los coeficientes de correlación parcial. Este estadístico varía entre 0 y 1. Los valores pequeños indican que el análisis factorial puede no ser una buena idea, dado que las correlaciones entre los pares de variables no pueden ser explicadas por otras variables. Los menores que 0.5 indican que no deben utilizarse el análisis factorial con los datos muéstrales que se están analizando.

TABLA No. 2.3 Varianza total explicada

Component

e Autovalores iniciales

Sumas de las saturaciones al cuadrado de la extracción

Suma de las saturaciones al cuadrado de la rotación Total % de la varianz a % acumulad o Total % de la varianz a % acumulad o Total % de la varianz a % acumulad o 1 7,648 76,483 76,482 7,648 76,483 76,482 6,354 63,543 63,543 2 1,123 11,227 87,709 1,123 11,227 87,709 2,417 24,166 87,709 3 ,339 3,389 91,098 4 ,254 2,541 93,640 5 ,199 1,994 95,633 6 ,155 1,547 97,181 7 ,130 1,299 98,480 8 ,091 ,905 99,385 9 ,040 ,402 99.787 10 ,021 ,213 100,000

Método de extracción: Análisis de Componentes principales.

Fuente: Levantamiento de Información por Investigación de Mercados Elaborado por: Elaboración Propia

Henson y Roberts (2011), consideran que el análisis factorial intenta identificar variables subyacentes o factores, que expliquen la configuración de las correlaciones dentro de un conjunto de variables observadas. Henson y colaborador (2011), manifiestan que el análisis factorial se suele utilizar en la reducción de los datos para identificar un pequeño número de factores que explique la mayoría de la varianza observada en un número mayor de variables manifiestas.

La información de la tabla 2.3 puede usarse para tomar una decisión sobre el número idóneo de factores que debe extraerse. Por ejemplo si quisiéramos explicar con un 91.098% la variabilidad contenida en los datos, sería necesario extraer 3 factores. Tal como muestra la columna de porcentajes acumulados (%), con 10 factores que es

Doris Vanegas

Isabel Cuji L. 36

posible extraerse consigue explicar el 100% de la varianza total, pero con ello no se consigue el objetivo de reducir el número de dimensiones necesarias para explicar los datos pero en este caso, con los dos primeros se explica el 87,709% de la varianza, que se puede considerar un porcentaje razonable.

2.4.2 Gráfico de Sedimentación

GRÁFICO No. 2.1

Fuente: Levantamiento de Información por Investigación de Mercados Elaborado por: Elaboración Propia

El gráfico 2.1 de la varianza asociada a cada factor determina cuántos factores deben retenerse, en nuestro caso se obtuvieron dos factores.

Ávila (2007), considera que típicamente el gráfico de Sedimentación muestra la clara ruptura entre la pronunciada pendiente de los factores más importantes y el descenso gradual de los restantes (los sedimentos).

El gráfico de sedimentación da a conocer que existen dos factores que influyen directamente en la elección de una marca de leche, es decir que los consumidores

Doris Vanegas

Isabel Cuji L. 37

cuando compran se guían por estos dos factores ya sean por las expectativas, necesidades o experiencias anteriores.

TABLA No. 2.4

Matriz de componentes rotados

Componente

1 2

Satisfecho con el color de mi marca

.130 .856

Satisfecho con el sabor de mi marca

.133 .870

Satisfecho con el espesor de mi marca

.149 .877

Satisfecho con el precio de mi marca

.739 .194

Satisfecho con el valor nutricional de mi marca

.873 .135

Satisfecho con la Higiene de mi marca

.765 .108

Satisfecho con el olor de mi marca .110 .800 Satisfecho con la disponibilidad de mi marca .631 .134

Satisfecho con el nivel de grasa de mi marca

.674 .136

Satisfecho con el frescura de mi marca

.889 .137

Método de extracción: Análisis de componentes principales. Método de rotación: Normalización Varimax con Kaiser.

a. La rotación ha convergido en 3 iteraciones.

Fuente: Levantamiento de Información por Investigación de

Mercados

Doris Vanegas

Isabel Cuji L. 38

Bajo los parámetros anteriores se puede determinar que hay dos factores que se relacionan directamente con la satisfacción en el sabor y la frescura de una leche. Se observa en la tabla 2.4 el primer factor se encuentran el color, sabor, espesor y olor de la leche, los cuales son percibidos por los órganos sensoriales por lo cual se los denominó Factores Sensoriales del producto y su principal componente es el sabor. En el segundo factor los componentes son Precio, Valor Nutricional, Higiene, Disponibilidad, Nivel de Grasa y Frescura a los cuales se denominan Factores

Superficiales por tener un cierto grado de manipulación donde el principal elemento es

la Frescura, medido en especial por la fecha de caducidad.