Analisis Factorial Del Modelo 1.docx

Análisis de la Validez y consistencia interna de los instrumentos de medida. Antes de iniciar el análisis factorial en todas sus etapas para cada modelo propuesto, cabe hacer la pregunta acerca de la fiabilidad del instrumento de medición que hemos diseñado. Más concretamente, podemos plantear un conjunto de preguntas: ¿Son adecuadas estos 41 ítems (reactivos) definidas? ¿Podemos confiar en el instrumento que contenga estos 41 ítems? ¿Debemos eliminar alguno de ellos? Para contestar estas preguntas debemos testear la fiabilidad del instrumento (de la escala). Testear la fiabilidad de la escala significa que queremos determinar si las diferencias que observamos en las respuestas a los reactivos obedecen verdaderamente a diferencias de opinión respecto a la importancia de una variable en la compra de una carrera, o simplemente se trata de que tenemos un instrumento de medición defectuoso, que no logra medir adecuadamente las similitudes y diferencias en la opinión de los estudiantes, o peor aún, que los lleva a confusión en el proceso de reconstrucción de una elección racional. Uno de los criterios más utilizados para contestar estas preguntas es el llamado coeficiente de Alfa de Cronbach. Este coeficiente evalúa la consistencia interna de los ítems de la escala y constituye una evidencia acerca de la unidimensionalidad de la misma. Por lo cual el análisis se realizara con el paquete estadístico IBM SPSS 23. (Hernandez, 2014). Prueba de Confiabilidad de los ítems: Coeficiente Alfa de Cronbach (MODELO 1) Tabla 1: Estadístico de fiabilidad de escala (Modelo 1) Alfa de Cronbach

N de elementos

,990

41

Tabla 2: Estadístico de fiabilidad de escala (Modelo 2) Alfa de Cronbach

N de elementos

,805

44

Tabla 3: Estadístico de fiabilidad de escala (Modelo 3) Alfa de Cronbach

N de elementos

,984

28

De acuerdo a esta prueba la escala de los ítems correspondientes al modelo 1 (Estrategia competitiva – ventaja competitiva – Rendimiento); Modelo 2 (Orientación al cliente, orientación a la productividad, orientación a la calidad, autonomía de los empleados, intensidad de la competencia y calidad de servicio); Modelo 3 (Autoeficacia, orientación a la pequeña empresa, orientación al emprendimiento, innovación, satisfacción,, calidad de servicio y rendimiento) arroja un coeficiente de 0,990, 0,805 y 0,984 respectivamente. Esto significa que el instrumento es adecuado (fiable) para evaluar las opiniones de los responsables (gerentes, propietarios de las agencias) y también a los turistas. Adicionalmente, podemos mirar los ítems de manera atomizada, ya que existe una prueba que nos permite determinar si la fiabilidad del instrumento aumenta o disminuye al eliminar un ítem, todo lo cual se muestra en la siguiente tabla:

Tabla 4: Estadísticas de total de elemento de escala (Modelo 1) Media de escala si el

Varianza de escala si el

elemento se ha suprimido elemento se ha suprimido

Correlación total de

Alfa de Cronbach si el

elementos corregida

elemento se ha suprimido

EST1

138,13

1707,521

,779

,990

EST2

138,79

1707,091

,826

,989

EST3

138,39

1674,024

,936

,989

EST4

138,11

1697,121

,802

,989

EST5

138,35

1716,257

,703

,990

EST6

137,97

1700,066

,907

,989

EST7

138,59

1691,652

,855

,989

EST8 VCC1

138,15

1707,092

,793

,989

138,79

1707,091

,826

,989

VCC2

138,39

1674,024

,936

,989

VCC3

138,79

1707,091

,826

,989

VCC4

138,39

1674,024

,936

,989

VCC5

138,35

1716,257

,703

,990

VCL1

137,97

1700,066

,907

,989

VCL2

138,72

1702,243

,856

,989

VCL3

138,95

1700,031

,708

,990

VCL4 VCF1

138,94

1708,862

,801

,989

139,01

1713,342

,742

,990

VCF2

137,91

1704,689

,830

,989

VCF3

138,49

1686,936

,848

,989

VCF4 VCH1

138,13

1707,521

,779

,990

138,79

1707,091

,826

,989

VCH2

138,39

1674,024

,936

,989

VCH3

138,11

1697,121

,802

,989

VCH4

138,35

1716,257

,703

,990

VCH5 VCR1

137,97

1700,066

,907

,989

138,59

1691,652

,855

,989

VCR2

138,15

1707,092

,793

,989

VCR3

138,79

1707,091

,826

,989

VCR4 VCT1

138,39

1674,024

,936

,989

138,79

1707,091

,826

,989

VCT2

138,39

1674,024

,936

,989

VCT3

138,35

1716,257

,703

,990

VCT4

137,97

1700,066

,907

,989

VCT5

138,15

1707,092

,793

,989

VCT6 RM1

138,79

1707,091

,826

,989

138,39

1674,024

,936

,989

RM2

138,79

1707,091

,826

,989

RM3

138,39

1674,024

,936

,989

RM4

138,35

1716,257

,703

,990

RM5

137,97

1700,066

,907

,989

Tabla 5: Estadísticas de total de elemento de escala (Modelo 2) Media de escala si el

Varianza de escala si el

elemento se ha suprimido elemento se ha suprimido

Correlación total de

Alfa de Cronbach si el

elementos corregida

elemento se ha suprimido

C01

155,51

120,654

,349

,799

C02

155,05

122,225

,175

,805

C03

154,93

121,271

,227

,803

C04

155,45

121,659

,267

,801

C05

154,82

127,786

-,087

,813

C06

155,39

126,816

-,033

,810

C07

154,63

109,323

,696

,782

C08

155,26

133,214

-,528

,818

C09

154,61

122,373

,224

,803

OP1

154,57

127,012

-,044

,810

OP2

155,01

113,154

,796

,785

PO3

154,13

114,393

,689

,788

154,33

114,960

,664

,789

OP4 CO1.3

154,51

105,742

,917

,773

CO2.3

155,77

120,579

,416

,798

CO3.3

154,73

123,784

,168

,804

CO4.3

156,19

137,415

-,603

,827

AUT1

155,65

123,250

,215

,803

AUT2

155,23

116,905

,608

,791

AUT3

155,31

128,995

-,167

,813

IC1

154,18

114,994

,727

,788

IC2

154,60

129,248

-,258

,811

IC3

154,63

122,383

,464

,799

IC4

153,97

115,160

,753

,788

IC5

154,81

120,358

,327

,799

IC6 CSQ1

155,43

134,274

-,619

,820

155,51

120,654

,349

,799

CSQ2

155,05

122,225

,175

,805

CSQ3

154,93

121,271

,227

,803

CSQ4

155,45

121,659

,267

,801

CSQ5

154,82

127,786

-,087

,813

CSQ6

155,39

126,816

-,033

,810

CSQ7

154,63

109,323

,696

,782

CSQ8

155,26

133,214

-,528

,818

CSQ9 CSQ10

154,61

122,373

,224

,803

154,57

127,012

-,044

,810

CSQ11

155,01

113,154

,796

,785

CSQ12

154,13

114,393

,689

,788

CSQ13

154,33

114,960

,664

,789

CSQ14 OP1.1

154,51

105,742

,917

,773

155,77

120,579

,416

,798

OP2.2

154,73

123,784

,168

,804

OP3.3

156,19

137,415

-,603

,827

OP4.4

155,65

123,250

,215

,803

Tabla 6: Estadísticas de total de elemento de escala (Modelo 3) Media de escala si el

Varianza de escala si el

elemento se ha suprimido elemento se ha suprimido

Correlación total de

Alfa de Cronbach si el

elementos corregida

elemento se ha suprimido

AEF1

93,21

765,011

,793

,983

AEF2

93,87

766,823

,806

,983

AEF3

93,47

744,452

,924

,983

AEF4 EMO1

93,19

759,123

,799

,983

93,43

771,952

,698

,984

EMO2

93,05

760,386

,917

,983

EMO3

93,67

756,060

,844

,983

EMO4

93,23

764,700

,807

,983

EMO5

93,87

766,823

,806

,983

RM1

93,47

744,452

,924

,983

RM2

93,87

766,823

,806

,983

RM3

93,47

744,452

,924

,983

RM4

93,43

771,952

,698

,984

RM5 CSQ1

93,05

760,386

,917

,983

93,80

762,550

,853

,983

CSQ2

94,03

761,361

,699

,984

CSQ3

94,02

767,107

,796

,983

CSQ4

94,09

769,602

,744

,984

CSQ5

92,99

763,275

,842

,983

CSQ6

93,57

752,771

,839

,983

CSQ7

93,21

765,011

,793

,983

CSQ8

93,87

766,823

,806

,983

CSQ9

93,47

744,452

,924

,983

CSQ10

93,19

759,123

,799

,983

CSQ11

93,43

771,952

,698

,984

CSQ12

93,05

760,386

,917

,983

CSQ13

93,67

756,060

,844

,983

CSQ14

93,23

764,700

,807

,983

En la tablas 4, 5 y 6 se muestran los resultados del cálculo del coeficiente de Cronbach con la muestra de 150 casos entre gerentes y/o propietarios y clientes, pero en la fila correspondiente a cada reactivo, se ha calculado su contribución individual al coeficiente de Cronbach, lo que se hace calculando el coeficiente alfa de toda la escala excluyendo ese reactivo del cálculo. La última columna de la tabla muestra que la fiabilidad del

instrumento tiende a disminuir, y no a aumentar, con la eliminación de cualquier reactivo, lo que indicaría que matemáticamente hablando, no tenemos elementos (reactivos) que causen confusión en la aplicación de la instrumento. Por otra parte, si prestamos atención a lo que se muestra en la columna “Correlación reactivo -total corregida”, se ve que la escala tiene la virtud de que la correlación entre los reactivos es moderadamente positiva, oscilando entre el 0,2 y 0,9, en los tres modelos, por lo que pueden considerarse adecuados debido a que cada uno tiene la misma polaridad de puntuación y, más importante aún, en cuanto a indicar que cada uno de ellos es consistente con el conjunto de la escala. A modo de conclusión, diremos que los resultados de fiabilidad general muestran que tenemos un instrumento adecuado, que no llama a confusión a los gerentes y/o propietarios de agencias de viaje y clientes de la región en estudio, pero que tampoco es redundante. Esto quiere decir que los gerentes y/o propietarios de agencias de viaje y clientes que puntuaron los reactivos de manera diferente, es porque efectivamente opinaban de manera distinta. Además, no tenemos razones, estadísticamente hablando, para reducir el número de reactivos, puesto que ello no redundaría en una mayor fiabilidad del instrumento. Análisis factorial (MODELO 1) En primero lugar se realizara un análisis factorial del primer modelo la cual está distribuido por 3 grupos (A = Ventaja competitiva, B = Estrategia de la agencia, C = Rendimiento de mercado), y se analizaran los reactivos (ítems) de cada grupo. La primera pregunta que debemos responder es ¿tenemos datos adecuados para realizar un Análisis Factorial? Vamos a responder esa pregunta utilizando el método de Componentes Principales. La principal diferencia con el Análisis Factorial común, es que el Análisis Factorial Exploratorio por Componentes Principales busca explicar la mayor

variabilidad (varianza) posible con el menor número de componentes o factores, y por lo tanto no se muestran factores específicos. Debemos decir, además, que este es el método más comúnmente utilizado para realizar AFE. Análisis Factorial: MODELO 1 (Grupo A - Ventaja competitiva) A continuación, se muestran los principales resultados del AFE que nos llevaron a postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos muestra una medida de la adecuación de la muestra para poder realizar un análisis factorial por medio de Componentes Principales. Tabla 7: Prueba de KMO y Bartlett (Grupo A –Ventaja competitiva) Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado gl Sig.

,923 1923,668 58 ,000

Se partió con una medida parecida a la de fiabilidad de Cronbach: se trata de la medida de Kaiser-Meyer-Olkin. Al igual que la medida del alfa de Cronbach, toma las correlaciones de los reactivos en la escala. Ésta debe ser cercana a 1, y en cualquier caso superior a 0,6 para ser adecuada. Nuestros datos muestran 0,923, lo que implica que las variables (ítems) originales sí son adecuadas para realizar un Análisis Factorial, los valores pequeños (<0,6) indican que el análisis factorial puede no ser una buena idea, ya que las correlaciones entre los pares de variables no pueden ser explicadas por otras variables, o por factor latente en las mismas. Además, de acuerdo al valor de chi-cuadrado de 1923,668, podemos rechazar con un nivel de 95% de confianza la hipótesis nula de no correlación entre los ítems, lo que implica que los ítems sí están correlacionados (para estos efectos, requerimos que las variables estén correlacionadas a fin de, específicamente, poder formar factores). Como puede

apreciarse, buena parte de esta información había sido entregada con el análisis de fiabilidad mediante el coeficiente de Cronbach, y es que éste coeficiente puede ser visto como un análisis factorial exploratorio de un factor, por lo que podemos deducir de los datos que, hasta el momento, nuestra matriz de correlaciones es adecuada para nuestro propósito de formar factores comunes a las variables.

Tabla 8: Matriz de varianza total explicada Sumas de cargas al cuadrado de la

Sumas de cargas al cuadrado de la

extracción

rotación

% de

% de

%

varianza

acumulado

Autovalores iniciales

Componente

Total

% de varianza

% acumulado

Total

varianza

% acumulado

Total

1

19,920

71,144

71,144

19,920

71,144

71,144

10,026

35,808

35,808

2

3,522

12,579

83,724

3,522

12,579

83,724

7,247

25,882

61,690

3

1,682

6,008

89,732

1,682

6,008

89,732

4,720

16,859

78,549

4

1,027

3,669

93,401

1,027

3,669

93,401

4,159

14,852

93,401

5

,756

2,700

96,102

6

,428

1,529

97,631

7

,299

1,068

98,699

8

,164

,585

99,284

9

,088

,314

99,598

10

,067

,240

99,838

11

,017

,060

99,898

12

,014

,052

99,950

13

,009

,033

99,983

14

,005

,017

100,000

15

4,519E-16

1,614E-15

100,000

16

9,177E-17

3,277E-16

100,000

17

5,768E-17

2,060E-16

100,000

18

3,975E-17

1,419E-16

100,000

19

2,234E-17

7,977E-17

100,000

20

1,146E-17

4,092E-17

100,000

21

5,420E-18

1,936E-17

100,000

22

-1,031E-18

-3,683E-18

100,000

23

-1,094E-17

-3,906E-17

100,000

24

-1,417E-17

-5,061E-17

100,000

25

-2,574E-17

-9,192E-17

100,000

26

-3,512E-17

-1,254E-16

100,000

27

-6,547E-17

-2,338E-16

100,000

28

-1,080E-16

-3,858E-16

100,000

Método de extracción: análisis de componentes principales.

En la tabla de las varianzas totales según factor o componente, podemos verificar que el componente 1 que mayormente está asociado a la formación continua del personal, al análisis y conocimiento del mercado, la profesionalidad, la calidad y eficacia del servicio y la eficiencia de los recursos tiene una variabilidad de 35,808

Figura 1: Gráfico de sedimentación (Modelo 1 - Grupo A - Ventaja competitiva)

Esta figura sugiere que en el modelo confirmatorio sólo debieran ser usados cuatro (4) factores latentes. En el eje Y se encuentra el autovalor (eigenvalue) que indica la cantidad de información capturada por cada factor. Por lo tanto, el gráfico debe ser interpretado utilizando la siguiente regla general para decidir el número de factores a utilizar: tome los factores hasta que la pendiente de la recta que une sus puntos sea relativamente (≈) paralela al Eje X. Mirando el eje X en nuestro gráfico, se ve que después de los cuatro (4) factores, la contribución del 5to, 6to y 7mo puede ser considerada como marginal, o por

lo menos tiende a hacerse paralela al eje X, por lo que parece recomendable según los criterios expuestos, seleccionar sólo cuatro (4) factores latentes para testear el modelo de decisión de ventaja competitiva. Los resultados del modelo exploratorio se exponen en la siguiente tabla que muestra los resultados rotados de la matriz de cargas factoriales. Hemos seleccionado (sombreado) la mayor carga factorial de cada reactivo en cada Factor Latente. Los reactivos se encuentran etiquetados de acuerdo a los criterios especificados en el instrumento donde están las preguntas con su respetivo código asignado, por lo que puede consultarse aquel anexo para obtener su significado: Tabla 9: Matriz de componente rotadoa (Modelo 1 - Grupo A - Ventaja competitiva) Componente 1

2

3

4

VCH1

,934

,211

,229

,131

VCT1

,934

,211

,229

,131

VCT6

,934

,211

,229

,131

VCC1

,934

,211

,229

,131

VCC3

,934

,211

,229

,131

VCR3

,934

,211

,229

,131

VCR1

,827

,245

,326

,209

VCF3

,771

,308

,333

,184

VCL3

,725

,348

,149

VCF1

,539

,423

,135

,402

VCL4

,533

,378

,295

,437

VCF4

,237

,914

,162

,230

VCT5

,242

,913

,171

,249

VCR2

,242

,913

,171

,249

VCF2

,222

,846

,327

,288

VCT4

,372

,813

,346

,264

VCH5

,372

,813

,346

,264

VCL1

,372

,813

,346

,264

VCH3

,233

,425

,743

,274

VCC4

,555

,329

,700

,291

VCC2

,555

,329

,700

,291

VCH2

,555

,329

,700

,291

VCT2

,555

,329

,700

,291

VCR4

,555

,329

,700

,291

VCL2

,333

,377

,581

,540

VCH4

,157

,325

,241

,887

VCT3

,157

,325

,241

,887

VCC5

,157

,325

,241

,887

Método de extracción: análisis de componentes principales. Método de rotación: Varimax con normalización Kaiser. a. La rotación ha convergido en 6 iteraciones.

Interpretación: Análisis Factorial: MODELO 1 (Grupo B – Estrategia de la agencia)

Tabla 10: Prueba de KMO y Bartlett (Grupo B –Estrategia de la agencia) Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado gl Sig.

,850 1895,773 28 ,000

Figura 2: Gráfico de sedimentación (Modelo 1 - Grupo B - Estrategia de la agencia)

Tabla 11: Matriz de componente rotadoa (Modelo 1 - Grupo B - Estrategia de la agencia) Componente 1

2

EST8

,938

,246

EST1

,935

,234

EST6

,864

,455

EST5

,674

,331

EST4

,625

,554

EST2

,225

,919

EST7

,296

,912

EST3

,505

,799

Método de extracción: análisis de componentes principales. Método de rotación: Varimax con normalización Kaiser. a. La rotación ha convergido en 3 iteraciones.

Interpretación:

Análisis Factorial: MODELO 1 (Grupo C – Rendimiento de mercado) Tabla 12: Prueba de KMO y Bartlett (Grupo C – Rendimiento de mercado) Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado gl Sig.

,850 1895,773 28 ,000

Figura 3: Gráfico de sedimentación (Modelo 1 - Grupo C - Rendimiento del mercado)

Tabla 13: Matriz de componente rotadoa (Modelo 1 - Grupo C - Rendimiento de mercado) Componente 1 RM1

,965

RM3

,965

RM5

,880

RM2

,827

RM4

,730

Método de extracción: análisis de componentes principales. a. 1 componentes extraídos.