Analisis Factorial - Teresa Venero.docx

MODELO 1 En primer lugar se realizara un análisis de fiabilidad mediante el alfa de cronbach para luego de ello comenzar con el análisis factorial, el cual primer modelo 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. Para el análisis factorial aplicado al Modelo 1 se utilizará el fichero con el nombre de BD – Modelo 1.sav, el cual contiene los valores de 41 indicadores de ventajas competitivas, estrategias de agencia y rendimiento de mercado. El objetivo es aplicar el análisis factorial para ver qué grupo explica mejor el constructo. Grupo A – Ventaja competitiva Análisis de fiabilidad Tabla 1. Estadístico de fiabilidad – ventaja competitiva Alfa de Cronbach

N de elementos

,990

28

El alfa de la escala de variables “ventaja competitiva” es de 0,990 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 28 elementos para el análisis. Análisis factorial exploratorio 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 2: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado gl Sig.

,923 1923,668 58 ,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación

muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad. Tabla 3: Varianza total explicada – ventaja competitiva Sumas de cargas al cuadrado de la

Sumas de cargas al cuadrado de la

extracción

rotación

Autovalores iniciales

Componente

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

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.

El método de extracción utilizado para el análisis, es el de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores

mayores que 1 existan. En el caso del Grupo A - Ventajas competitivas se encontraron cuatro autovalores superiores a 1, en el cual se muestra la varianza antes de la rotación y la varianza después de la rotación notándose una redistribución de la variabilidad entre los factores, no obstante los cuatro factores logran explicar el 93.401% de la variabilidad del constructo disposición hacia el estudio. El quinto autovalor es de 0.756<1 y aportaba cerca de un 3% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 4: Cuadro de comunalidades – ventajas competitivas Inicial

Extracción

VCC1

1,000

,987

VCC2

1,000

,991

VCC3

1,000

,987

VCC4

1,000

,991

VCC5

1,000

,976

VCL1

1,000

,988

VCL2

1,000

,882

VCL3

1,000

,675

VCL4

1,000

,704

VCF1

1,000

,649

VCF2

1,000

,954

VCF3

1,000

,834

VCF4

1,000

,971

VCH1

1,000

,987

VCH2

1,000

,991

VCH3

1,000

,862

VCH4

1,000

,976

VCH5

1,000

,988

VCR1

1,000

,893

VCR2

1,000

,983

VCR3

1,000

,987

VCR4

1,000

,991

VCT1

1,000

,987

VCT2

1,000

,991

VCT3

1,000

,976

VCT4

1,000

,988

VCT5

1,000

,983

VCT6

1,000

,987

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial, salvo quizás los siguientes ítems: Esta localizada a menor distancia de la ciudad (VCL3), puede disponer más fácilmente de recursos financieros, para financiar su crecimiento posee más recursos financieros (VCF1) Tabla 5: Matriz de componente rotadoa – ventaja competitiva Componente 1

2

VCH1

,934

VCT1

,934

VCT6

,934

VCC1

,934

VCC3

,934

VCR3

,934

VCR1

,827

VCF3

,771

3

4

VCL3 VCF1 VCL4 VCF4

,914

VCT5

,913

VCR2

,913

VCF2

,846

VCT4

,813

VCH5

,813

VCL1

,813

VCH3

,743

VCC4

,700

VCC2

,700

VCH2

,700

VCT2

,700

VCR4

,700

VCL2 VCH4

,887

VCT3

,887

VCC5

,887

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

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 5 se obtuvieron 4 factores. Factor 1. El primer factor analizado incorpora 9 reactivos (ítems): 

Justificable: Personal capacitado VCH1



Justificable: Inversión de equipamiento VCT1



Justificable: Nuevas tecnologías de comunicación VCT6



Justificable: Conocimiento de producto estrella VCC1



Justificable: Inteligencia emocional VCC3



Justificable: Satisfacción de hoteles y sumistradores VCR3



Justificable: Relaciones con hoteles y sumistradores VCR1



Justificable: Accesibilidad a créditos bancarios VCF3



Justificable: Ubicación VCL3

Este primer factor explica el 38.81% de la varianza de la información recabada de la matriz de componentes rotados. Tal como se observa en la matriz de componente rotado visto anteriormente en lo que se refiere a ventaja competitiva, donde los ítems que mayormente aportan a este factor están enfocados debido a la alta aceptación en el personal capacitado (VCH1), en inversiones de equipamiento de la agencia (VCT1), en tecnologías de comunicación (VCT6), en conocimiento de productos que más aportan a

la agencia (VCC1), también en saber solucionar los problemas rápidamente (VCC3) y sobre todo las alianzas estratégicas (VCR1). Así mismo, se ve se ve que los ítems que aportan en menos proporción pero son muy representativos igualmente es la accesibilidad que tienen las agencias a créditos bancarios (VCF3) y la ubicación de las agencias (VCL3). Factor 2. El segundo factor analizado incorpora 7 reactivos (ítems). 

Justificable: Mayor liquidez VCF4



Justificable: Accesibilidad tecnológica VCT5



Justificable: Confianza VCR2



Justificable: Buena estructura financiera VCF2



Justificable: Compromiso en utilización de recursos VCT4



Justificable: Compromiso en los objetivos a seguir VCH5



Justificable: Accesible en la ubicación VCL1

Este segundo factor explica el 25.88% de la varianza de la información recabada de la matriz de componentes rotados, donde los ítems que mayormente aportan a este factor están enfocados debido a la alta aceptación en la liquidez de la empresa (VCF4), en la accesibilidad tecnológica que esta puede tener (VCT5), en la confianza que brinda (VCR2), en una solidad estructura financiera (VCF2). Así mismo, se ve se ve que los ítems que aportan en menos proporción pero son muy representativos igualmente es el compromiso de los empleados al momento de la utilización de los recursos (VCT4), también en el compromiso de los empleados en lo que se refiere a cumplir con los objetivos de la empresa (VCH5) y a la accesibilidad por la buena ubicación de la empresa (VCL1). Factor 3. El tercer factor analizado incorpora 6 reactivos (ítems). 

Justificable: Motivación para mejora continua VCH3



Justificable: Mejores productos y/o servicios VCC4



Justificable: Enfoque en la necesidad de los clientes VCC2



Justificable: Personal con más experiencia VCH2



Justificable: Personal con mayor conocimiento de tecnología VCT2



Justificable: Garantida en calidad de producto y/o servicio VCR4

Este tercer factor explica el 16.86% de la varianza de la información recabada de la matriz de componentes rotados, donde el ítem que mayormente aporta a este factor está enfocado en la motivación de la mejora continua que tienen los empleados (VCH3). Así mismo, se ve se ve que los ítems que aportan en menos proporción pero son muy representativos igualmente es por tener mejores productos y/o servicios (VCC4), el enfoque de la necesidad de los clientes (VCC2), el personal con más experiencia (VCH2), también en el personal con mayor conocimiento de tecnología (VCT2) y por último, la garantía en calidad de productos y/o servicios que brinda la empresa (VCR4). Factor 4. El cuarto factor analizado incorpora 3 reactivos (ítems). 

Justificable: Empleados con mayor conocimiento para resolver problemas VCH4



Justificable: Prioridad de inversión en tecnologías de comunicación VCT3



Justificable: Ofrecimiento de productos y/o servicio más personalizado VCC5

Este cuarto factor explica el 14.85% de la varianza de la información recabada de la matriz de componentes rotados, donde los ítems que mayormente aportan a este factor están enfocados en los empleados con mayor conocimiento para resolver problemas (VCH4) en priorizar la inversión de tecnología de comunicación (VCT3) y por último, el ofrecimiento de productos y/o servicios más personalizados para brindar a los clientes (VCC5). Grupo B – Estrategia de agencia Análisis de fiabilidad Tabla 6: Estadístico de fiabilidad – Estrategia de la agencia Alfa de Cronbach

N de elementos

,941

8

El alfa de la escala de variables “estrategia de la agencia” es de 0,941 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 8 elementos para el análisis.

Análisis factorial exploratorio 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 Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

,850

Aprox. Chi-cuadrado

1895,773

gl

28

Sig.

,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad. Tabla 8: Varianza total explicada – estrategias de la agencia Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la Autovalores iniciales

Componente

Total

extracción

% de

%

varianza

acumulado

Total

rotación

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

1

5,717

71,463

71,463

5,717

71,463

71,463

3,741

46,767

46,767

2

1,078

13,480

84,942

1,078

13,480

84,942

3,054

38,175

84,942

3

,615

7,687

92,629

4

,380

4,747

97,376

5

,088

1,104

98,480

6

,084

1,047

99,527

7

,031

,391

99,918

8

,007

,082

100,000

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo B – Estrategias de la agencia donde se encontraron dos autovalores superiores a 1, en el cual se muestra la varianza antes de la rotación y la varianza después de la rotación notándose una redistribución de la variabilidad entre los

factores, no obstante los 2 factores logran explicar el 84,942% de la variabilidad del constructo disposición hacia el estudio. El tercer autovalor es de 0.615<1 y aporta cerca de un 8% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 9: Cuadro de comunalidades – estrategias de la agencia Inicial

Extracción

EST1

1,000

,930

EST2

1,000

,896

EST3

1,000

,894

EST4

1,000

,698

EST5

1,000

,564

EST6

1,000

,954

EST7

1,000

,919

EST8

1,000

,941

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial, salvo quizás los siguientes ítems: La agencia compite básicamente ofreciendo productos/servicios de mayor calidad que sus rivales (EST4), la agencia tiene la ventaja de ofrecer más garantía a los clientes en razón de su mayor prestigio (EST5). Tabla 10: Matriz de componente rotadoa – estrategia de la agencia Componente 1

2

EST8

,938

EST1

,935

EST6

,864

EST5 EST4 EST2

,919

EST7

,912

EST3

,799

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

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 10 se obtuvieron 2 factores. Factor 1. El primer factor analizado incorpora 3 reactivos (ítems): 

Justificable: Agencia especializada en determinados países EST8



Justificable: Segmentación de clientes EST1



Justificable: Imagen de la agencia EST6

Este primer factor explica el 46.77% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a estrategias de la agencia, donde los ítems que mayormente aportan a este factor están enfocados a que las agencias de viaje están más especializados u orientados en determinados países que las demás agencias del cuzco (EST8), también las agencias de viaje no restringen en la segmentación de sus clientes (EST1). Así mismo, se ve que el ítem que aporta en menos proporción pero es muy representativo igualmente es la imagen de los servicios de calidad de la agencia supera a los de los competidores (EST6). Factor 2. El primer factor analizado incorpora 3 reactivos (ítems): 

Justificable: Precios bajos EST2



Justificable: Segmentación por tipo de clientes EST7



Justificable: Buena organización y control de niveles operativos EST3

Este segundo factor explica el 38.18% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a estrategias de la agencia, donde los ítems que mayormente aportan a este factor están enfocados en el ofrecimiento de los precios bajos para fin de introducirse en el mercado y ser más competitivos (EST2), también las agencias se centran en determinados tipos de clientes potenciales (EST7). Así mismo, se ve que el ítem que aporta en menos proporción pero es muy representativo igualmente es la ventaja respecto a sus rivales derivados de los bajos costes de operación debido a la buena organización y control a niveles operativos (EST3). Grupo C – Rendimiento de mercado Análisis de fiabilidad Tabla 11: Estadístico de fiabilidad – Rendimiento de mercado Alfa de Cronbach

N de elementos

,924

5

El alfa de la escala de variables “rendimiento de mercado” es de 0,924 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 5 elementos para el análisis. Análisis factorial exploratorio 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 12: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado gl Sig.

,875 1842,654 20 ,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad.

Tabla 13: Varianza total explicada – rendimiento de mercado Sumas de cargas al cuadrado de la Autovalores iniciales

extracción %

Componente

Total

% de varianza

acumulado

1

3,855

77,095

77,095

2

,638

12,757

89,852

3

,274

5,479

95,331

4

,233

4,669

100,000

5

2,719E-17

5,438E-16

100,000

Total

% de varianza

3,855

% acumulado

77,095

77,095

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo C – Rendimiento de mercado donde se encontraron solo uno de los autovalores superiores a 1, en el cual se muestra la varianza o variabilidad del factor, no obstante el factor determinado logra explicar el 77.095% de la variabilidad del constructo disposición hacia el estudio. El segundo autovalor es de 0.638<1 y aporta cerca de un 13% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 14: Cuadro de comunalidades – rendimiento de mercado Inicial

Extracción

RM1

1,000

,931

RM2

1,000

,684

RM3

1,000

,931

RM4

1,000

,533

RM5

1,000

,775

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial, salvo quizás los siguientes ítems: El crecimiento de las ventas de la agencia durante los últimos tres años ha sido superior a la media del sector de las agencias de viaje

de Cuzco (RM2), el crecimiento del beneficio de las agencias durante los últimos tres años (RM4). Tabla 15: Matriz de componente rotadoa – rendimiento de mercado Componente 1 RM1

,965

RM3

,965

RM5

,880

RM2 RM4 Método de extracción: análisis de componentes principales. a. 1 componentes extraídos.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 15 se obtuvieron solo 1 factor. Factor 1. El primer factor analizado incorpora 3 reactivos (ítems): 

Justificable: Crecimiento de la cuota de mercado RM1



Justificable: Beneficio de la agencia RM3



Justificable: Crecimiento del número de empleados RM5

Este primer factor explica el 77.10% de la varianza de la información recabada de la matriz de componentes. Tal como se observa en la matriz de componente visto anteriormente en lo que se refiere a rendimiento de mercado, donde los ítems que mayormente aportan a este factor están que el crecimiento de la cuota de mercado de la agencia fue superior en los últimos tres años (RM1), también existe una buena aceptación en cuanto al crecimiento del beneficio de las agencias durante los tres últimos años

(RM3). Así mismo, se ve que el ítem que aporta en menos proporción pero es muy representativo igualmente es el crecimiento del número de empleados de la agencia en los tres últimos años en referencia a la media del sector de las agencias de viajes de Cuzco (RM5). MODELO 2 Se realizara un análisis de fiabilidad mediante el alfa de cronbach para luego de ello comenzar con el análisis factorial, el cual primer modelo está distribuido por 4 grupos (A = Orientaciones empresariales, B = Intensidad de la competencia, C = Autonomía de los empleados y D = Calidad de servicio y optimismo del cliente que serán analizados los reactivos (ítems) de cada grupo. Para el análisis factorial aplicado al Modelo 2 se utilizará el fichero con el nombre de BD – Modelo 2.sav, el cual contiene los valores de 44 indicadores de Orientaciones empresariales, Intensidad de la competencia y Autonomía de los empleados y Calidad de servicio y optimismo del cliente. El objetivo es aplicar el análisis factorial para ver qué grupo explica mejor el constructo. Grupo A – Orientaciones empresariales Análisis de fiabilidad Tabla 16: Estadístico de fiabilidad – orientaciones empresariales Alfa de Cronbach

N de elementos

,962

17

El alfa de la escala de variables “orientaciones empresariales” es de 0,962 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 17 elementos para el análisis. Análisis factorial exploratorio 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 17: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo

,752

Prueba de esfericidad de

Aprox. Chi-cuadrado

3560,470

Bartlett

gl

136

Sig.

,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad. Tabla 18: Varianza total explicada – Orientaciones empresariales Sumas de cargas al cuadrado de la

Sumas de cargas al cuadrado de la

extracción

rotación

Autovalores iniciales

Componente

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

1

6,101

35,886

35,886

6,101

35,886

35,886

5,348

31,461

31,461

2

5,000

29,411

65,297

5,000

29,411

65,297

4,896

28,802

60,263

3

2,248

13,224

78,521

2,248

13,224

78,521

2,649

15,580

75,842

4

1,263

7,429

85,950

1,263

7,429

85,950

1,718

10,108

85,950

5

,671

3,946

89,896

6

,537

3,157

93,053

7

,271

1,595

94,648

8

,265

1,556

96,204

9

,171

1,003

97,207

10

,121

,709

97,917

11

,092

,538

98,455

12

,084

,496

98,952

13

,054

,320

99,271

14

,041

,243

99,515

15

,035

,206

99,720

16

,032

,186

99,906

17

,016

,094

100,000

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo A – Orientaciones empresariales donde se encontraron cuatro autovalores superiores a 1, el cual se muestra la varianza o variabilidad de los factores, no obstante los cuatro factores determinados logran explicar el 85.950% de la variabilidad del constructo disposición hacia el estudio. El quinto autovalor es de 0.671<1 y aporta cerca de un 4% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 19: Cuadro de comunalidades – orientaciones empresariales Inicial

Extracción

C01

1,000

,780

C02

1,000

,875

C03

1,000

,908

C04

1,000

,830

C05

1,000

,846

C06

1,000

,765

C07

1,000

,917

C08

1,000

,793

C09

1,000

,866

OP1

1,000

,895

OP2

1,000

,878

OP3

1,000

,943

OP4

1,000

,812

CO1.3

1,000

,899

CO2.3

1,000

,840

CO3.3

1,000

,836

CO4.3

1,000

,930

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial.

Tabla 20: Matriz de componente rotadoa – orientaciones empresariales Componente 1

2

OP1

-,919

C02

,909

C03

,901

C09

-,811

CO3.3

-,784

3

4

CO2.3 CO1.3

,922

C07

,895

OP3

,871

OP4

,725

CO4.3

-,702

OP2 C08 C04

,883

C06

,824

C01

,827

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

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 20 se obtuvieron 4 factores. Factor 1. El primer factor analizado incorpora 5 reactivos (ítems): 

Justificable: Las decisiones de la dirección de la agencia reflejan una intensión fuerte de mejorar la productividad de la agencia OP1



Justificable: La agencia ofrece los productos/servicios sobre la base de una buena información sobre el mercado y los clientes C02



Justificable: La empresa conoce bien a sus competidores C03



Justificable: Creencia de que la agencia existe sobre todo para servir a los consumidores C09



Justificable: La dirección de la agencia busca lograr el mayor nivel de satisfacción de los clientes CO3.3

Este primer factor explica el 31.46% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a las orientaciones empresariales, donde los ítems que mayormente aportan a este factor están enfocados a que las decisiones de la dirección de la agencia reflejan una intensión fuerte de mejorar la productividad de la agencia (OP1), también que la agencia ofrece los productos/servicios sobre la base de una buena información sobre el mercado y los clientes (C02), la empresa conoce bien a sus competidores (C03). Así mismo, los ítems que aportan menos a este factor serían las creencias de que la agencia existe sobre todo para servir a los consumidores (C09) y la dirección de la agencia busca lograr el mayor nivel de satisfacción de los clientes (CO3.3) Factor 2. El segundo factor analizado incorpora 5 reactivos (ítems): 

Justificable: La mayor prioridad de la dirección de la agencia es que los servicios que proporciona la agencia sean los de mayor calidad CO1.3



Justificable: El interés del cliente siempre debería ser lo primero; por encima del interés de los propietarios de la agencia C07



Justificable: La dirección de la agencia espera que los empleados estén comprometidos a mejorar la eficiencia de la agencia OP3



Justificable: Para la dirección de la agencia, aumentar la productividad de la agencia es una prioridad OP4



Justificable: La dirección de la agencia ve las quejas de los clientes como una oportunidad de mejorar la satisfacción futura de los clientes CO4.3

Este primer factor explica el 28.80% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a las orientaciones empresariales, donde los ítems que mayormente aportan a este factor están enfocados a que la mayor prioridad de la dirección de la agencia es que los servicios que proporciona la agencia sean los de mayor calidad (CO1.3). También los ítems que aportan medianamente al

factor son el interés del cliente siempre debería ser lo primero; por encima del interés de los propietarios de la agencia (C07), la dirección de la agencia espera que los empleados estén comprometidos a mejorar la eficiencia de la agencia (OP3). Así mismo, los ítems que aportan en menos proporción son que la dirección de la agencia, al aumentar la productividad es una prioridad (OP4) y la dirección de la agencia ve las quejas de los clientes como una oportunidad de mejorar la satisfacción futura de los clientes (CO4.3) Factor 3. El tercer factor analizado incorpora 2 reactivos (ítems): 

Justificable: La agencia conoce bien cómo los clientes valoran sus productos y servicios C04



Justificable: La agencia compite fundamentalmente diferenciando sus productos o servicios de los proporcionados por sus rivales C06

Este tercer factor explica el 15.58% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a las orientaciones empresariales, donde los ítems que mayormente aportan a este factor están enfocados a que la agencia conoce bien cómo los clientes valoran sus productos y servicios (C04) La agencia compite fundamentalmente diferenciando sus productos o servicios de los proporcionados por sus rivales (C06) Factor 4. El cuarto factor analizado incorpora 1 reactivos (ítems): 

Justificable: La agencia mide el servicio al cliente de modo regular o habitual C01

Este primer factor explica el 10.11% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a las orientaciones empresariales, donde los ítems que mayormente aportan a este factor están enfocados a que la agencia mide el servicio al cliente de modo regular o habitual (C01). Grupo B – Intensidad de la competencia Análisis de fiabilidad Tabla 21: Estadístico de fiabilidad – Intensidad de la competencia Alfa de Cronbach

N de elementos

,968

6

El alfa de la escala de variables “Intensidad de la competencia” es de 0,968 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 6 elementos para el análisis. Análisis factorial exploratorio 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 22: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de

Aprox. Chi-cuadrado

Bartlett

gl

,792 1330,210 21

Sig.

,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad. Tabla 23: Varianza total explicada – Intensidad de la competencia

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la Autovalores iniciales % de

%

varianza

acumulado

extracción

Total

rotación

% de

%

varianza

acumulado

%

varianza

acumulado

Componente

Total

1

2,503

41,719

41,719

2,503

41,719

41,719

2,494

41,567

41,567

2

1,780

29,666

71,385

1,780

29,666

71,385

1,789

29,818

71,385

3

,708

11,795

83,180

4

,429

7,148

90,328

5

,374

6,227

96,554

6

,207

3,446

100,000

Método de extracción: análisis de componentes principales.

Total

% de

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo B – Intensidad de la competencia donde se encontraron dos autovalores superiores a 1, el cual se muestra la varianza o variabilidad de los factores, no obstante los dos factores determinados logran explicar el 71.385% de la variabilidad del constructo disposición hacia el estudio. El tercer autovalor es de 0.708<1 y aporta cerca de un 12% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 24: Cuadro de comunalidades – Intensidad de la competencia

Inicial

Extracción

IC1

1,000

,725

IC2

1,000

,780

IC3

1,000

,747

IC4

1,000

,733

IC5

1,000

,758

IC6

1,000

,615

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial. Tabla 25: Matriz de componente rotadoa – Intensidad de la competencia Componente 1

2

IC1

,843

IC5

,805

IC4

,779

IC6 IC2

,860

IC3

-,841

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

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 25 se obtuvieron 2 factores. Factor 1. El primer factor analizado incorpora 3 reactivos (ítems): 

Justificable: La competencia en el sector de las agencias de viajes de Cusco es muy intensa IC1



Justificable: Las agencias de viajes de Cusco sólo se diferencian por su localización IC5



Justificable: La competencia por precio es una característica distintiva en el sector de las agencias de viajes de Cusco IC4

Este primer factor explica el 41.57% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a la Intensidad de la competencia, donde los ítems que mayormente aportan a este factor están enfocados a que la competencia en el sector de las agencias de viajes de Cusco es muy intensa (IC1), las agencias de viajes de Cusco sólo se diferencian por su localización (IC5). Así mismo, los ítems que aportan en menor proporción a este factor es la competencia por precio es una característica distintiva en el sector de las agencias de viajes de Cusco (IC4). Factor 2. El segundo factor analizado incorpora 2 reactivos (ítems): 

Justificable: Hay muchas “guerras de promociones” en el sector de las agencias de viajes IC2



Justificable: Todo lo que una agencia puede ofrecer para atraer clientes, las demás lo ofrecen rápidamente IC3

Este segundo factor explica el 29.82% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a la Intensidad de la competencia, donde los ítems que mayormente aportan a este factor están enfocados a que hay muchas “guerras de promociones” en el sector de las agencias de viajes (IC2) y todo lo que una agencia puede ofrecer para atraer clientes, las demás lo ofrecen rápidamente (IC3). Grupo C – Autonomía de los empleados Análisis de fiabilidad Tabla 26: Estadístico de fiabilidad – Autonomía de los empleados Alfa de Cronbach

N de elementos

,925

3

El alfa de la escala de variables “Autonomía de los empleados” es de 0,925 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 3 elementos para el análisis. Análisis factorial exploratorio 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 27: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de

Aprox. Chi-cuadrado

Bartlett

gl Sig.

,745 2654,352 19 ,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad.

Tabla 28: Varianza total explicada – Autonomía de los empleados Sumas de cargas al cuadrado de

Sumas de cargas al cuadrado

la extracción

de la rotación

Autovalores iniciales % de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

Componente

Total

1

1,327

44,241

44,241

1,327

44,241

44,241

1,327

44,222

44,222

2

1,101

36,690

80,930

1,101

36,690

80,930

1,101

36,708

80,930

3

,572

19,070

100,000

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo C – Autonomía de los empleados donde se encontraron dos autovalores superiores a 1, el cual se muestra la varianza o variabilidad de los factores, no obstante los dos factores determinados logran explicar el 80.930% de la variabilidad del constructo disposición hacia el estudio. El tercer autovalor es de 0.572<1 y aporta cerca de un 19% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 29: Cuadro de comunalidades – Autonomía de los empleados Inicial

Extracción

AUT1

1,000

,766

AUT2

1,000

,891

AUT3

1,000

,772

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial.

Tabla 30: Matriz de componente rotadoa – Autonomía de los empleados Componente 1

2

AUT3

,820

AUT1

-,809

AUT2

,944

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

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 30 se obtuvieron 2 factores. Factor 1. El primer factor analizado incorpora 2 reactivos (ítems): 

Justificable: Los empleados tienen libertad para llevar a cabo actividades que permiten el pensamiento y la acción independiente AUT3



Justificable: Los empleados de la agencia tienen libertad para hacer sus tareas en la forma que piensen que es mejor AUT1

Este primer factor explica el 44.22% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a que los empleados tienen libertad para llevar a cabo actividades que permiten el pensamiento y la acción independiente (AUT3) y los empleados de la agencia tienen libertad para hacer sus tareas en la forma que piensen que es mejor (AUT1). Factor 2. El segundo factor analizado incorpora 1 reactivos (ítems): 

Justificable: Los empleados de la agencia tienen oportunidades para hacer lo que sea necesario para proporcionar un servicio de calidad al cliente AUT2

Este segundo factor explica el 36.71% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a que los empleados de la agencia tienen oportunidades para hacer lo que sea necesario para proporcionar un servicio de calidad al cliente (AUT2). Grupo D – Calidad de servicio y optimismo Análisis de fiabilidad Tabla 31: Estadístico de fiabilidad – Calidad de servicio y optimismo Alfa de Cronbach

N de elementos

,956

18

El alfa de la escala de variables “Calidad de servicio y optimismo” es de 0,956 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 18 elementos para el análisis. Análisis factorial exploratorio 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 32: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo

,766

Prueba de esfericidad de

Aprox. Chi-cuadrado

3701,412

Bartlett

gl

153

Sig.

,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad.

Tabla 33: Varianza total explicada – Calidad de servicio y optimismo Sumas de cargas al cuadrado de la

Sumas de cargas al cuadrado de la

extracción

rotación

Autovalores iniciales

Componente

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

1

6,499

36,103

36,103

6,499

36,103

36,103

5,768

32,043

32,043

2

5,166

28,701

64,805

5,166

28,701

64,805

4,948

27,488

59,532

3

2,248

12,491

77,295

2,248

12,491

77,295

2,651

14,726

74,258

4

1,298

7,209

84,505

1,298

7,209

84,505

1,844

10,247

84,505

5

,671

3,728

88,232

6

,637

3,539

91,771

7

,349

1,937

93,708

8

,271

1,505

95,213

9

,232

1,291

96,503

10

,165

,916

97,419

11

,116

,645

98,064

12

,087

,485

98,549

13

,084

,467

99,016

14

,054

,300

99,316

15

,041

,229

99,545

16

,035

,194

99,739

17

,031

,173

99,912

18

,016

,088

100,000

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo D – Calidad de servicio y optimismo donde se encontraron cuatro autovalores superiores a 1, el cual se muestra la varianza o variabilidad de los factores, no obstante los cuatro factores determinados logran explicar el 84.505% de la variabilidad del constructo disposición hacia el estudio. El quinto autovalor es de 0.671<1 y aporta cerca de un 4% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 34: Cuadro de comunalidades – Calidad de servicio y optimismo Inicial

Extracción

CSQ1

1,000

,786

CSQ2

1,000

,863

CSQ3

1,000

,900

CSQ4

1,000

,819

CSQ5

1,000

,828

CSQ6

1,000

,764

CSQ7

1,000

,920

CSQ8

1,000

,806

CSQ9

1,000

,863

CSQ10

1,000

,885

CSQ11

1,000

,878

CSQ12

1,000

,943

CSQ13

1,000

,810

CSQ14

1,000

,899

OP1.1

1,000

,843

OP2.2

1,000

,815

OP3.3

1,000

,932

OP4.4

1,000

,655

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial. Tabla 35: Matriz de componente rotadoa – Calidad de servicio y optimismo Componente 1

2

CSQ10

-,912

CSQ2

,911

CSQ3

,906

CSQ9

-,801

OP2.2

-,769

OP1.1

,704

3

OP4.4 CSQ14

,918

CSQ7

,906

CSQ12

,882

OP3.3

-,723

4

CSQ13

,712

CSQ11 CSQ8 CSQ4

,881

CSQ6

,823

CSQ1

,829

CSQ5 Método de extracción: análisis de componentes principales. Método de rotación: Varimax con normalización Kaiser. a. La rotación ha convergido en 6 iteraciones.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 35 se obtuvieron 4 factores. Factor 1. El primer factor analizado incorpora 6 reactivos (ítems): 

Justificable: La agencia es segura y cómoda CSQ10



Justificable: La actitud de los empleados pone de manifiesto su voluntad de ayudarme CSQ2



Justificable: Los empleados tienen conocimiento suficiente sobre los diferentes servicios para responder a las preguntas de los clientes CSQ3



Justificable: El ambiente de la agencia (limpieza, música, temperatura) es apropiada CSQ9



Justificable: Siempre soy optimista en cuanto al futuro OP2.2



Justificable: En tiempos difíciles, suelo esperar lo mejor OP1.1

Este primer factor explica el 32.04% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a que la agencia es segura y cómoda (CSQ10), la actitud de los empleados pone de manifiesto su voluntad de ayudarme (CSQ2), los empleados tienen conocimiento suficiente sobre los diferentes servicios para responder a las preguntas de los clientes (CSQ3), el aporte en mediana proporción en el

factor es de acuerdo que si el ambiente de la agencia (limpieza, música, temperatura) es apropiada (CSQ9). Así mismo, los ítems con menos aporte pero significativos son los que siempre son optimistas en cuanto al futuro (OP2.2) y en tiempos difíciles, suelo esperar lo mejor (OP1.1). Factor 2. El segundo factor analizado incorpora 6 reactivos (ítems): 

Justificable: Evaluaría el resultado del servicio de la agencia favorablemente CSQ14



Justificable: El equipamiento material de la agencia está en buenas condiciones CSQ7



Justificable: La agencia muestra interés por prestar el servicio de forma rápida CSQ12



Justificable: Rara vez espero que las cosas salgan a mi manera OP3.3



Justificable: Cuando salgo de esta agencia, siempre siento que he obtenido lo que quería CSQ13

Este segundo factor explica el 27.49% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a que evaluaría el resultado del servicio de la agencia favorablemente (CSQ14), el equipamiento material de la agencia está en buenas condiciones (CSQ7), por otro lado, existe un componente o ítem en la cual aporta medianamente al factor la cual es que la agencia muestra interés por prestar el servicio de forma rápida (CSQ12). Por último, los ítems que aportan en menor proporción al factor están en que rara vez espero que las cosas salgan a mi manera (OP3.3) y cuando salgo de esta agencia, siempre siento que he obtenido lo que quería (CSQ13). Factor 3. El tercer factor analizado incorpora 2 reactivos (ítems): 

Justificable: Los empleados son competentes CSQ4



Justificable: Los empleados son capaces de manejar quejas de los clientes de manera eficiente CSQ6

Este primer factor explica el 14.73% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a que los empleados son competentes

(CSQ4) y los empleados son capaces de manejar quejas de los clientes de manera eficiente (CSQ6) Factor 4. El cuarto factor analizado incorpora 1 reactivos (ítems): 

Justificable: Los empleados de la agencia buscan lo mejor para los clientes CSQ1

Este cuarto factor explica el 10.25% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a que los empleados de la agencia buscan lo mejor para los clientes (CSQ1). MODELO 3 Se realizara un análisis de fiabilidad mediante el alfa de cronbach para luego de ello comenzar con el análisis factorial, el cual primer modelo está distribuido por 3 grupos (A = Orientaciones empresariales, B = Autoeficacia, C = Satisfacción, rendimiento y calidad de servicio (Rendimiento de las agencias), y se analizaran los reactivos (ítems) de cada grupo. Para el análisis factorial aplicado al Modelo 3 se utilizará el fichero con el nombre de BD – Modelo 3.sav, el cual contiene los valores de 40 indicadores de orientaciones empresariales, autoeficacia y resultados de las agencias. El objetivo es aplicar el análisis factorial para ver qué grupo explica mejor el constructo. Grupo A – Orientaciones empresariales Análisis de fiabilidad Tabla 36. Estadístico de fiabilidad – orientaciones empresariales Alfa de Cronbach

N de elementos

,970

14

El alfa de la escala de variables “orientaciones empresariales” es de 0,970 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 14 elementos para el análisis. Análisis factorial exploratorio 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 37: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

,859

Aprox. Chi-cuadrado

1785,586

gl

22

Sig.

,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad. Tabla 38: Varianza total explicada – orientaciones empresariales Sumas de cargas al cuadrado

Sumas de cargas al cuadrado de la

de la extracción

rotación

Autovalores iniciales

Componente

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

1

10,127

72,335

72,335 10,127

72,335

72,335

5,740

41,000

41,000

2

1,893

13,522

85,858

1,893

13,522

85,858

4,026

28,755

69,755

3

1,004

7,169

93,026

1,004

7,169

93,026

3,258

23,271

93,026

4

,638

4,560

97,587

5

,164

1,171

98,757

6

,116

,832

99,589

7

,051

,364

99,953

8

,007

,047

100,000

9

7,268E-17

5,191E-16

100,000

10

2,886E-17

2,062E-16

100,000

11

-1,110E-18

-7,927E-18

100,000

12

-5,977E-17

-4,270E-16

100,000

13

-8,921E-17

-6,372E-16

100,000

14

-2,629E-16

-1,878E-15

100,000

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo A – Orientaciones empresariales donde se encontraron solo uno de los autovalores superiores a 1, el cual se muestra la varianza o variabilidad del factor, no obstante los tres factores determinados logran explicar el 93.023% de la variabilidad del constructo disposición hacia el estudio. El cuarto autovalor es de 0.638<1 y aporta cerca de un 5% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 39: Cuadro de comunalidades – orientaciones empresariales Inicial

Extracción

EMO1

1,000

,978

EMO2

1,000

,957

EMO3

1,000

,918

EMO4

1,000

,740

EMO5

1,000

,920

EO1

1,000

,983

EO2

1,000

,892

EO3

1,000

,983

EO4

1,000

,957

IN1

1,000

,918

IN2

1,000

,957

IN3

1,000

,918

IN4

1,000

,920

IN5

1,000

,983

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial. Tabla 40: Matriz de componente rotadoa – orientaciones empresariales Componente 1

2

3

EMO2

,941

IN2

,941

EO4

,941

EO2

,870

EMO3

,730

IN1

,730

IN3

,730

EMO1

,922

EO3

,918

IN5

,820

EO1

,820

EMO5

,892

IN4

,892

Método de extracción: análisis de componentes principales. Método de rotación: Varimax con normalización Kaiser. a. La rotación ha convergido en 5 iteraciones.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 40 se obtuvieron 3 factores. Factor 1. El primer factor analizado incorpora 7 reactivos (ítems): 

Justificable: Gusto por la agencia EMO2



Justificable: Acepta fácilmente las innovaciones propuestas IN2



Justificable: Flexibilidad en adoptar nuevas ofertas EO4



Justificable: Perseverancia en el logro de la visión de la empresa EO2



Justificable: Vinculación emocional en la empresa EMO3



Justificable: Ideas innovadoras IN1



Justificable: Penalización por ideas pésimas IN3

Este primer factor explica el 41% de la varianza de la información recabada de la matriz de componentes rotados. Tal como se observa en la matriz de componente rotado visto anteriormente en lo que se refiere a las orientaciones empresariales, donde los ítems que mayormente aportan a este factor están enfocados a que los clientes tienen gusto exclusivo por la agencia o una afinidad hacia ella (EMO2), también los empresarios se adaptan fácilmente a las nuevas innovaciones (IN2), también presentan mucha flexibilidad al momento de ofertar en base a la necesidad de los clientes (EO4). Por otro lado el ítem que aporta en proporción media se direcciona a que los empresarios están enfocados y tienen mucha perseverancia en el cumplimiento de la visión de la empresa. Así mismo, se ve que los ítems que aportan en menos proporción pero son muy representativos igualmente son una vinculación o un acercamiento emocional, afectivo hacia la empresa (EMO3), también estos empresarios se caracterizan por tener siempre ideas innovadoras (IN1), pero son verdugos de las ideas pésimas que los empleados suelen brindar o aportar a la empresa (IN3). Factor 2. El segundo factor analizado incorpora 4 reactivos (ítems): 

Justificable: Considera como parte de su personalidad EMO1



Justificable: Capacidad de identificación de nuevas oportunidades EO3



Justificable: Capacidad de innovación IN5



Justificable: Asume riesgos EO1

Este segundo factor explica el 28.76% de la varianza de la información recabada de la matriz de componentes rotados. Tal como se observa en la matriz de componente rotado visto anteriormente en lo que se refiere a las orientaciones empresariales, donde los ítems que mayormente aportan a este factor están enfocados a que los empresarios o gerentes de las agencias consideran como parte de la personalidad (EMO1), y la mayoría de ellos tienen capacidad de identificación de nuevas oportunidades (EO3). Así mismo, se ve que los ítems que aportan en menos proporción pero son muy representativos igualmente son es la capacidad de innovación del emprendedor o gerente (IN5) y por último, suele siempre asumir los riesgos que se pueden presentar día a día (EO1). Factor 3. El primer factor analizado incorpora 4 reactivos (ítems):



Justificable: Cuando alguien alaba a la agencia, lo tomo como un cumplido personal EMO5



Justificable: Estimulo la implementación de innovaciones IN4

Este primer factor explica el 23.27% de la varianza de la información recabada de la matriz de componentes rotados en lo que se refiere a las orientaciones empresariales, donde los ítems que mayormente aportan a este factor están enfocados a que los empresarios o gerentes de las agencia por lo general toman como cumplido cuando hablan bien de la empresa (EMO5) y la mayoría de ellos siempre van estimulando a las innovaciones dentro de la empresa (IN4). Grupo B - Autoeficacia Análisis de fiabilidad Tabla 41: Estadístico de fiabilidad – Autoeficacia Alfa de Cronbach

N de elementos

,886

4

El alfa de la escala de variables “autoeficacia” es de 0,886 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 4 elementos para el análisis. Análisis factorial exploratorio 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 42: Prueba de KMO y Bartlett Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado gl Sig.

,755 1842,654 20 ,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación

muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad. Tabla 43: Varianza total explicada – Autoeficacia Sumas de cargas al cuadrado de la Autovalores iniciales % de

%

varianza

acumulado

Componente

Total

1

3,076

76,896

76,896

2

,567

14,182

91,078

3

,255

6,378

97,456

4

,102

2,544

100,000

extracción

Total 3,076

% de

%

varianza

acumulado

76,896

76,896

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo B – Autoeficacia donde se encontraron solo uno de los autovalores superiores a 1, en el cual se muestra la varianza o variabilidad del factor, no obstante el factor determinado logra explicar el 76.896% de la variabilidad del constructo disposición hacia el estudio. El segundo autovalor es de 0.567<1 y aporta cerca de un 14% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 44: Cuadro de comunalidades – Autoeficacia

Inicial

Extracción

AEF1

1,000

,824

AEF2

1,000

,537

AEF3

1,000

,873

AEF4

1,000

,841

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial, salvo quizás el siguiente ítem: En general, confió en mi habilidad para hacer mi trabajo bien (AEF2).

Tabla 45: Matriz de componente rotadoa – rendimiento de mercado Componente 1 AEF3

,935

AEF4

,917

AEF1

,908

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

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 45 se obtuvieron solo 1 factor. Factor 1. El primer factor analizado incorpora 3 reactivos (ítems): 

Justificable: Me siento capacitado para realizar las tareas de responsable de una agencia de viajes AEF3



Justificable: Siento que tengo la capacidad para realizar mi trabajo con éxito AEF4



Justificable: Sé lo que hay que hacer en las distintas situaciones a que me enfrento como responsable de una agencia de viajes AEF1

Este primer factor explica el 76.90% de la varianza de la información recabada de la matriz de componentes. Tal como se observa en la matriz de componente visto anteriormente en lo que se refiere a rendimiento de mercado, donde los ítems que mayormente aportan a este factor están me siento capacitado para realizar las tareas de responsable de una agencia de viajes (AEF3), siento que tengo la capacidad para realizar mi trabajo con éxito (AEF4), sé lo que hay que hacer en las distintas situaciones a que me enfrento como responsable de una agencia de viajes (AEF1)

Grupo C – Satisfacción, rendimiento y calidad de servicio Análisis de fiabilidad Tabla 46: Estadístico de fiabilidad – Satisfacción, rendimiento y calidad de servicio Alfa de Cronbach

N de elementos

,981

22

El alfa de la escala de variables “Satisfacción, rendimiento y calidad de servicio” es de 0,981 lo que supone una buena fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 22 elementos para el análisis. Análisis factorial exploratorio 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 47: Prueba de KMO y Bartlett ,856

Medida Kaiser-Meyer-Olkin de adecuación de muestreo Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado

1758,856

gl

22

Sig.

,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación no es una matriz de identidad. Tabla 48: Varianza total explicada – Satisfacción, rendimiento y calidad de servicio

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de Autovalores iniciales

Componente

Total

extracción

% de

%

varianza

acumulado

Total

la rotación

% de

%

varianza

acumulado

Total

% de

%

varianza

acumulado

1

15,897

72,260

72,260

15,897

72,260

72,260

9,566

43,482

43,482

2

3,075

13,979

86,239

3,075

13,979

86,239

6,183

28,103

71,586

3

1,495

6,796

93,035

1,495

6,796

93,035

4,719

21,449

93,035

4

,935

4,248

97,283

5

,278

1,264

98,547

6

,195

,888

99,435

7

,089

,405

99,840

8

,020

,090

99,930

9

,009

,042

99,972

10

,006

,028

100,000

11

1,670E-16

7,591E-16

100,000

12

8,978E-17

4,081E-16

100,000

13

8,116E-17

3,689E-16

100,000

14

2,215E-17

1,007E-16

100,000

15

1,274E-17

5,792E-17

100,000

16

8,258E-18

3,754E-17

100,000

17

-1,806E-18

-8,209E-18

100,000

18

-7,841E-18

-3,564E-17

100,000

19

-2,153E-17

-9,785E-17

100,000

20

-5,192E-17

-2,360E-16

100,000

21

-8,625E-17

-3,921E-16

100,000

22

-1,905E-16

-8,657E-16

100,000

Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez utiliza el método de Kaiser que determina tantos factores como autovalores mayores que 1 existan. En el caso del Grupo C – Satisfacción, rendimiento y calidad de servicio donde se encontraron solo uno de los autovalores superiores a 1, en el cual se muestra la varianza o variabilidad de los factores, no obstante los tres factores determinados logran explicar el 93.035% de la variabilidad del constructo disposición hacia el estudio. El segundo autovalor es de 0.935<1 y aporta cerca de un 4% del total de la varianza, por ambas razones se decidió no incorporarlo en el análisis. Tabla 49: Cuadro de comunalidades – Satisfacción, rendimiento y calidad de servicio Inicial

Extracción

SAT1

1,000

,950

SAT2

1,000

,851

SAT3

1,000

,971

RM1

1,000

,957

RM2

1,000

,915

RM3

1,000

,722

RM4

1,000

,927

RM5

1,000

,985

CSQ1

1,000

,899

CSQ2

1,000

,980

CSQ3

1,000

,957

CSQ4

1,000

,915

CSQ5

1,000

,957

CSQ6

1,000

,915

CSQ7

1,000

,927

CSQ8

1,000

,985

CSQ9

1,000

,980

CSQ10

1,000

,957

CSQ11

1,000

,915

CSQ12

1,000

,957

CSQ13

1,000

,915

CSQ14

1,000

,927

Método de extracción: análisis de componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las variables están bien representadas en el espacio de los factores (la comunalidad representa el coeficiente de correlación lineal múltiple de cada variable con los factores). Se observa que la mayoría de las variables van a ser bien explicadas por la estructura factorial. Tabla 50: Matriz de componente rotadoa – Satisfacción, rendimiento y calidad de servicio Componente 1

2

RM1

,945

CSQ12

,945

CSQ3

,945

CSQ5

,945

CSQ10

,945

CSQ1

,879

SAT2

,833

RM2

,734

CSQ6

,734

CSQ4

,734

CSQ13

,734

CSQ11

,734

3

SAT3

,919

CSQ2

,918

CSQ9

,918

SAT1

,854

RM5

,824

CSQ8

,824

CSQ7

,889

CSQ14

,889

RM4

,889

RM3 Método de extracción: análisis de componentes principales. Método de rotación: Varimax con normalización Kaiser. a. La rotación ha convergido en 5 iteraciones.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que minimiza el número de variables que tienen saturaciones altas en cada factor). Este método de rotación simplifica los factores y produce la matriz que se puede observar en la tabla anterior. Para este modelo las comunalidades no varían. Tal como se observa en la tabla 50 se obtuvieron 3 factores. Factor 1. El primer factor analizado incorpora 12 reactivos (ítems): 

Justificable: Crecimiento de la cuota de mercado RM1



Justificable: Interés de la agencia por prestar servicio rápido CSQ12



Justificable: Conocimiento de los empleados para responder preguntas de clientes CSQ3



Justificable: La agencia muestra interés en solucionar los problemas de los clientes CSQ5



Justificable: la agencia es segura y cómoda CSQ10



Justificable: Los empleados de las agencias buscan lo mejor para los clientes CSQ1



Justificable: Mi trabajo es apasionante SAT2



Justificable: Crecimiento de las ventas RM2



Justificable: Capacidad de los empleados para manejo de quejas CSQ6



Justificable: Los empleados son competentes CSQ4



Justificable: Cliente siente al salir de la agencia que obtuvo lo que quería CSQ13



Justificable: la agencia proporciona servicios con puntualidad a los consumidores CSQ11

Este primer factor explica el 43.48% de la varianza de la información recabada de la matriz de componentes en lo que se refiere a satisfacción, rendimiento y calidad de servicio, donde los ítems que mayormente aportan a este factor están el crecimiento de la cuota del mercado (RM1), también el interés de la agencia por prestar servicio rápido (CSQ12), el conocimiento de los empleados para responder preguntas de clientes (CSQ3), la agencia muestra interés en solucionar los problemas de los clientes (CSQ5), la agencia es segura y cómoda (CSQ10). Los ítems que aportan medianamente al factor son Los empleados de las agencias buscan lo mejor para los clientes (CSQ1), también y el trabajo que hacen los empresarios o gerentes hace que se sientan muy apasionados por ello (SAT2). Así mismo, los ítems que menos aportan pero son también significativas están el crecimiento de las ventas (RM2), la capacidad de los empleados para manejo de quejas (CSQ6), los empleados son competentes (CSQ4), el cliente siente al salir de la agencia que obtuvo lo que quería (CSQ13) y por último, que la agencia proporciona servicios con puntualidad a los consumidores (CSQ11) Factor 2. El segundo factor analizado incorpora 6 reactivos (ítems): 

Justificable: Mi trabajo me satisface SAT3



Justificable: Voluntad del empleado para brindar ayuda al cliente CSQ2



Justificable: Ambiente de la agencia CSQ9



Justificable: Mi trabajo hace que me sienta realizado SAT1



Justificable: El crecimiento del número de empleado creció en los últimos tres años RM5



Justificable: Los empleados tienen un aspecto limpio y profesional CSQ8

Este segundo factor explica el 28.10% de la varianza de la información recabada de la matriz de componentes en lo que se refiere a satisfacción, rendimiento y calidad de servicio, donde los ítems que mayormente aportan a este factor son la satisfacción del trabajo realizado (SAT3), la voluntad del empleado para brindar ayuda al cliente (CSQ2) el ambiente de la agencia (CSQ9). Así mismo, los ítems que aportan menos es donde que los gerentes o empresarios se sienten realizados al desempeñar sus labores (SAT1), el crecimiento del número de empleado creció en los últimos tres años (RM5) y que los empleados tienen un aspecto limpio y profesional (CSQ8). Factor 3. El tercer factor analizado incorpora 3 reactivos (ítems): 

Justificable: El equipamiento material de la agencia está en buenas condiciones CSQ7



Justificable: El resultado del servicio de la agencia es favorable de acuerdo a los clientes CSQ14



Justificable: Crecimiento de los beneficios de la agencia en los últimos tres años RM4

Este tercer factor explica el 21.45% de la varianza de la información recabada de la matriz de componentes en lo que se refiere a satisfacción, rendimiento y calidad de servicio, donde los ítems que mayormente aportan a este factor son el equipamiento material de la agencia está en buenas condiciones (CSQ7), el resultado del servicio de la agencia es favorable de acuerdo a los clientes (CSQ14) y Crecimiento de los beneficios de la agencia en los últimos tres años (RM4).