Manual Análisis Conjunto SPSS

i

SPSS Conjoint™ 16.0

Si desea obtener más información sobre los productos de software de SPSS®, visite nuestra página Web en http://www.spss.como póngase en contacto con

SPSS Inc.233 South Wacker Drive, 11th FloorChicago, IL 60606-6412 EE.UU.Tel: (312) 651-3000Fax: (312) 651-3668

SPSS es una marca registrada; los demás nombres de productos son marcas comerciales de SPSS Inc. para los programas desoftware de su propiedad. El material descrito en este software no puede ser reproducido ni distribuido sin la autorizaciónexpresa por escrito por parte de los propietarios de la marca registrada y de los derechos de la licencia en el software y enlos copyrights de los materiales publicados.

El SOFTWARE y la documentación se proporcionan con DERECHOS LIMITADOS. Su uso, duplicación o revelación porparte del Gobierno están sujetos a las restricciones establecidas en la subdivisión (c)(1)(ii) de la cláusula Rights in TechnicalData and Computer Software en 52.227-7013. El fabricante es SPSS Inc., 233 South Wacker Drive, 11th Floor, Chicago, IL60606-6412, EE.UU.Nº de patente 7,023,453

Aviso general: El resto de los nombres de productos mencionados en este documento se utilizan sólo con fines identificativos ypueden ser marcas comerciales de sus respectivas empresas.

Windows es una marca comercial registrada de Microsoft Corporation.

Apple, Mac y el logotipo de Mac son marcas comerciales de Apple Computer, Inc., registradas en Estados Unidos y en otrospaíses.

Este producto utiliza WinWrap Basic, Copyright 1993-2007, Polar Engineering and Consulting, http://www.winwrap.com.

SPSS Conjoint™ 16.0Copyright © 2007 de SPSS Inc.Reservados todos los derechos.

Queda prohibida la reproducción, el almacenamiento en sistemas de recuperación o la transmisión de cualquier parte de estapublicación en cualquier forma y por cualquier medio (electrónico o mecánico, fotocopia, grabación o cualquier otro) sinprevia autorización expresa y por escrito de parte del editor.

1 2 3 4 5 6 7 8 9 0 10 09 08 07

Prefacio

SPSS 16.0 es un sistema global para el análisis de datos. El módulo adicional opcional SPSSAnálisis conjunto proporciona las técnicas de análisis adicionales que se describen en este manual.El módulo adicional Análisis conjunto se debe utilizar con el sistema Base de SPSS 16.0 y estácompletamente integrado en dicho sistema.

Instalación

Para instalar SPSS Análisis conjunto módulo adicional, ejecute el Asistente para autorizaciónde licencia utilizando el código de autorización que le envió SPSS Inc. Si desea obtener másinformación, consulte las instrucciones de instalación proporcionadas con SPSS Análisisconjunto módulo adicional.

Compatibilidad

SPSS está diseñado para ejecutarse en gran cantidad de sistemas de ordenadores. Consulte lasinstrucciones de instalación entregadas con su sistema para obtener información específica acercade los requisitos mínimos y los recomendados.

Números de serie

El número de serie es su número de identificación con SPSS Inc. Necesitará este número cuandose ponga en contacto con SPSS Inc. para recibir información sobre asistencia, formas de pago oactualización del sistema. El número de serie se incluye en el sistema Base de SPSS.

Servicio al cliente

Si tiene cualquier duda referente a la forma de envío o pago, póngase en contacto con su oficinalocal, que encontrará en la página Web de SPSS en http://www.spss.com/worldwide. Tengapreparado su número de serie para identificarse.

Cursos de preparación

SPSS Inc. ofrece cursos de preparación, tanto públicos como in situ. En todos los cursos habrátalleres prácticos. Estos cursos tendrán lugar periódicamente en las principales capitales. Sidesea obtener más información sobre estos cursos, póngase en contacto con su oficina local queencontrará en la página Web de SPSS en http://www.spss.com/worldwide.

iii

Asistencia técnica

El servicio de asistencia técnica de SPSS está a disposición de todos los clientes de mantenimiento.Los clientes podrán ponerse en contacto con este servicio de asistencia técnica si desean recibirayuda sobre el uso de SPSS o sobre la instalación en alguno de los entornos de hardwareadmitidos. Para ponerse en contacto con el servicio de asistencia técnica, consulte la página Webde SPSS en http://www.spss.com, o póngase en contacto con la oficina más cercana, que encontraráen la página Web de SPSS en http://www.spss.com/worldwide. Tenga preparada la informaciónnecesaria para identificarse personalmente, a su organización y el número de serie de su sistema.

Publicaciones adicionales

Puede adquirir copias adicionales de los manuales de los productos directamente de SPSSInc. Visite la sección Store de la página Web de SPSS en http://www.spss.com/estore opóngase en contacto con su oficina de SPSS local que encontrará en la página Web de SPSS enhttp://www.spss.com/worldwide. Para pedidos telefónicos en Estados Unidos y Canadá, llame aSPSS Inc. al 800-543-2185. Para pedidos telefónicos desde otros países, póngase en contacto conla oficina más cercana que encontrará en la página Web de SPSS.El libro SPSS Statistical Procedures Companion, de Marija Noruis, ha sido publicado por

Prentice Hall. Está prevista una nueva versión de este libro, actualizado para SPSS 16.0. Ellibro SPSS Advanced Statistical Procedures Companion, que también se basa en SPSS 16.0, sepublicará muy pronto. El libro SPSS Guide to Data Analysis para SPSS 16.0 también está enproceso de desarrollo. Las publicaciones anunciadas de forma exclusiva por Prentice Hall estarándisponibles en la página Web de SPSS en http://www.spss.com/estore (seleccione su país deorigen y pulse en Books).

Díganos su opinión

Sus comentarios son importantes. Háganos saber su experiencia con los productos SPSS. Nosinteresa especialmente recibir noticias sobre aplicaciones nuevas e interesantes para el sistemaSPSS Análisis conjunto módulo adicional. Envíenos un correo electrónico a [email protected] oescriba a SPSS Inc., Attn.: Director of Product Planning, 233 South Wacker Drive, 11th Floor,Chicago, IL 60606-6412, EE.UU.

Acerca de este manual

Este manual es la documentación de la interfaz gráfica del usuario para los procedimientosincluidos en el módulo SPSS Análisis conjunto módulo adicional. Las ilustraciones de los cuadrosde diálogo están tomadas de SPSS . La información detallada sobre la sintaxis de comandos paralas características de SPSS Análisis conjunto módulo adicional está disponible en dos formatos:integrada en el sistema de ayuda global y como un documento independiente en formato PDF enSPSS 16.0 Command Syntax Reference, disponible en el menú Ayuda.

Cómo ponerse en contacto con SPSS

Si desea que le incluyamos en nuestra lista de correo, póngase en contacto con nuestras oficinasque encontrará en la página Web en http://www.spss.com/worldwide.

iv

Contenido

1 Introducción al análisis conjunto 1

Enfoque de perfil completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2El estímulo experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Recopilación y análisis de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Generación de un diseño ortogonal 4

Definición de valores para un diseño ortogonal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6Opciones del diseño ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6Funciones adicionales del comando ORTHOPLAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3 Presentación de un diseño 8

Mostrar títulos de diseños . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9Funciones adicionales del comando PLANCARDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4 Ejecución de un análisis conjunto 10

Requisitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10Especificación del archivo del plan y el archivo de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11Especificación de la forma de registrar los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Subcomandos opcionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

5 Uso del análisis conjunto para modelar la preferencia por loslimpiadores de alfombras 15

Generación de un diseño ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16Generación del estímulo experimental: Presentación del diseño. . . . . . . . . . . . . . . . . . . . . . . . . . 19Ejecución del análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

v

Puntuaciones de utilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23Coeficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24Importancia relativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24Correlaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25Inversiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25Ejecución de simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26Probabilidades de preferencias de las simulaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Apéndice

A Archivos de ejemplo 28

Bibliografía 39

Índice 41

vi

Capítulo

1Introducción al análisis conjunto

El análisis conjunto es una herramienta de investigación de mercados para desarrollar un diseñode productos eficaz. Mediante el análisis conjunto, el investigador puede responder preguntascomo las siguientes: ¿Qué atributos de producto son importantes para el consumidor y cuáles sonirrelevantes? ¿Cuáles son los niveles de atributos de producto más atractivos para el consumidor ycuáles son los menos atractivos? ¿Cuál es la cuota de mercado de preferencia de los productos delos competidores en comparación con nuestro producto propuesto o existente?La ventaja del análisis conjunto reside en que solicita al encuestado que elija del mismo modo

que se supone que lo hará el consumidor al comparar las características.Por ejemplo, suponga que desea reservar un vuelo. Tiene la opción de sentarse en un

asiento estrecho o en uno amplio. Si esta fuera la única consideración, la elección estaría clara.Seguramente prefiera un asiento amplio. Suponga que puede elegir entre distintos precios: €225 o€800. Teniendo sólo en cuenta el precio, el más bajo resultaría preferible. Por último, supongaque puede tomar un vuelo directo que tarde dos horas o un vuelo con una escala que tarda cuatrohoras. La mayoría de los encuestados elegirían el vuelo directo.El inconveniente del enfoque anterior es que las alternativas se presentan en función de

atributos únicos, de uno en uno. El análisis conjunto presenta alternativas entre productosdefinidos por conjuntos de atributos. Esto se ilustra en la siguiente elección: ¿prefiere un vueloestrecho, cuyo precio es de €225 y que hace una escala o un vuelo espacioso, cuyo precio esde €800 y que no hace ninguna escala? Si la comodidad, el precio y la duración son atributosrelevantes, potencialmente hay ocho productos:

Producto Comodidad Price Duración1 estrecho $225 2 horas2 estrecho $225 5 horas3 estrecho $800 2 horas4 estrecho $800 5 horas5 espacioso $225 2 horas6 espacioso $225 5 horas7 espacioso $800 2 horas8 espacioso $800 5 horas

Teniendo en cuenta las alternativas anteriores, el producto 4 es posiblemente el menos preferido,mientras que el 5 sería el más preferido. Las preferencias de los encuestados para el resto deofertas del producto se determinan de forma implícita en función de lo que resulta importante parael encuestado.

1

2

Capítulo 1

Mediante el análisis conjunto, puede determinar tanto la importancia relativa de cada atributocomo los niveles de mayor preferencia de cada atributo. Si por alguna razón el producto que másse prefiere no es viable, por ejemplo, por su coste, se puede saber cuál es la siguiente alternativamás preferida. Si cuenta con información adicional sobre los encuestados, como informacióndemográfica, puede identificar los segmentos de mercado donde se puede introducir el producto.Por ejemplo, el viajero de negocios y el viajero estudiante pueden tener preferencias distintas quepueden cubrirse con diferentes ofertas de producto.

Enfoque de perfil completo

Conjoint utiliza el enfoque de perfil completo (también llamado concepto completo), donde losencuestados clasifican, ordenan o puntúan un conjunto de perfiles o tarjetas en función de lapreferencia. Cada perfil describe un servicio o producto completo y consta de una combinacióndiferente de niveles de factores para todos los factores (atributos) de interés.

Matriz ortogonal

Es muy probable que surjan problemas con el enfoque de perfil completo si hay varios factoresen juego y cada uno está compuesto por más de un par de niveles. El número total de perfilesresultantes de todas las combinaciones posibles de niveles se aumenta demasiado para permitir quelos encuestados sean capaces de clasificar o puntuar todos ellos de una manera que tenga sentido.Para resolver este problema, el enfoque de perfil completo utiliza lo que se denomina un diseñofactorial fraccional, que presenta una fracción adecuada de todas las posibles combinaciones deniveles de los factores. El conjunto resultante, denominado matriz ortogonal, está diseñado pararecoger los efectos principales de cada nivel de factor. Se supone que las interacciones entre losniveles de un factor con los niveles de otro factor carecen de significado.Se utiliza el procedimiento Generar diseño ortogonal para generar una matriz ortogonal

que suele utilizarse como punto de partida de un análisis conjunto. También permite generarcombinaciones de niveles de factores que se conocen como casos reservados, que son evaluadospor los sujetos pero no se utilizan para generar el modelo de preferencias. En su lugar, se utilizancomo comprobación de la validez del modelo.

El estímulo experimental

Cada conjunto de los niveles de los factores de un diseño ortogonal representa una versióndiferente del producto que se está estudiando y se debe presentar a los sujetos en forma de unperfil de producto concreto. Esto ayuda al encuestado a concentrarse únicamente en el únicoproducto que se desea evaluar en ese momento. Los estímulos deben normalizarse, asegurándosede que todos los perfiles presentan un aspecto físico similar, excepto en lo que respecta a lasdiferentes combinaciones de características.La creación de los perfiles de los productos se simplifica gracias al procedimiento Mostrar

el diseño. Este procedimiento utiliza el diseño generado por el procedimiento Generar diseñoortogonal, o uno introducido por el usuario y genera un conjunto de perfiles de producto en unformato de fácil uso.

3

Introducción al análisis conjunto

Recopilación y análisis de datos

Como suele haber muchas variaciones intra-sujetos en cuanto a las preferencias, la mayor partedel análisis conjunto se centra en el sujeto único. Para generalizar los resultados, se selecciona unamuestra aleatoria de los sujetos de la población de destino de manera que se pueda examinar losresultados de grupo.El tamaño de la muestra de los estudios conjuntos varía enormemente. En un informe (Cattin

y Wittink, 1982), los autores exponen que el tamaño de la muestra de los estudios de conjuntoscomerciales suele oscilar entre 100 y 1.000, siendo el intervalo entre 300 y 550 el más típico. Enotro estudio (Akaah y Korgaonkar, 1988), se concluye que el tamaño de muestra habitual es menor(inferior a 100). Como de costumbre, el tamaño de la muestra debe ser lo suficientemente grandecomo para garantizar la fiabilidad.Una vez elegida la muestra, el investigador administra el conjunto de perfiles o tarjetas a cada

encuestado. El procedimiento Conjoint permite utilizar tres métodos de registro de datos. En elprimer método, se pide a los sujetos que asignen una puntuación de preferencia a cada perfil. Estetipo de método es habitual cuando se utiliza una escala de Likert o cuando se pide a los sujetosque asignen un número del 1 al 100 para indicar la preferencia. En el segundo método, se pide alos sujetos que asignen un rango a cada perfil de 1 al número total de perfiles. En el tercer método,se pide a los sujetos que ordenen los perfiles según la preferencia. Este último método permite alinvestigador registrar los números de perfil en el orden dado por cada sujeto.El análisis de los datos se realiza con el procedimiento Conjoint (disponible sólo con la

sintaxis de comandos) y da como resultado una puntuación de utilidad, denominada contribuciónparcial, para cada nivel del factor. Estas puntuaciones de utilidad, análogas a los coeficientesde regresión, proporcionan una medida cuantitativa de la preferencia para cada nivel del factor,donde los valores mayores corresponden a una preferencia más alta. Las contribuciones parcialesse expresan en una unidad común, lo que permite añadirlas conjuntamente para obtener la utilidadtotal, o la preferencia global, de cualquier combinación de los niveles de los factores. Así, lascontribuciones parciales constituyen un modelo para predecir la preferencia de cualquier perfilde producto, incluidos los perfiles que se denominan casos de simulación, que no se presentanrealmente durante el experimento.La información que se obtiene a partir de un análisis conjunto puede aplicarse a una amplia

variedad de preguntas de investigación de mercado. Se puede utilizar para investigar áreas comoel diseño de productos, la cuota de mercado, la publicidad estratégica, el análisis de costes ybeneficios y la segmentación del mercado.Aunque el enfoque de este manual se centra en las aplicaciones de investigación de mercado,

el análisis conjunto puede ser útil en casi cada campo científico o empresarial donde resultaimportante medir las percepciones o juicios de la gente.

Capítulo

2Generación de un diseño ortogonal

El procedimiento Generar diseño ortogonal genera un archivo de datos que contiene un diseñoortogonal de efectos principales que permite contrastar estadísticamente varios factoressin contrastar cada combinación de niveles del factor. Este diseño puede mostrarse con elprocedimiento Mostrar el diseño, y el archivo de datos puede utilizarse por otros procedimientos,como el Conjoint.

Ejemplo. Una nueva compañía aérea de bajo coste está interesada en determinar la importanciarelativa de distintos factores en su oferta para clientes potenciales. El precio es claramente unfactor fundamental, pero ¿qué ocurre con el resto de factores, como el tamaño del asiento, elnúmero de escalas y el hecho de que se incluya o no una bebida o aperitivo? La posibilidadde realizar una encuesta para clasificar los perfiles de producto que representen todas lascombinaciones de factores resulta poco razonable dado el gran número de perfiles. Elprocedimiento Generar diseño ortogonal es un conjunto reducido de perfiles de producto losuficientemente pequeño como para incluirse en una encuesta y lo suficientemente grande comopara evaluar la importancia relativa de cada factor.

Para generar un diseño ortogonal

E Elija en los menús:Datos

Diseño ortogonalGenerar...

4

5

Generación de un diseño ortogonal

Figura 2-1Cuadro de diálogo Generar diseño ortogonal

E Defina al menos un factor. Escriba un nombre en el cuadro de texto Nombre de factor. Losnombres de los factores pueden ser cualquier nombre de variable válido, excepto status_ o card_.También se puede asignar una etiqueta de factor opcional.

E Pulse en Añadir para añadir el nombre de factor y una etiqueta opcional. Para eliminar un factor,selecciónelo de la lista y pulse en Eliminar. Para modificar un nombre de factor o etiqueta,selecciónelo de la lista, modifique el nombre o la etiqueta y pulse en Cambiar.

E Puede definir valores para cada factor seleccionando el factor y pulsando en Definir valores.

Archivo de datos. Permite controlar el destino del diseño ortogonal. Puede crear un conjunto dedatos nuevo que contenga el diseño ortogonal o puede reemplazar el conjunto de datos activo.

Crear nuevo archivo de datos. Crea un nuevo archivo de datos que contiene los factores y loscasos generados por el plan. Por defecto, este archivo de datos recibe el nombre ortho.sav,y se guarda en el directorio actual. Pulse en Archivo para especificar un nombre y destinodiferentes para el archivo.Sustituir el archivo de datos de trabajo. Sustituye el conjunto de datos activo por el plangenerado.

Restablecer semilla de aleatorización a. Restablece la semilla de aleatorización al valor específico.La semilla puede ser un valor entero comprendido entre 0 y 2.000.000.000. En una sesión, seutiliza una semilla distinta cada vez que se genera un conjunto de números aleatorios, lo que dalugar a diferentes resultados. Si desea duplicar los mismos números aleatorios, debe establecer elvalor de la semilla antes de generar el primer diseño y restablecer la semilla al mismo valor cadavez que genere el diseño.

Si lo desea, puede:Pulsar en Opciones para especificar el número de casos mínimo del diseño ortogonal y paraseleccionar casos reservados.

6

Capítulo 2

Definición de valores para un diseño ortogonalFigura 2-2Cuadro de diálogo Generar diseño: Definir valores

Debe asignar valores a cada nivel de los factores o factor seleccionado. El nombre del factoraparecerá después de Valores y etiquetas para.Escriba cada valor del factor. Puede decidir asignar las etiquetas descriptivas de los valores.

Si no asigna etiquetas a los valores, las etiquetas que corresponden a los valores se asignaránautomáticamente (es decir, un valor de 1 se asignará a una etiqueta de 1, un valor de 3 se asignaráa una etiqueta de 3, y así sucesivamente).

Auto-relleno. Permite rellenar automáticamente los cuadros Valor con valores consecutivos quecomiencen por 1. Escriba el valor máximo y pulse en Rellenar para rellenar los valores.

Opciones del diseño ortogonalFigura 2-3Cuadro de diálogo Generar diseño ortogonal: Opciones

Generar como mínimo. Especifica un número de casos mínimo para el plan. Seleccione un númeroentero positivo menor o igual que el número total de casos que se pueden formar de todas lascombinaciones posibles de los niveles de factores. Si no especifica explícitamente el númerode casos mínimo que se creará, se generará el número de casos mínimo necesario para el planortogonal. Si el procedimiento Orthoplan no puede crear al menos el número de perfiles requeridopara el mínimo, generará el mayor número posible que se ajuste a los factores y los niveles

7


especificados. Tenga en cuenta que el diseño no incluye necesariamente el número exacto decasos especificados, sino el menor número posible de casos del diseño ortogonal tomando estevalor como un mínimo.

Casos reservados. Puede definir casos reservados que estén evaluados por sujetos pero no sehayan incluido en el análisis conjunto.

Número de casos reservados. Crea casos reservados además de los casos normales del plan.Los casos reservados son juzgados por los sujetos, pero no se utilizan cuando el procedimientoConjoint estima las utilidades. Puede especificar cualquier un número entero positivo menor oigual que el número total de casos que se pueden formar a partir de todas las combinacionesposibles de los niveles de factores. Los casos reservados se generan mediante otro planaleatorio, diferente del plan experimental de efectos principales. Los casos reservados noduplican los perfiles experimentales ni se duplican entre ellos. Por defecto, no se produceningún caso reservado.Combinar al azar con otros casos. Mezcla casos aleatoriamente con casos experimentales.Cuando esta opción no está seleccionada, los casos de reserva aparecen individualmente, acontinuación de los casos experimentales.

Funciones adicionales del comando ORTHOPLAN

Con el lenguaje de sintaxis de comandos también podrá:Añadir el diseño ortogonal al conjunto de datos activo en lugar de crear uno nuevo.Especificar casos de simulación antes de generar el diseño ortogonal en lugar de despuésde haber creado el diseño.

Si desea información detallada sobre la sintaxis, consulte la referencia de sintaxis de comandos(Command Syntax Reference).

Capítulo

3Presentación de un diseño

El procedimiento Mostrar el diseño permite imprimir un diseño experimental. Puede imprimir eldiseño en un formato de lista de borrador o como perfiles que se pueden presentar a los sujetos deun estudio conjunto. Este procedimiento puede mostrar diseños creados con el procedimientoGenerar diseño ortogonal o cualquier diseño mostrado en un conjunto de datos activo.

Para mostrar un diseño ortogonal


Diseño ortogonalMostrar...

Figura 3-1Cuadro de diálogo Mostrar el diseño

E Mueva uno o más factores a la lista Factores.

E Seleccione un formato para mostrar los perfiles en el resultado.

Formato. Puede elegir una o más de las siguientes opciones de formato:Listado para el experimentador. Muestra el diseño en un formato de borrador que distinguelos perfiles de reserva de los perfiles experimentales y enumera perfiles de simulaciónindependientemente siguiendo los perfiles experimentales y de reserva.Perfiles para los sujetos. Genera perfiles de procedimiento que pueden presentarse a lossujetos. Este formato no diferencia los perfiles de resultado y no genera perfiles de simulación.

Si lo desea, puede:Pulsar en Títulos para definir los encabezados y pies de los perfiles.

8

9

Presentación de un diseño

Mostrar títulos de diseñosFigura 3-2Cuadro de diálogo Mostrar títulos de diseños

Título del perfil. Escriba un título del perfil de hasta 80 caracteres. Los títulos aparecerán en laparte superior del resultado si ha seleccionado Listado para el experimentador y en la parte superiorde cada nuevo perfil si ha seleccionado Perfiles para los sujetos en el cuadro de diálogo principal.Para Perfiles para los sujetos, si la secuencia de caracteres especiales )CARD se especifica encualquier parte del título, el procedimiento la reemplazará por el número de perfil secuencial. Estasecuencia de caracteres no se convierte para Listado para el experimentador.

Pie del perfil. Escriba un pie del perfil de hasta 80 caracteres. Los pies aparecerán en la parteinferior del resultado si ha seleccionado Listado para el experimentador y la parte inferior de cadaperfil si ha seleccionado Perfiles para los sujetos en el cuadro de diálogo principal. Para Perfiles

para los sujetos, si la secuencia de caracteres especiales )CARD se especifica en cualquier partedel pie, el procedimiento la reemplazará por el número de perfil secuencial. Esta secuencia decaracteres no se convierte para Listado para el experimentador.

Funciones adicionales del comando PLANCARDS

Con el lenguaje de sintaxis de comandos también podrá:Escribir perfiles para sujetos en un archivo externo (mediante el subcomando OUTFILE).

Si desea información detallada sobre la sintaxis, consulte la referencia de sintaxis de comandos(Command Syntax Reference).

Capítulo

4Ejecución de un análisis conjunto

Aún no existe una interfaz gráfica de usuario para el procedimiento Conjoint. Para obtener unanálisis conjunto, debe escribir la sintaxis de comandos para un comando CONJOINT en unaventana de sintaxis y, a continuación, ejecutarla.

Si desea obtener un ejemplo de sintaxis de comandos para un comando CONJOINT en elcontexto de un análisis conjunto completo, incluida la generación y visualización de undiseño ortogonal, consulte Capítulo 5.Si desea información detallada sobre la sintaxis de comandos acerca del comando CONJOINT,consulte la referencia de sintaxis de comandos (Command Syntax Reference).

Para ejecutar un comando desde una ventana de sintaxis

Elija en los menús:Archivo

NuevoSintaxis de SPSS...

Se abrirá una ventana de sintaxis.

E Escriba la sintaxis de comandos para el comando CONJOINT.

E Resalte el comando en la ventana de sintaxis y pulse en el botón Ejecutar (el triángulo que apuntahacia la derecha) en la barra de herramientas del Editor de sintaxis.

Consulte el Manual del usuario de Base para obtener información sobre cómo ejecutar comandosen las ventanas de sintaxis.

Requisitos

El procedimiento Conjoint requiere dos archivos, un archivo de datos y un archivo del plan, y laespecificación de cómo se grabaron los datos (por ejemplo, cada punto de datos es una puntuaciónde preferencia de 1 a 100). El archivo del plan consta del conjunto de perfiles de productos quevan a evaluar los sujetos y se debe generar mediante el procedimiento Generar diseño ortogonal.El archivo de datos contiene las clasificaciones o puntuaciones de preferencia de estos perfilesrecopilados de los sujetos. Los archivos del plan y de los datos se especifican con los subcomandosPLAN y DATA respectivamente. El método de registro de datos se especifica con los subcomandosSEQUENCE, RANK o SCORE. La siguiente sintaxis de comandos muestra una especificación mínima:

CONJOINT PLAN=CPLAN.SAV /DATA=RUGRANKS.SAV /SEQUENCE=PREF1 TO PREF22.

10

11

Ejecución de un análisis conjunto

Especificación del archivo del plan y el archivo de datos

El comando CONJOINT proporciona distintas opciones para especificar el archivo del plan yel archivo de datos.

Puede especificar explícitamente los nombres de archivo de los dos archivos. Por ejemplo:CONJOINT PLAN=CPLAN.SAV /DATA=RUGRANKS.SAV

Si sólo se especifica un archivo del plan o un archivo de datos, el comando CONJOINT lee elarchivo especificado y utiliza el conjunto de datos activo como el otro archivo. Por ejemplo, siespecifica un archivo de datos pero omite el archivo del plan (no puede omitir ambos archivos),el conjunto de datos activo se utiliza como el plan, como se muestra en el siguiente ejemplo:CONJOINT DATA=RUGRANKS.SAV

Puede utilizar el asterisco (*) en lugar de un nombre de archivo para indicar el conjunto dedatos activo, como se muestra en el siguiente ejemplo:CONJOINT PLAN=CPLAN.SAV /DATA=*

El conjunto de datos activo se utiliza como los datos de preferencia. Tenga en cuenta que nopuede utilizar el asterisco (*) para el archivo del plan y el archivo de datos.

Especificación de la forma de registrar los datos

Debe especificar la forma en la que se registraron los datos de preferencia. Los datos se puedenregistrar de tres formas: secuencialmente, como clasificaciones o como puntuaciones depreferencia. Estos tres métodos se indican mediante los subcomandos SEQUENCE, RANK y SCORE.Debe especificar uno, y sólo uno, de estos subcomandos como parte de un comando CONJOINT.

Subcomando SEQUENCE

El subcomando SEQUENCE indica que los datos se registraron secuencialmente de manera que cadapunto de datos del archivo de datos es un número de perfil, comenzando por el perfil más preferidoy terminando por el perfil menos preferido. Así es como se registran los datos si se pide al sujetoque ordene los perfiles del más preferido al menos preferido. El investigador registra el número deperfil que aparece primero, el número de perfil que aparece segundo y así sucesivamente.

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /SEQUENCE=PREF1 TO PREF22.

La variable PREF1 contiene el número de perfil correspondiente al perfil más preferidoentre los 22 perfiles del plan ortogonal. La variable PREF22 contiene el número de perfilcorrespondiente al perfil menos preferido del plan.

Subcomando RANK

El subcomando RANK indica que cada punto de datos es una clasificación, comenzando por laclasificación del perfil 1, seguido por la clasificación del perfil 2 y así sucesivamente. Así es comose registran los datos si se solicita al sujeto que asigne un rango a cada perfil, que oscila de 1 a n,donde n es el número de perfiles. Un rango menor implica una preferencia mayor.

12

Capítulo 4

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /RANK=RANK1 TO RANK22.

La variable RANK1 contiene la clasificación del perfil 1, de un total de 22 perfiles en el planortogonal. La variable RANK22 contiene la clasificación del perfil 22.

Subcomando SCORE

El subcomando SCORE indica que cada punto de datos es una puntuación de preferencia asignadaa los perfiles, comenzando con la puntuación del perfil 1, seguida por la puntuación del perfil 2,y así sucesivamente. Este tipo de datos puede generarse, por ejemplo, pidiendo a los sujetosque asignen un número del 1 al 100 para mostrar su preferencia por el perfil. Una puntuaciónmayor implica una preferencia mayor.

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /SCORE=SCORE1 TO SCORE22.

La variable SCORE1 contiene la puntuación para el perfil 1 y la variable SCORE22 contiene lapuntuación para el perfil 22.

Subcomandos opcionales

El comando CONJOINT ofrece varios subcomandos opcionales que proporcionan control yfuncionalidad adicionales superiores a los requeridos.

Subcomando SUBJECT

El subcomando SUBJECT permite especificar una variable del archivo de datos para utilizarla comoidentificador para los sujetos. Si no especifica ninguna variable de sujetos, el comando CONJOINTsupone que todos los casos del archivo de datos vienen de un sujeto. El siguiente ejemploespecifica que la variable ID, del archivo rugranks.sav, se utiliza como identificador de sujeto.

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /SCORE=SCORE1 TO SCORE22 /SUBJECT=ID.

Subcomando FACTORS

El subcomando FACTORS permite especificar el modelo que describe la relación esperada entrelos factores y las clasificaciones o puntuaciones. Si no especifica ningún modelo para un factor,CONJOINT supone que el modelo es discreto. Puede especificar uno de estos cuatro modelos:

DISCRETE. El modelo DISCRETE indica que los niveles de los factores son categóricos y que no serealiza ninguna suposición acerca de la relación existente entre el factor y las clasificaciones opuntuaciones. Este es el método por defecto.

LINEAR. El modelo LINEAR indica una relación esperada lineal entre el factor y las clasificacioneso puntuaciones. Puede especificar la dirección esperada de la relación lineal mediante las palabrasclave MORE y LESS. MORE indica que los niveles más altos de un factor serán los más preferidos,mientras que LESS indica que los niveles más bajos de un factor serán los preferidos. El hecho deespecificar MORE o LESSno afecta a las estimaciones de las utilidades. Se utilizan para identificarsujetos cuyas estimaciones no coinciden con la dirección esperada.

13

Ejecución de un análisis conjunto

IDEAL. El modelo IDEAL indica una relación esperada cuadrática entre el factor y lasclasificaciones o puntuaciones. Se supone que existe un nivel ideal para el factor y la distancia aeste punto ideal (en cualquier dirección) se asocia con la preferencia descendente. Los factoresdescritos con este modelo deben tener al menos tres niveles.

ANTIIDEAL. El modelo ANTIIDEAL indica una relación esperada cuadrática entre el factor y lasclasificaciones o puntuaciones. Se supone que existe un peor nivel para el factor y la distancia aeste punto (en cualquier dirección) se asocia con la preferencia ascendente. Los factores descritoscon este modelo deben tener al menos tres niveles.

La siguiente sintaxis de comandos proporciona un ejemplo con el subcomando FACTORS:

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /RANK=RANK1 TO RANK22 /SUBJECT=ID/FACTORS=PACKAGE BRAND (DISCRETE) PRICE (LINEAR LESS) SEAL(LINEAR MORE) MONEY (LINEAR MORE).

Observe que tanto package como brand están modelados como discretos.

Subcomando PRINT

El subcomando PRINT permite controlar el contenido del resultado tabular. Por ejemplo, sitiene un numero elevado de sujetos, puede limitar el resultado sólo a los resultados de resumen,omitiendo el resultado detallado para cada sujeto, como se muestra en el siguiente ejemplo:

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /RANK=RANK1 TO RANK22/SUBJECT=ID /PRINT=SUMMARYONLY.

También puede seleccionar si el resultado incluye el análisis de los datos experimentales, losresultados para cualquier caso de simulación incluido en el archivo del plan, ambos o ninguno.Los casos de simulación no están evaluados por los sujetos pero representan perfiles de productoque son de su interés. El procedimiento Conjoint utiliza el análisis de los datos experimentalespara realizar predicciones a cerca de la preferencia relativa para cada perfil de simulación. Enel siguiente ejemplo, se suprime el resultado detallado de cada sujeto y el resultado se limita alos resultados de las simulaciones:

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /RANK=RANK1 TO RANK22 /SUBJECT=ID/PRINT=SIMULATION SUMMARYONLY.

Subcomando PLOT

El subcomando PLOT controla si los gráficos se incluyen en el resultado. Como en el resultadotabular (subcomando PRINT), puede controlar si el resultado se limita a los resultados de resumeno incluye los resultados para cada sujeto. Por defecto, no se genera ningún gráfico. En el siguienteejemplo, el resultado incluye todos los gráficos disponibles:

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /RANK=RANK1 TO RANK22/SUBJECT=ID /PLOT=ALL.

14

Capítulo 4

Subcomando UTILITY

El subcomando UTILITY escribe un archivo de datos de SPSS que contiene información detalladasobre cada sujeto. Incluye las utilidades para los factores DISCRETE, las funciones pendientesy cuadráticas para los factores LINEAR, IDEAL y ANTIIDEAL, la constante de regresión y laspuntuaciones de preferencia estimadas. Estos valores pueden utilizarse en otros análisis o pararealizar gráficos adicionales con otros procedimientos. En el siguiente ejemplo se crea un archivode utilidades denominado rugutil.sav:

CONJOINT PLAN=* /DATA=RUGRANKS.SAV /RANK=RANK1 TO RANK22/SUBJECT=ID /UTILITY=RUGUTIL.SAV.

Capítulo

5Uso del análisis conjunto para modelarla preferencia por los limpiadores dealfombras

En un ejemplo muy conocido de análisis conjunto (Green y Wind, 1973), una compañía interesadaen sacar al mercado un nuevo limpiador de alfombras desea examinar la influencia de cincofactores sobre la preferencia del consumidor: diseño del producto, marca comercial, precio, sellode buen producto para el hogar y garantía de devolución del importe. Hay tres niveles de factorespara el diseño del producto, cada uno con una diferente colocación del cepillo del aplicador; tresnombres comerciales (K2R, Glory y Bissell); tres niveles de precios; y dos niveles (no o sí) paralos dos últimos factores. La siguiente tabla muestra las variables utilizadas en el estudio delimpiadores de alfombras, con sus etiquetas de variable y valores.Tabla 5-1Variables en el estudio de limpiadores de alfombras

Nombre de variable Etiqueta de variable Etiqueta de valorformato diseño del producto A*, B*, C*marca nombre comercial K2R, Glory, Bissellprecio precio $1.19, $1.39, $1.59sello sello de buen producto para el hogar no, síimporte garantía de devolución del importe no, sí

Puede que haya otros factores y niveles de los factores que sirvan para caracterizar a loslimpiadores de alfombras, pero para la administración sólo éstos son de interés. Hay unpunto importante en el análisis conjunto. Sólo se desea elegir aquellos factores (variablesindependientes) que se considera que más afectarán a la preferencia del sujeto (la variabledependiente). Mediante el análisis conjunto, se desarrollará un modelo de la preferencia delcliente basado en estos cinco factores.Este ejemplo utiliza la información de los siguientes archivos de datos: carpet_prefs.sav

contiene los datos recopilados de los sujetos, carpet_plan.sav contiene los perfiles de losproductos sobre los que se ha realizado la encuesta, conjoint.sps contiene la sintaxis de comandosnecesaria para ejecutar el análisis. Si desea obtener más información, consulte Archivos deejemplo en Apéndice A en p. 28.

15

16

Capítulo 5


El primer paso de un análisis conjunto consiste en crear las combinaciones de los niveles delos factores que se presentan como perfiles de los productos a los sujetos. Ya que incluso unnúmero pequeño de factores y unos cuantos niveles para cada factor pueden producir un númerodesmesurado de posibles perfiles de productos, es necesario generar un subconjunto representativodenominado matriz ortogonal.El procedimiento Generar diseño ortogonal crea una matriz ortogonal (también denominada

diseño ortogonal) y almacena la información en un archivo de datos de SPSS. A diferencia de lamayoría de los procedimientos, no es necesario disponer de un conjunto de datos activo antes deejecutar el procedimiento Generar diseño ortogonal. Si no tiene ningún conjunto de datos activo,tiene la posibilidad de crear uno, generar los nombres de variable, las etiquetas de variable y lasetiquetas de valor mediante las opciones seleccionadas en los cuadros de diálogo. Si ya tiene unconjunto de datos activo, puede reemplazarlo o bien guardar por separado el diseño ortogonal enun archivo de datos de SPSS.

Para crear un diseño ortogonal:


Diseño ortogonalGenerar...

Figura 5-1Cuadro de diálogo Generar diseño ortogonal

E Introduzca formato en el cuadro de texto Nombre del factor y diseño del producto en el cuadrode texto Etiqueta del factor.

E Pulse en Añadir.

Se creará un elemento con la etiqueta formato ‘diseño del producto’ (?). Seleccione este elemento.

17

Uso del análisis conjunto para modelar la preferencia por los limpiadores de alfombras

E Pulse en Definir valores.

Figura 5-2Cuadro de diálogo Generar diseño: Definir valores

E Escriba los valores 1, 2 y 3 para representar los diseños del producto A*, B* y C*. Escribatambién las etiquetas A*, B* y C*.

E Pulse en Continuar.

Ahora deberá repetir este proceso para los factores restantes, marca, precio, sello e importe.Utilice los valores y las etiquetas de la siguiente tabla, que incluye los valores que ya haintroducido para formato.

Factor Valores Etiquetasformato 1, 2, 3 A*, B*, C*marca 1, 2, 3 K2R, Glory, Bissellprecio 1.19, 1.39, 1.59 $1.19, $1.39, $1.59sello 1, 2 no, síimporte 1, 2 no, sí

Una vez que haya rellenado las especificaciones de los factores:

E Seleccione Sustituir el archivo de datos de trabajo en el grupo Archivo de datos del cuadro dediálogo Generar diseño ortogonal. El diseño generado sustituirá al conjunto de datos activo.

E Seleccione Restablecer semilla de aleatorización a y escriba el valor 2000000.

Para generar un diseño ortogonal es necesario un conjunto de números aleatorios. Si deseaduplicar un diseño (en este caso, el diseño utilizado para el estudio de caso actual) deberáestablecer el valor de la semilla antes de generar el diseño y volver a establecer este mismo valorcada vez que quiera volver a generar el diseño. El diseño utilizado para este estudio de caso segeneró con el valor de la semilla de 2000000.

18

Capítulo 5

E Pulse en Opciones.

Figura 5-3Cuadro de diálogo Generar diseño ortogonal: Opciones

E En el cuadro de texto Generar como mínimo, escriba 18.

Por defecto, se generan el número mínimo de casos necesarios para una matriz ortogonal. Esteprocedimiento determina el número de casos que es necesario administrar para que sea posibleestimar las utilidades. También puede especificar el número mínimo de casos que se generarán,como hemos hecho anteriormente. Tal vez le interese hacerlo así porque el número mínimo pordefecto de casos sea demasiado pequeño para ser útil o porque existan consideraciones del diseñoexperimental que requieran un determinado número mínimo de casos.

E Seleccione Número de casos reservados y escriba 4.

Los casos reservados son juzgados por los sujetos, pero no se utilizan en el análisis conjunto paraestimar las utilidades. Se utilizan como comprobación de la validez de las utilidades estimadas.Los casos reservados se generan mediante otro plan aleatorio, diferente del plan ortogonalexperimental.

E Pulse en Continuar en el cuadro de diálogo Generar diseño ortogonal: Opciones.

E Pulse en Aceptar en el cuadro de diálogo Generar diseño ortogonal.

Figura 5-4Diseño ortogonal para el ejemplo de limpiadores de alfombras

El diseño ortogonal, que aparece en el Editor de datos, puede verse con mayor claridad si semuestran las etiquetas de valor en vez de los valores reales de los datos. Para ello, hay queseleccionar Etiquetas de valor en el menú Ver.Las variables del archivo de datos son los factores que se utilizan para especificar el diseño.

Cada caso representa un perfil de producto del diseño. Observe que en el archivo de datosaparecen dos variables adicionales: CARD_ y STATUS_. CARD_ asigna un número secuencial acada uno de los perfiles que se utilizan para identificar el perfil. STATUS_ indica si un perfil forma

19


parte del diseño experimental (los primeros 18 casos), es un caso reservado (los 4 últimos casos) oun caso de simulación (que trataremos en un tema posterior de este estudio de caso).El diseño ortogonal es un dato de entrada necesario para analizar los datos. Por ello, deberá

guardar el diseño en un archivo de datos de SPSS. Por comodidad, el diseño actual se ha guardadoen carpet_plan.sav (los diseños ortogonales también se denominan planes).

Generación del estímulo experimental: Presentación del diseño

Una vez que ha creado un diseño ortogonal, deberá utilizarlo para crear los perfiles de losproductos que los sujetos evaluarán. Puede presentar todos los perfiles en una única tabla o bienmostrar cada uno de los perfiles en una tabla distinta.

Para mostrar un diseño ortogonal:


Diseño ortogonalMostrar...

Figura 5-5Cuadro de diálogo Mostrar el diseño

E Seleccione formato, marca, precio, sello e importe como factores.

La información que contienen las variables STATUS_ y CARD_ se incluye automáticamente en losresultados, por lo que no será necesario seleccionarla.

E Seleccione Listado para el experimentador en el grupo Formato. Así, se mostrará todo el diseñoortogonal en una única tabla.

E Pulse en Aceptar.

20

Capítulo 5

Figura 5-6Presentación del diseño ortogonal: diseño con una única tabla

El aspecto de los resultados recuerda al diseño ortogonal que aparecía en el Editor de datos: unafila para cada perfil con los factores como columnas. Observe, sin embargo, que los encabezadosde columna son las etiquetas de variable en vez de los nombres de variable que se veían en elEditor de datos. Observe también que los casos reservados se identifican mediante una nota al pie.Aunque este dato es de interés para el experimentador, por supuesto no interesa que los sujetossepan cuáles de los casos, si los hay, son los reservados.Según como quiera crear y entregar los perfiles de los productos finales, puede guardar esta

tabla como un archivo HTML, Word/RTF, Excel o PowerPoint. Para ello, basta con seleccionar latabla en el Visor, pulsar con el botón derecho del ratón y seleccionar Exportar. Además, si utilizala versión exportada para crear los perfiles de los productos finales asegúrese de editar las notas alpie correspondientes a los casos reservados.Tal vez sea más fácil responder a las necesidades de la encuesta si se genera una tabla diferente

para cada perfil de producto. Esta opción se presta en especial a la exportación a PowerPoint yaque cada tabla (perfil de producto) se coloca en una diapositiva distinta de PowerPoint.

Para mostrar cada perfil en una tabla diferente:

E Pulse en el botón Recuperar cuadros de diálogo y elija Mostrar el diseño.

E Anule la selección de Listado para el experimentador y seleccione Perfiles para los sujetos.

E Pulse en Aceptar.

21


Figura 5-7Presentación del diseño ortogonal: diseño con varias tablas

La información correspondiente a cada perfil de producto aparecerá en una tabla diferente.Además, no se podrán distinguir los casos reservados de los demás, por lo que no habrá quepreocuparse de eliminar los identificadores de los casos reservados, como ocurría con el diseñocon una única tabla.

Ejecución del análisis

Ha generado un diseño ortogonal y ha aprendido a mostrar los perfiles de los productos asociados.Ya está preparado para aprender a ejecutar un análisis conjunto.

Figura 5-8Datos de preferencias para el ejemplo de limpiadores de alfombras

Los datos de preferencias recopilados de los sujetos se encuentran en carpet_prefs.sav. Los datosestán compuestos por las respuestas de 10 sujetos, identificadas por un valor único de la variableID. A los sujetos se les pidió que clasificasen los 22 perfiles de los productos empezando por elque más se prefiere y terminando por el que menos se prefiere. Las variables desde PREF1hasta PREF22 contienen los ID de los perfiles de producto asociados, es decir, el ID de tarjetade carpet_plan.sav. El sujeto 1, por ejemplo, prefería al perfil 13 sobre todos los demás, por loque PREF1 tiene el valor 13.El análisis de los datos es una tarea que requiere utilizar la sintaxis de comandos, en concreto,

el comando CONJOINT. La sintaxis de comandos necesaria se incluye en el archivo conjoint.sps.

CONJOINT PLAN=especificación de archivo/DATA=especificación de archivo

22

Capítulo 5

/SEQUENCE=PREF1 TO PREF22/SUBJECT=ID/FACTORS=PACKAGE BRAND (DISCRETE)PRICE (LINEAR LESS)SEAL (LINEAR MORE) MONEY (LINEAR MORE)/PRINT=SUMMARYONLY.

El subcomando PLAN especifica el archivo que contiene el diseño ortogonal, que en esteejemplo es carpet_plan.sav.El subcomando DATA especifica el archivo que contiene los datos de preferencias, que en esteejemplo es, carpet_prefs.sav. Si elige los datos de preferencias como conjunto de datosactivo, puede reemplazar la especificación del archivo por un asterisco (*), sin comillas.El subcomando SEQUENCE especifica que cada punto de datos de los datos de preferenciases un número de perfil, comenzando por el perfil que más se prefiere y terminado por elque menos se prefiere.El subcomando SUBJECT especifica que la variable ID identifica a los sujetos.El subcomando FACTORS especifica un modelo que describe la relación esperada entre losdatos de preferencias y los niveles de los factores. Los factores especificados hacen referenciaa las variables definidas en el archivo de plan indicado en el subcomando PLAN.La palabra clave DISCRETE se utiliza cuando los niveles de los factores son categóricos yno se realiza ninguna suposición acerca de la relación existente entre los niveles y los datos.Éste es el caso de los factores formato y marca que representan al diseño del producto y elnombre comercial, respectivamente. Se supone DISCRETE si no se etiqueta un factor conalguna de las cuatro alternativas (DISCRETE, LINEAR, IDEAL, ANTIIDEAL) o no se incluyeen el subcomando FACTORS.La palabra clave LINEAR, utilizada para los demás factores, indica que se espera que losdatos estén relacionados linealmente con el factor. Por ejemplo, normalmente se espera quela preferencia esté relacionada linealmente con el precio. También es posible especificarmodelos cuadráticos (que no se utilizarán en este ejemplo) mediante las palabras clave IDEALy ANTIIDEAL.Las palabras clave MORE y LESS, a continuación de LINEAR, indican que se espera que larelación tenga una determinada dirección. Como esperamos que se muestre una mayorpreferencia hacia los precios más bajos, se utilizará la palabra clave LESS para precio. Sinembargo, esperamos una mayor preferencia hacia un sello de aprobación de buen productopara el hogar o una garantía de devolución del importe, por lo que se utilizará la palabraclave MORE para sello e importe (recuerde que los niveles de ambos factores se establecieronen 1 para no y 2 para sí).Al especificar MORE o LESS no cambian los signos de los coeficientes ni resultan afectadas lasestimaciones de las utilidades. Estas palabras clave se utilizan sencillamente para identificar alos sujetos cuyas estimaciones no corresponden a la dirección esperada. De manera similar,si se elige IDEAL en vez de ANTIIDEAL o viceversa, ni las utilidades ni los coeficientesresultan afectados.El subcomando PRINT especifica que los resultados únicamente contienen informaciónacerca del grupo de sujetos considerado de forma global (palabra clave SUMMARYONLY). Lainformación individual acerca de cada sujeto se suprime.

23


Pruebe a ejecutar esta sintaxis de comandos. Asegúrese de que ha incluido rutas de acceso válidasa carpet_prefs.sav y carpet_plan.sav. Para ver una descripción completa de todas las opciones,consulte el comando CONJOINT en la referencia de sintaxis de comandos de SPSS (Referenciade sintaxis de comandos).

Puntuaciones de utilidadFigura 5-9Puntuaciones de utilidad

Esta tabla muestra las puntuaciones de utilidad (las contribuciones parciales) y los errores típicosde cada nivel de factor. Mayores valores de utilidad indican una mayor preferencia. Tal comose esperaba, hay una relación inversa entre el precio y la utilidad en la que los mayores precioscorresponden a una menor utilidad (valores grandes negativos indican una menor utilidad). Lapresencia de un sello de aprobación o una garantía de devolución del importe corresponden auna mayor utilidad, como habíamos previsto.Como todas las utilidades se expresan en una unidad común, es posible sumarlas para obtener

la utilidad total de cualquier combinación. Por ejemplo, la utilidad total de un limpiador conun diseño del producto B*, marca K2R, precio €1,19 y sin sello de aprobación ni garantía dedevolución del importe es:

utilidad(formato B*) + utilidad(K2R) + utilidad(€1,19)+ utilidad(sin sello) + utilidad(sin devolución del importe) + constante

o

1.867 + 0.367 + (−6.595) + 2.000 + 1.250 + 12.870 = 11.759

Si el limpiador tuviera el diseño del producto C*, marca Bissell, precio €1,59, un sello deaprobación y una garantía de devolución del importe, la utilidad total sería:

0.367 + (−0.017) + (−8.811) + 4.000 + 2.500 + 12.870 = 10.909

24

Capítulo 5

CoeficientesFigura 5-10Coeficientes

Esta tabla muestra los coeficientes de regresión lineal para los que se han especificado los factorescomo LINEAR (para los modelos IDEAL y ANTIIDEAL también habría un término cuadrático). Lautilidad de un determinado nivel de factor se determina multiplicando el nivel por el coeficiente.Por ejemplo, la tabla de utilidades mostraba la utilidad pronosticada − 6,595 para un precio de1,19 €. Éste es sencillamente el valor del nivel de precio, 1,19, multiplicado por el coeficiente deprecio, −5,542.

Importancia relativa

El rango de los valores de utilidad (de mayor a menor) para cada factor proporciona una medidade lo importante que es un determinado factor respecto a la preferencia global. Los factores quepresentan mayores rangos de utilidad desempeñan un papel más importante que los que tienenrangos menores.

Figura 5-11Valores de importancia

Esta tabla ofrece una medida de la importancia relativa de cada factor denominado valor opuntuación de importancia. Los valores se calculan tomando el rango de utilidad para cada factorpor separado y dividiéndolo por la suma de los rangos de utilidad de todos los factores. Por tanto,los valores representan porcentajes y tienen la propiedad de que suman 100. Es importante resaltarque los cálculos se realizan por separado para cada sujeto y, a continuación, los resultados sepromedian respecto a todos los sujetos.Observe que mientras que los coeficientes de regresión y las utilidades de resumen o globales

de los diseños ortogonales son iguales con o sin un subcomando SUBJECT, las importancias engeneral son diferentes. Para los resultados de resumen sin un subcomando SUBJECT, es posiblecalcular directamente las importancias a partir de las utilidades de resumen, al igual se puedehacer con cada uno de los sujetos. Sin embargo, cuando se utiliza un subcomando SUBJECT,las importancias de los sujetos individuales se promedian y estas importancias promediadas engeneral no coincidirán con las calculadas mediante las utilidades de resumen.

25


Los resultados muestran que el diseño del producto tiene la mayor influencia sobre lapreferencia global. Por tanto, existe una gran diferencia en la preferencia entre los perfiles deproducto que utilizan el diseño más deseado y los que contienen el menos deseado. Los resultadostambién muestran que la garantía de devolución del importe desempeña el papel menos importanterespecto a la preferencia global. El precio desempeña un papel significativo pero no tanto como eldiseño del producto. Tal vez sea porque el rango de precios no es tan grande.

CorrelacionesFigura 5-12Coeficientes de correlación

Esta tabla muestra dos estadísticos, la r de Pearson y la tau de Kendall, que proporcionan medidasde la correlación entre las preferencias observadas y las estimadas.La tabla también muestra la tau de Kendall únicamente para los perfiles de reserva. Recuerde

que los perfiles de reserva (cuatro en el ejemplo actual) fueron evaluados por los sujetospero el procedimiento Conjoint no los utilizó para estimar las utilidades. En lugar de esto, elprocedimiento Conjoint calcula las correlaciones entre los órdenes de los rangos observados ypronosticados para estos perfiles como comprobación de la validez de las utilidades.En numerosos análisis conjuntos, el número de parámetros es similar al número de perfiles

evaluados, lo que aumenta artificialmente la correlación entre las puntuaciones observadas y lasestimadas. En estos casos, las correlaciones para los perfiles de reserva pueden ofrecer una mejorindicación del ajuste del modelo. No olvide, sin embargo, que las reservas siempre generaránmenores coeficientes de correlación.

Inversiones

Al especificar modelos LINEAR para precio, sello e importe, hemos elegido una dirección esperada(LESS o MORE) para la relación lineal entre el valor de la variable y la preferencia para dicho valor.El procedimiento Conjoint realiza un seguimiento del número de sujetos cuyas preferencias sonopuestas a la relación esperada; por ejemplo, prefieren precios más altos, o prefieren que no hayauna garantía de devolución del importe. A estos casos, se les denomina inversiones.

26

Capítulo 5

Figura 5-13Número de inversiones por factor y sujeto

Esta tabla muestra el número de inversiones para cada factor y para cada sujeto. Por ejemplo, tressujetos muestran una inversión respecto al precio. Es decir, prefieren perfiles de productos conprecios superiores.

Ejecución de simulaciones

La auténtica potencia del análisis conjunto reside en la posibilidad de predecir la preferencia deperfiles de producto que no hayan sido evaluados por los sujetos. A estos, se les denomina casosde simulación. Los casos de simulación se incluyen como parte del plan, junto con los perfiles deldiseño ortogonal y todos los perfiles de reserva.La manera más sencilla de introducir casos de simulación es utilizar el Editor de datos,

utilizando las etiquetas de valor creadas al generar el diseño experimental.

Para introducir un caso de simulación en el archivo del plan:

E En una nueva fila de la ventana del Editor de datos, seleccione una casilla y elija el valor deseadoen la lista (es posible ver las etiquetas de valor seleccionando Etiquetas de valor en el menú Ver).Repita estos pasos para todas las variables (factores).

E Seleccione Simulación como valor de la variable STATUS_.

E Escriba un valor entero, que se utilizará como identificador, para la variable CARD_. Los casos desimulación se deben numerar de manera independiente a los demás casos.

27


Figura 5-14Datos de limpiadores de alfombras incluidos los casos de simulación

La figura muestra una parte del archivo del plan correspondiente al estudio de los limpiadoresde alfombras, al que se han añadido dos casos de simulación. Por comodidad, se han incluidoen carpet_plan.sav.El análisis de los casos de simulación se realiza utilizando la misma sintaxis de comandos

utilizada anteriormente, es decir, la sintaxis del archivo conjoint.sps. De hecho, si ejecutóla sintaxis descrita anteriormente habrá notado que los resultados también incluían loscorrespondientes a los casos de simulación, ya que se habían incluido en carpet_plan.sav.Puede elegir entre ejecutar las simulaciones junto con el análisis inicial (como hemos hecho

aquí) o ejecutar las simulaciones posteriormente, simplemente incluyendo los casos de simulaciónen el archivo del plan y volviendo a ejecutar CONJOINT. Si desea obtener más información,consulte la entrada correspondiente al comando CONJOINT en la referencia de sintaxis decomandos de SPSS (Referencia de sintaxis de comandos).

Probabilidades de preferencias de las simulacionesFigura 5-15Resultados de la simulación

Esta tabla ofrece las probabilidades pronosticadas de elegir cada uno de los casos de simulacióncomo el que más se prefiere, según tres modelos diferentes de probabilidad de elección. Elmodelode utilidad máxima determina la probabilidad como el número de encuestados que se pronosticaque elegirán el perfil dividido por el número total de encuestados. Para cada encuestado, laelección pronosticada es sencillamente el perfil con la mayor utilidad total. El modelo deBradley-Terry-Luce (BTL) determina la probabilidad como la relación de la utilidad de un perfilrespecto a todos los perfiles de simulación, promediada en todos los encuestados. Elmodelo logites simular al BTL pero utiliza el logaritmo natural de las utilidades en vez de las utilidades. En los10 sujetos de este estudio, los tres modelos indican que se preferiría el perfil de simulación 2.

Apéndice

AArchivos de ejemplo

Los archivos muestrales instalados con el producto se encuentran en el subdirectorio Samplesdel directorio de instalación.

Descripciones

A continuación, se describen brevemente los archivos muestrales usados en varios ejemplosque aparecen a lo largo de la documentación:

accidents.sav. Archivo de datos hipotéticos sobre una compañía de seguros que estudia losfactores de riesgo de edad y género que influyen en los accidentes de automóviles de unaregión determinada. Cada caso corresponde a una clasificación cruzada de categoría deedad y género.adl.sav. Archivo de datos hipotéticos relativo a los esfuerzos para determinar las ventajas de untipo propuesto de tratamiento para pacientes que han sufrido un derrame cerebral. Los médicosdividieron de manera aleatoria a pacientes (mujeres) que habían sufrido un derrame cerebralen dos grupos. El primer grupo recibió el tratamiento físico estándar y el segundo recibió untratamiento emocional adicional. Tres meses después de los tratamientos, se puntuaron lascapacidades de cada paciente para realizar actividades cotidianas como variables ordinales.advert.sav. Archivo de datos hipotéticos sobre las iniciativas de un minorista para examinarla relación entre el dinero invertido en publicidad y las ventas resultantes. Para ello, serecopilaron las cifras de ventas anteriores y los costes de publicidad asociados.aflatoxin.sav. Archivo de datos hipotéticos sobre las pruebas realizadas en las cosechas demaíz con relación a la aflatoxina, un veneno cuya concentración varía ampliamente en losrendimientos de cultivo y entre los mismos. Un procesador de grano ha recibido 16 muestrasde cada uno de los 8 rendimientos de cultivo y ha medido los niveles de aflatoxinas en partespor millón (PPM).aflatoxin20.sav. Este archivo de datos contiene las medidas de aflatoxina de cada una de las 16muestras de los rendimientos 4 y 8 procedentes del archivo de datos aflatoxin.sav.anorectic.sav. Mientras trabajaban en una sintomatología estandarizada del comportamientoanoréxico/bulímico, los investigadores (Van der Ham, Meulman, Van Strien, y Van Engeland,1997) realizaron un estudio de 55 adolescentes con trastornos de la alimentación conocidos.Cada paciente fue examinado cuatro veces durante cuatro años, lo que representa un totalde 220 observaciones. En cada observación, se puntuó a los pacientes por cada uno de los16 síntomas. Faltan las puntuaciones de los síntomas para el paciente 71 en el tiempo 2, elpaciente 76 en el tiempo 2 y el paciente 47 en el tiempo 3, lo que nos deja 217 observacionesválidas.

28

29

Archivos de ejemplo

autoaccidents.sav. Archivo de datos hipotéticos sobre las iniciativas de un analista de segurospara elaborar un modelo del número de accidentes de automóvil por conductor teniendo encuenta la edad y el género del conductor. Cada caso representa un conductor diferente yregistra el sexo, la edad en años y el número de accidentes de automóvil del conductor en losúltimos cinco años.band.sav. Este archivo de datos contiene las cifras de ventas semanales hipotéticas de CDs demúsica de una banda. También se incluyen datos para tres variables predictoras posibles.bankloan.sav. Archivo de datos hipotéticos sobre las iniciativas de un banco para reducir latasa de moras de créditos. El archivo contiene información financiera y demográfica de850 clientes anteriores y posibles clientes. Los primeros 700 casos son clientes a los queanteriormente se les ha concedido un préstamo. Al menos 150 casos son posibles clientescuyos riesgos de crédito el banco necesita clasificar como positivos o negativos.bankloan_binning.sav. Archivo de datos hipotéticos que contiene información financiera ydemográfica sobre 5.000 clientes anteriores.behavior.sav. En un ejemplo clásico (Price y Bouffard, 1974), se pidió a 52 estudiantesque valoraran las combinaciones de 15 situaciones y 15 comportamientos en una escalade 10 puntos que oscilaba entre 0 =“extremadamente apropiado” y 9=“extremadamenteinapropiado”. Los valores promediados respecto a los individuos se toman comodisimilaridades.behavior_ini.sav. Este archivo de datos contiene una configuración inicial para una soluciónbidimensional de behavior.sav.brakes.sav. Archivo de datos hipotéticos sobre el control de calidad de una fábrica queproduce frenos de disco para automóviles de alto rendimiento. El archivo de datos contienelas medidas del diámetro de 16 discos de cada una de las 8 máquinas de producción. Eldiámetro objetivo para los frenos es de 322 milímetros.breakfast.sav. En un estudio clásico (Green y Rao, 1972), se pidió a 21 estudiantes deadministración de empresas de la Wharton School y sus cónyuges que ordenaran 15 elementosde desayuno por orden de preferencia, de 1=“más preferido” a 15=“menos preferido”. Suspreferencias se registraron en seis escenarios distintos, de “Preferencia global” a “Aperitivo,con bebida sólo”.breakfast-overall.sav. Este archivo de datos sólo contiene las preferencias de elementos dedesayuno para el primer escenario, “Preferencia global”.broadband_1.sav. Archivo de datos hipotéticos que contiene el número de suscriptores, porregión, a un servicio de banda ancha nacional. El archivo de datos contiene números desuscriptores mensuales para 85 regiones durante un período de cuatro años.broadband_2.sav. Este archivo de datos es idéntico a broadband_1.sav pero contiene datospara tres meses adicionales.car_insurance_claims.sav. Conjunto de datos presentados y analizados en otro lugar(McCullagh y Nelder, 1989) estudia las reclamaciones por daños en vehículos. La cantidad dereclamaciones media se puede modelar como si tuviera una distribución Gamma, medianteuna función de enlace inversa para relacionar la media de la variable dependiente conuna combinación lineal de la edad del asegurado, el tipo de vehículo y la antigüedad delvehículo. El número de reclamaciones presentadas se puede utilizar como una ponderación deescalamiento.

30

Apéndice A

car_sales.sav. Este archivo de datos contiene estimaciones de ventas, precios de lista yespecificaciones físicas hipotéticas de varias marcas y modelos de vehículos. Los precios delista y las especificaciones físicas se han obtenido de edmunds.com y de sitios de fabricantes.carpet.sav. En un ejemplo muy conocido (Green y Wind, 1973), una compañía interesada ensacar al mercado un nuevo limpiador de alfombras desea examinar la influencia de cincofactores sobre la preferencia del consumidor: diseño del producto, marca comercial, precio,sello de buen producto para el hogar y garantía de devolución del importe. Hay tres nivelesde factores para el diseño del producto, cada uno con una diferente colocación del cepillodel aplicador; tres nombres comerciales (K2R, Glory y Bissell); tres niveles de precios; y dosniveles (no o sí) para los dos últimos factores. Diez consumidores clasificaron 22 perfilesdefinidos por estos factores. La variable Preferencia contiene el rango de las clasificacionesmedias de cada perfil. Las clasificaciones inferiores corresponden a preferencias elevadas.Esta variable refleja una medida global de la preferencia de cada perfil.carpet_prefs.sav. Este archivo de datos se basa en el mismo ejemplo que el descritopara carpet.sav, pero contiene las clasificaciones reales recogidas de cada uno de los 10consumidores. Se pidió a los consumidores que clasificaran los 22 perfiles de los productosempezando por el menos preferido. Las variables desde PREF1 hasta PREF22 contienen losID de los perfiles asociados, como se definen en carpet_plan.sav.catalog.sav. Este archivo de datos contiene cifras de ventas mensuales hipotéticas de tresproductos vendidos por una compañía de venta por catálogo. También se incluyen datospara cinco variables predictoras posibles.catalog_seasfac.sav. Este archivo de datos es igual que catalog.sav, con la excepción deque incluye un conjunto de factores estacionales calculados a partir del procedimientoDescomposición estacional junto con las variables de fecha que lo acompañan.cellular.sav. Archivo de datos hipotéticos sobre las iniciativas de una compañía de telefoníamóvil para reducir el abandono de clientes. Las puntuaciones de propensión al abandono declientes se aplican a las cuentas, oscilando de 0 a 100. Las cuentas con una puntuación de 50o superior pueden estar buscando otros proveedores.ceramics.sav. Archivo de datos hipotéticos sobre las iniciativas de un fabricante paradeterminar si una nueva aleación de calidad tiene una mayor resistencia al calor que unaaleación estándar. Cada caso representa una prueba independiente de una de las aleaciones; latemperatura a la que registró el fallo del rodamiento.cereal.sav. Archivo de datos hipotéticos sobre una encuesta realizada a 880 personas sobresus preferencias en el desayuno, teniendo también en cuenta su edad, sexo, estado civil y sitienen un estilo de vida activo o no (en función de si practican ejercicio al menos dos veces ala semana). Cada caso representa un encuestado diferente.clothing_defects.sav. Archivo de datos hipotéticos sobre el proceso de control de calidad enuna fábrica de prendas. Los inspectores toman una muestra de prendas de cada lote producidoen la fábrica, y cuentan el número de prendas que no son aceptables.coffee.sav. Este archivo de datos pertenece a las imágenes percibidas de seis marcas de caféhelado (Kennedy, Riquier, y Sharp, 1996). Para cada uno de los 23 atributos de imagen de caféhelado, los encuestados seleccionaron todas las marcas que quedaban descritas por el atributo.Las seis marcas se denotan AA, BB, CC, DD, EE y FF para mantener la confidencialidad.

31

Archivos de ejemplo

contacts.sav. Archivo de datos hipotéticos sobre las listas de contactos de un grupo derepresentantes de ventas de ordenadores de empresa. Cada uno de los contactos estácategorizado por el departamento de la compañía en el que trabaja y su categoría en lacompañía. Además, también se registran los importes de la última venta realizada, el tiempotranscurrido desde la última venta y el tamaño de la compañía del contacto.creditpromo.sav. Archivo de datos hipotéticos sobre las iniciativas de unos almacenespara evaluar la eficacia de una promoción de tarjetas de crédito reciente. Para este fin, seseleccionaron aleatoriamente 500 titulares. La mitad recibieron un anuncio promocionandouna tasa de interés reducida sobre las ventas realizadas en los siguientes tres meses. La otramitad recibió un anuncio estacional estándar.customer_dbase.sav. Archivo de datos hipotéticos sobre las iniciativas de una compañía parausar la información de su almacén de datos para realizar ofertas especiales a los clientescon más probabilidades de responder. Se seleccionó un subconjunto de la base de clientesaleatoriamente a quienes se ofrecieron las ofertas especiales y sus respuestas se registraron.customers_model.sav. Este archivo contiene datos hipotéticos sobre los individuos a los queva dirigida una campaña de marketing. Estos datos incluyen información demográfica, unresumen del historial de compras y si cada individuo respondió a la campaña. Cada casorepresenta un individuo diferente.customers_new.sav. Este archivo contiene datos hipotéticos sobre los individuos que soncandidatos potenciales para una campaña de marketing. Estos datos incluyen informacióndemográfica y un resumen del historial de compras de cada individuo. Cada caso representaun individuo diferente.debate.sav. Archivos de datos hipotéticos sobre las respuestas emparejadas de una encuestarealizada a los asistentes a un debate político antes y después del debate. Cada casocorresponde a un encuestado diferente.debate_aggregate.sav. Archivo de datos hipotéticos que agrega las respuestas de debate.sav.Cada caso corresponde a una clasificación cruzada de preferencias antes y después del debate.demo.sav. Archivos de datos hipotéticos sobre una base de datos de clientes adquirida conel fin de enviar por correo ofertas mensuales. Se registra si el cliente respondió a la oferta,junto con información demográfica diversa.demo_cs_1.sav. Archivo de datos hipotéticos sobre el primer paso de las iniciativas deuna compañía para recopilar una base de datos de información de encuestas. Cada casocorresponde a una ciudad diferente, y se registra la identificación de la ciudad, la región,la provincia y el distrito.demo_cs_2.sav. Archivo de datos hipotéticos sobre el segundo paso de las iniciativas deuna compañía para recopilar una base de datos de información de encuestas. Cada casocorresponde a una unidad familiar diferente de las ciudades seleccionadas en el primer paso, yse registra la identificación de la unidad, la subdivisión, la ciudad, el distrito, la provincia y laregión. También se incluye la información de muestreo de las primeras dos etapas del diseño.demo_cs.sav. Archivo de datos hipotéticos que contiene información de encuestas recopiladamediante un diseño de muestreo complejo. Cada caso corresponde a una unidad familiardistinta, y se recopila información demográfica y de muestreo diversa.

32

Apéndice A

dietstudy.sav. Este archivo de datos hipotéticos contiene los resultados de un estudio sobrela “dieta Stillman” (Rickman, Mitchell, Dingman, y Dalen, 1974). Cada caso correspondea un sujeto distinto y registra sus pesos antes y después de la dieta en libras y niveles detriglicéridos en mg/100 ml.dischargedata.sav. Archivo de datos sobre Seasonal Patterns of Winnipeg Hospital Use,(Menec , Roos, Nowicki, MacWilliam, Finlayson, y Black, 1999) de Manitoba Centre forHealth Policy.dvdplayer.sav. Archivo de datos hipotéticos sobre el desarrollo de un nuevo reproductor deDVD. El equipo de marketing ha recopilado datos de grupo de enfoque mediante un prototipo.Cada caso corresponde a un usuario encuestado diferente y registra información demográficasobre los encuestados y sus respuestas a preguntas acerca del prototipo.flying.sav. Este archivo de datos contiene las millas de pilotaje entre 10 ciudades americanas.german_credit.sav. Este archivo de datos se toma del conjunto de datos “German credit” delas Repository of Machine Learning Databases (Blake y Merz, 1998) de la Universidadde California, Irvine.grocery_1month.sav. Este archivo de datos hipotéticos es el archivo de datosgrocery_coupons.sav con las compras semanales “acumuladas” para que cada casocorresponda a un cliente diferente. Algunas de las variables que cambiaban semanalmentedesaparecen de los resultados, y la cantidad gastada registrada se convierte ahora en la sumade las cantidades gastadas durante las cuatro semanas del estudio.grocery_coupons.sav. Archivo de datos hipotéticos que contiene datos de encuestasrecopilados por una cadena de tiendas de alimentación interesada en los hábitos de comprade sus clientes. Se sigue a cada cliente durante cuatro semanas, y cada caso corresponde aun cliente-semana distinto y registra información sobre dónde y cómo compran los clientes,incluida la cantidad que invierten en comestibles durante esa semana.guttman.sav. Bell (Bell, 1961) presentó una tabla para ilustrar posibles grupos sociales.Guttman (Guttman, 1968) utilizó parte de esta tabla, en la que se cruzaron cinco variablesque describían elementos como la interacción social, sentimientos de pertenencia a un grupo,proximidad física de los miembros y grado de formalización de la relación con siete grupossociales teóricos, incluidos multitudes (por ejemplo, las personas que acuden a un partido defútbol), espectadores (por ejemplo, las personas que acuden a un teatro o de una conferencia),públicos (por ejemplo, los lectores de periódicos o los espectadores de televisión),muchedumbres (como una multitud pero con una interacción mucho más intensa), gruposprimarios (íntimos), grupos secundarios (voluntarios) y la comunidad moderna (confederacióndébil que resulta de la proximidad cercana física y de la necesidad de servicios especializados).healthplans.sav. Archivo de datos hipotéticos sobre las iniciativas de un grupo de segurospara evaluar cuatro planes sanitarios diferentes para pequeñas empresas. Se toman doceempresarios para clasificar los planes por la medida en la que preferirían ofrecerlos a susempleados. Cada caso corresponde a un empresario distinto y registra las reacciones antecada plan.health_funding.sav. Archivo de datos hipotéticos que contiene datos sobre inversión en sanidad(cantidad por 100 personas), tasas de enfermedad (índice por 10.000 personas) y visitas acentros de salud (índice por 10.000 personas). Cada caso representa una ciudad diferente.

33

Archivos de ejemplo

hivassay.sav. Archivo de datos hipotéticos sobre las iniciativas de un laboratorio farmacéuticopara desarrollar un ensayo rápido para detectar la infección por VIH. Los resultados del ensayoson ocho tonos de rojo con diferentes intensidades, donde los tonos más oscuros indican unamayor probabilidad de infección. Se llevó a cabo una prueba de laboratorio de 2.000 muestrasde sangre, de las cuales una mitad estaba infectada con el VIH y la otra estaba limpia.hourlywagedata.sav. Archivo de datos hipotéticos sobre los salarios por horas de enfermerasde puestos de oficina y hospitales y con niveles distintos de experiencia.insure.sav. Archivo de datos hipotéticos sobre una compañía de seguros que estudia losfactores de riesgo que indican si un cliente tendrá que hacer una reclamación a lo largo de uncontrato de seguro de vida de 10 años. Cada caso del archivo de datos representa un par decontratos (de los que uno registró una reclamación y el otro no), agrupados por edad y sexo.judges.sav. Archivo de datos hipotéticos sobre las puntuaciones concedidas por juecescualificados (y un aficionado) a 300 actuaciones gimnásticas. Cada fila representa unaactuación diferente; los jueces vieron las mismas actuaciones.kinship_dat.sav. Rosenberg y Kim (Rosenberg y Kim, 1975) comenzaron a analizar 15términos de parentesco (tía, hermano, primo, hija, padre, nieta, abuelo, abuela, nieto, madre,sobrino, sobrina, hermana, hijo, tío). Le pidieron a cuatro grupos de estudiantes universitarios(dos masculinos y dos femeninos) que ordenaran estos grupos según las similitudes. A dosgrupos (uno masculino y otro femenino) se les pidió que realizaran la ordenación dos veces,pero que la segunda ordenación la hicieran según criterios distintos a los de la primera. Así, seobtuvo un total de seis “fuentes”. Cada fuente se corresponde con una matriz de proximidadesde cuyas casillas son iguales al número de personas de una fuente menos el número de vecesque se particionaron los objetos en esa fuente.kinship_ini.sav. Este archivo de datos contiene una configuración inicial para una solucióntridimensional de kinship_dat.sav.kinship_var.sav. Este archivo de datos contiene variables independientes sexo, gener (ación), ygrado (de separación) que se pueden usar para interpretar las dimensiones de una soluciónpara kinship_dat.sav. Concretamente, se pueden usar para restringir el espacio de la solucióna una combinación lineal de estas variables.mailresponse.sav. Archivo de datos hipotéticos sobre las iniciativas de un fabricante de ropapara determinar si el uso de correo de primera clase para los envíos directos genera respuestasmás rápidas que el correo masivo. Los encargados de los pedidos registran el número desemanas que tarda cada pedido tras el mailing.marketvalues.sav. Archivo de datos sobre las ventas de casas en una nueva urbanización deAlgonquin, Ill., durante los años 1999 y 2000. Los datos de estas ventas son públicos.mutualfund.sav. Archivo de datos sobre información del mercado de valores para variosvalores tecnológicos recogidos en el índice S&P 500. Cada caso corresponde a una compañíadiferente.nhis2000_subset.sav. La National Health Interview Survey (NHIS, encuesta del CentroNacional de Estadísticas de Salud de EE.UU.) es una encuesta detallada realizada entrela población civil de Estados Unidos. Las encuestas se realizaron en persona a unamuestra representativa de las unidades familiares del país. Se recogió tanto la informacióndemográfica como las observaciones acerca del estado y los hábitos de salud de losintegrantes de cada unidad familiar. Este archivo de datos contiene un subconjunto deinformación de la encuesta de 2000. National Center for Health Statistics. National

34

Apéndice A

Health Interview Survey, 2000. Archivo de datos y documentación de uso público.ftp://ftp.cdc.gov/pub/Health_Statistics/NCHS/Datasets/NHIS/2000/. Fecha de acceso: 2003.ozono.sav. Los datos incluyen 330 observaciones de seis variables meteorológicas parapronosticar la concentración de ozono a partir del resto de variables. Los investigadoresanteriores (Breiman y Friedman, 1985), (Hastie y Tibshirani, 1990) han encontrado que nohay linealidad entre estas variables, lo que dificulta los métodos de regresión típica.pain_medication.sav. Este archivo de datos hipotéticos contiene los resultados de una pruebaclínica sobre medicación antiinflamatoria para tratar el dolor artrítico crónico. Resulta departicular interés el tiempo que tarda el fármaco en hacer efecto y cómo se compara conuna medicación existente.patient_los.sav. Este archivo de datos hipotéticos contiene los registros de tratamiento depacientes que fueron admitidos en el hospital ante la posibilidad de sufrir un infarto demiocardio (IM o “ataque al corazón”). Cada caso corresponde a un paciente distinto y registradiversas variables relacionadas con su estancia hospitalaria.patlos_sample.sav. Este archivo de datos hipotéticos contiene los registros de tratamiento deuna muestra de pacientes que recibieron trombolíticos durante el tratamiento del infarto demiocardio (IM o “ataque al corazón”). Cada caso corresponde a un paciente distinto y registradiversas variables relacionadas con su estancia hospitalaria.polishing.sav. Archivo de datos “Nambeware Polishing Times” (Tiempo de pulido de metal)de la biblioteca de datos e historiales. Contiene datos sobre las iniciativas de un fabricantede cuberterías de metal (Nambe Mills, Santa Fe, N. M.) para planificar su programa deproducción. Cada caso representa un artículo distinto de la línea de productos. Se registra eldiámetro, el tiempo de pulido, el precio y el tipo de producto de cada artículo.poll_cs.sav. Archivo de datos hipotéticos sobre las iniciativas de los encuestadores paradeterminar el nivel de apoyo público a una ley antes de una asamblea legislativa. Los casoscorresponden a votantes registrados. Cada caso registra el condado, la población y elvecindario en el que vive el votante.poll_cs_sample.sav. Este archivo de datos hipotéticos contiene una muestra de los votantesenumerados en poll_cs.sav. La muestra se tomó según el diseño especificado en el archivode plan poll.csplan y este archivo de datos registra las probabilidades de inclusión y lasponderaciones muestrales. Sin embargo, tenga en cuenta que debido a que el plan muestralhace uso de un método de probabilidad proporcional al tamaño (PPS), también existe unarchivo que contiene las probabilidades de selección conjunta (poll_jointprob.sav). Lasvariables adicionales que corresponden a los datos demográficos de los votantes y susopiniones sobre la propuesta de ley se recopilaron y añadieron al archivo de datos despuésde tomar la muestra.property_assess.sav. Archivo de datos hipotéticos sobre las iniciativas de un asesor delcondado para mantener actualizada la evaluación de los valores de las propiedades utilizandorecursos limitados. Los casos corresponden a las propiedades vendidas en el condado elaño anterior. Cada caso del archivo de datos registra la población en que se encuentra lapropiedad, el último asesor que visitó la propiedad, el tiempo transcurrido desde la últimaevaluación, la valoración realizada en ese momento y el valor de venta de la propiedad.property_assess_cs.sav. Archivo de datos hipotéticos sobre las iniciativas de un asesor de unestado para mantener actualizada la evaluación de los valores de las propiedades utilizandorecursos limitados. Los casos corresponden a propiedades del estado. Cada caso del archivo

35

Archivos de ejemplo

de datos registra el condado, la población y el vecindario en el que se encuentra la propiedad,el tiempo transcurrido desde la última evaluación y la valoración realizada en ese momento.property_assess_cs_sample.sav. Este archivo de datos hipotéticos contiene una muestra de laspropiedades recogidas en property_assess_cs.sav. La muestra se tomó en función del diseñoespecificado en el archivo de plan property_assess.csplan, y este archivo de datos registralas probabilidades de inclusión y las ponderaciones muestrales. La variable adicional Valoractual se recopiló y añadió al archivo de datos después de tomar la muestra.recidivism.sav. Archivo de datos hipotéticos sobre las iniciativas de una agencia de ordenpúblico para comprender los índices de reincidencia en su área de jurisdicción. Cada casocorresponde a un infractor anterior y registra su información demográfica, algunos detalles desu primer delito y, a continuación, el tiempo transcurrido desde su segundo arresto, si ocurrióen los dos años posteriores al primer arresto.recidivism_cs_sample.sav. Archivo de datos hipotéticos sobre las iniciativas de una agencia deorden público para comprender los índices de reincidencia en su área de jurisdicción. Cadacaso corresponde a un delincuente anterior, puesto en libertad tras su primer arresto durante elmes de junio de 2003 y registra su información demográfica, algunos detalles de su primerdelito y los datos de su segundo arresto, si se produjo antes de finales de junio de 2006. Losdelincuentes se seleccionaron de una muestra de departamentos según el plan de muestreoespecificado en recidivism_cs.csplan. Como este plan utiliza un método de probabilidadproporcional al tamaño (PPS), también existe un archivo que contiene las probabilidades deselección conjunta (recidivism_cs_jointprob.sav).salesperformance.sav. Archivo de datos hipotéticos sobre la evaluación de dos nuevos cursosde formación de ventas. Sesenta empleados, divididos en tres grupos, reciben formaciónestándar. Además, el grupo 2 recibe formación técnica; el grupo 3, un tutorial práctico. Cadaempleado se sometió a un examen al final del curso de formación y se registró su puntuación.Cada caso del archivo de datos representa a un alumno distinto y registra el grupo al que fueasignado y la puntuación que obtuvo en el examen.satisf.sav. Archivo de datos hipotéticos sobre una encuesta de satisfacción llevada a cabo poruna empresa minorista en cuatro tiendas. Se encuestó a 582 clientes en total y cada casorepresenta las respuestas de un único cliente.screws.sav. Este archivo de datos contiene información acerca de las características detornillos, pernos, clavos y tacos (Hartigan, 1975).shampoo_ph.sav. Archivo de datos hipotéticos sobre el control de calidad en una fábrica deproductos para el cabello. Se midieron seis lotes de resultados distintos en intervalos regularesy se registró su pH. El intervalo objetivo es de 4,5 a 5,5.ships.sav. Conjunto de datos presentados y analizados en otro lugar (McCullagh et al., 1989)sobre los daños en los cargueros producidos por las olas. Los recuentos de incidentes sepueden modelar como si ocurrieran con una tasa de Poisson dado el tipo de barco, el períodode construcción y el período de servicio. Los meses de servicio agregados para cada casillade la tabla formados por la clasificación cruzada de factores proporcionan valores para laexposición al riesgo.site.sav. Archivo de datos hipotéticos sobre las iniciativas de una compañía para seleccionarsitios nuevos para sus negocios en expansión. Se ha contratado a dos consultores para evaluarlos sitios de forma independiente, quienes, además de un informe completo, han resumidocada sitio como una posibilidad “buena”, “media” o “baja”.

36

Apéndice A

siteratings.sav. Archivo de datos hipotéticos sobre la evaluación de versiones beta del nuevositio Web de una firma de comercio electrónico. Cada caso representa un evaluador deversiones beta, el cual puntuó el uso del sitio en una escala de 0 a 20.smokers.sav. Este archivo de datos es un resumen de la encuesta sobre toxicomanía 1998National Household Survey of Drug Abuse y es una muestra de probabilidad de unidadesfamiliares americanas. Así, el primer paso de un análisis de este archivo de datos debe serponderar los datos para reflejar las tendencias de población.smoking.sav. Tabla hipotética presentada por Greenacre (Greenacre, 1984). La tabla de interésestá formada por la tabla de contingencia del comportamiento de fumar por categoría detrabajo. La variable Grupo de personal contiene las categorías de trabajo Directores Sr,Directores Jr, Empleados Sr, Empleados Jr y Secretarias, además de la categoría Promedionacional, que se puede utilizar como suplemento del análisis. La variable Tabaquismocontiene los comportamientos Nada, Poco, Medio y Mucho, además de las categorías Sinalcohol y Alcohol, que se pueden utilizar como suplemento del análisis.storebrand.sav. Archivo de datos hipotéticos sobre las iniciativas de la directora de una tiendade alimentación para aumentar las ventas del detergente de la marca de la tienda en relacióna otras marcas. Se lanza una promoción en la tienda y se consulta a los clientes a la salida.Cada caso representa un cliente diferente.stores.sav. Este archivo de datos contiene datos de cuotas de mercado mensuales hipotéticosde dos tiendas de alimentación que compiten. Cada caso representa los datos de cuota demercado de un mes determinado.stroke_clean.sav. Este archivo de datos hipotéticos contiene el estado de una base de datosmédica después de haberla limpiado mediante los procedimientos de la opción Preparaciónde datos.stroke_invalid.sav. Este archivo de datos hipotéticos contiene el estado inicial de una base dedatos médica que incluye contiene varios errores de entrada de datos.stroke_survival. Este archivo de datos hipotéticos registra los tiempos de supervivencia delos pacientes que finalizan un programa de rehabilitación tras un ataque isquémico. Tras elataque, la ocurrencia de infarto de miocardio, ataque isquémico o ataque hemorrágico seanotan junto con el momento en el que se produce el evento registrado. La muestra estátruncada a la izquierda, ya que únicamente incluye a los pacientes que han sobrevivido al finaldel programa de rehabilitación administrado tras el ataque.stroke_valid.sav. Este archivo de datos hipotéticos contiene el estado de una base de datosmédica después de haber comprobado los valores mediante el procedimiento Validar datos.Sigue conteniendo casos potencialmente anómalos.tastetest.sav. Archivo de datos hipotéticos sobre el efecto del color del mantillo en el sabor delas cosechas. Las fresas que han crecido en mantillo rojo, azul y negro fueron valoradas porcatadores en una escala ordinal del 1 al 5 (de muy por encima de la media a muy por debajode la media). Cada caso representa un catador diferente.telco.sav. Archivo de datos hipotéticos sobre las iniciativas de una compañía detelecomunicaciones para reducir el abandono de clientes en su base de clientes. Cada casocorresponde a un cliente distinto y registra diversa información demográfica y de uso delservicio.

37

Archivos de ejemplo

telco_extra.sav. Este archivo de datos es similar al archivo de datos telco.sav, pero las variablesde meses con servicio y gasto de clientes transformadas logarítmicamente se han eliminado ysustituido por variables de gasto del cliente transformadas logarítmicamente tipificadas.telco_missing.sav. Este archivo de datos es igual que el archivo de datostelco_mva_complete.sav, pero algunos datos se han sustituido con valores perdidos.telco_mva_complete.sav. Este archivo de datos es un subconjunto del archivo de datostelco.sav, aunque los nombres de las variables son diferentes.testmarket.sav. Archivo de datos hipotéticos sobre los planes de una cadena de comida rápidapara añadir un nuevo artículo a su menú. Hay tres campañas posibles para promocionarel nuevo producto, por lo que el artículo se presenta en ubicaciones de varios mercadosseleccionados aleatoriamente. Se utiliza una promoción diferente en cada ubicación y seregistran las ventas semanales del nuevo artículo durante las primeras cuatro semanas. Cadacaso corresponde a una ubicación semanal diferente.testmarket_1month.sav. Este archivo de datos hipotéticos es el archivo de datos testmarket.savcon las ventas semanales “acumuladas” para que cada caso corresponda a una ubicacióndiferente. Como resultado, algunas de las variables que cambiaban semanalmente desapareceny las ventas registradas se convierten en la suma de las ventas realizadas durante las cuatrosemanas del estudio.tree_car.sav. Archivo de datos hipotéticos que contiene datos demográficos y de preciosde compra de vehículos.tree_credit.sav. Archivo de datos hipotéticos que contiene datos demográficos y de historial decréditos bancarios.tree_missing_data.sav. Archivo de datos hipotéticos que contiene datos demográficos y dehistorial de créditos bancarios con un elevado número de valores perdidos.tree_score_car.sav. Archivo de datos hipotéticos que contiene datos demográficos y de preciosde compra de vehículos.tree_textdata.sav. Archivo de datos sencillos con dos variables diseñadas principalmente paramostrar el estado por defecto de las variables antes de realizar la asignación de nivel demedida y etiquetas de valor.tv-survey.sav. Archivo de datos hipotéticos sobre una encuesta dirigida por un estudio deTV que está considerando la posibilidad de ampliar la emisión de un programa de éxito.Se preguntó a 906 encuestados si verían el programa en distintas condiciones. Cada filarepresenta un encuestado diferente; cada columna es una condición diferente.ulcer_recurrence.sav. Este archivo contiene información parcial de un estudio diseñado paracomparar la eficacia de dos tratamientos para prevenir la reaparición de úlceras. Constituye unbuen ejemplo de datos censurados por intervalos y se ha presentado y analizado en otro lugar.ulcer_recurrence_recoded.sav. Este archivo reorganiza la información de ulcer_recurrence.savpara permitir modelar la probabilidad de eventos de cada intervalo del estudio en lugar desólo la probabilidad de eventos al final del estudio. Se ha presentado y analizado en otrolugar(Collett, 2003).verd1985.sav. Archivo de datos sobre una encuesta(Verdegaal, 1985). Se han registrado lasrespuestas de 15 sujetos a 8 variables. Se han dividido las variables de interés en tres grupos.El conjunto 1 incluye edad y ecivil, el conjunto 2 incluye mascota y noticia, mientras que el

38

Apéndice A

conjunto 3 incluye música y vivir. Se escala mascota como nominal múltiple y edad comoordinal; el resto de variables se escalan como nominal simple.virus.sav. Archivo de datos hipotéticos sobre las iniciativas de un proveedor de serviciosde Internet (ISP) para determinar los efectos de un virus en sus redes. Se ha realizado unseguimiento (aproximado) del porcentaje de tráfico de correos electrónicos infectados en susredes a lo largo del tiempo, desde el momento en que se descubre hasta que la amenaza secontiene.waittimes.sav. Archivo de datos hipotéticos sobre los tiempos de espera de los clientes para elservicio de tres sucursales diferentes de un banco local. Cada caso corresponde a un clientediferente y registra el tiempo de espera invertido y la sucursal en la que se realizó el negocio.webusability.sav. Archivo de datos hipotéticos sobre las pruebas de uso de una nueva tiendaelectrónica. Cada caso corresponde a uno de los cinco evaluadores de uso y registra si elevaluador realizó correctamente cada una de las seis tareas distintas.wheeze_steubenville.sav. Subconjunto de un estudio longitudinal de los efectos sobre la saludde la polución del aire en los niños (Ware, Dockery, Spiro III, Speizer, y Ferris Jr., 1984).Los datos contienen medidas binarias repetidas del estado de las sibilancias en niños deSteubenville, Ohio, con edades de 7, 8, 9 y 10 años, junto con un registro fijo de si la madreera fumadora durante el primer año del estudio.workprog.sav. Archivo de datos hipotéticos sobre un programa de obras del gobierno queintenta colocar a personas desfavorecidas en mejores trabajos. Se siguió una muestra departicipantes potenciales del programa, algunos de los cuales se seleccionaron aleatoriamentepara entrar en el programa, mientras que otros no siguieron esta selección aleatoria. Cadacaso representa un participante del programa diferente.

Bibliografía

Akaah, I. P., y P. K. Korgaonkar. 1988. A conjoint investigation of the relative importance of riskrelievers in direct marketing. Journal of Advertising Research, 28:4, 38–44.

Bell, E. H. 1961. Social foundations of human behavior: Introduction to the study of sociology.New York: Harper & Row.

Blake, C. L., y C. J. Merz. 1998. "UCI Repository of machine learning databases." Available athttp://www.ics.uci.edu/~mlearn/MLRepository.html.

Breiman, L., y J. H. Friedman. 1985. Estimating optimal transformations for multiple regressionand correlation. Journal of the American Statistical Association, 80, 580–598.

Cattin, P., y D. R. Wittink. 1982. Commercial use of conjoint analysis: A survey. Journalof Marketing, 46:3, 44–53.

Collett, D. 2003. Modelling survival data in medical research, 2 ed. Boca Raton: Chapman &Hall/CRC.

Green, P. E., y V. Rao. 1972. Applied multidimensional scaling. Hinsdale, Ill.: Dryden Press.

Green, P. E., y Y. Wind. 1973. Multiattribute decisions in marketing: A measurement approach.Hinsdale, Ill.: Dryden Press.

Greenacre, M. J. 1984. Theory and applications of correspondence analysis. London: AcademicPress.

Guttman, L. 1968. A general nonmetric technique for finding the smallest coordinate space forconfigurations of points. Psychometrika, 33, 469–506.

Hartigan, J. A. 1975. Clustering algorithms. New York: John Wiley and Sons.

Hastie, T., y R. Tibshirani. 1990. Generalized additive models. London: Chapman and Hall.

Kennedy, R., C. Riquier, y B. Sharp. 1996. Practical applications of correspondence analysisto categorical data in market research. Journal of Targeting, Measurement, and Analysis forMarketing, 5, 56–70.

McCullagh, P., y J. A. Nelder. 1989. Generalized Linear Models, 2nd ed. London: Chapman &Hall.

Menec , V., N. Roos, D. Nowicki, L. MacWilliam, G. Finlayson, y C. Black. 1999. SeasonalPatterns of Winnipeg Hospital Use. : Manitoba Centre for Health Policy.

Price, R. H., y D. L. Bouffard. 1974. Behavioral appropriateness and situational constraints asdimensions of social behavior. Journal of Personality and Social Psychology, 30, 579–586.

Rickman, R., N. Mitchell, J. Dingman, y J. E. Dalen. 1974. Changes in serum cholesterol duringthe Stillman Diet. Journal of the American Medical Association, 228, 54–58.

Rosenberg, S., y M. P. Kim. 1975. The method of sorting as a data-gathering procedure inmultivariate research. Multivariate Behavioral Research, 10, 489–502.

Van der Ham, T., J. J. Meulman, D. C. Van Strien, y H. Van Engeland. 1997. Empirically basedsubgrouping of eating disorders in adolescents: A longitudinal perspective. British Journal ofPsychiatry, 170, 363–368.

39

http://www.ics.uci.edu/%7Emlearn/MLRepository.html



40

Bibliografía

Verdegaal, R. 1985. Meer sets analyse voor kwalitatieve gegevens (in Dutch). Leiden: Departmentof Data Theory, University of Leiden.

Ware, J. H., D. W. Dockery, A. Spiro III, F. E. Speizer, y B. G. Ferris Jr.. 1984. Passivesmoking, gas cooking, and respiratory health of children living in six cities. American Review ofRespiratory Diseases, 129, 366–374.

Índice

archivos de datosen generar diseño ortogonal, 4

archivos de ejemploposición, 28

)CARDen Mostrar el diseño, 9

casos de simulación, 3, 13, 26en generar diseño ortogonal, 7

casos reservados, 2en generar diseño ortogonal, 6

coeficientes, 24coeficientes de correlación, 25

diseños ortogonalescasos mínimos, 6casos reservados, 6generación, 4, 16presentación, 8, 19

enfoque de perfil completo, 2

factores, 2, 15–16formato de listaen Mostrar el diseño, 8

formato de un sólo perfilen Mostrar el diseño, 8

generar diseño ortogonal, 4archivos de datos, 4casos de simulación, 7casos mínimos, 6casos reservados, 6definición de nombres de factores, etiquetas y valores, 6semilla de aleatorización, 4

Generar diseño ortogonal, 2, 16

inversiones, 25

matriz ortogonal, 2modelo antiideal, 22modelo de Bradley-Terry-Luce (BTL), 27modelo de utilidad máxima, 27modelo discreto, 22modelo ideal, 22modelo lineal, 22

modelo logit, 27Mostrar el diseño, 2, 8, 19

)CARD, 9formato de lista, 8formato de un sólo perfil, 8guardar perfiles, 9pies, 9títulos, 9

niveles de los factores, 2, 15–16

piesen Mostrar el diseño, 9

puntuaciones de importancia, 24puntuaciones de utilidad, 3, 23

r de Pearson, 25resultados de la simulaciónmodelo de Bradley-Terry-Luce (BTL), 27modelo de utilidad máxima, 27modelo logit, 27

semilla de aleatorizaciónen generar diseño ortogonal, 4

sintaxiscomando CONJOINT, 21

sintaxis de comandoscomando CONJOINT, 21

tamaño muestral, 3tau de Kendall, 25títulosen Mostrar el diseño, 9

utilidad total, 23

valores de importancia, 24valores parciales, 3variable card_en generar diseño ortogonal, 4

variable status_en generar diseño ortogonal, 4

41

Manual Análisis Conjunto SPSS

Documents

Transcript of Manual Análisis Conjunto SPSS