Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
Inicial Extracción
VCC1 1,000 ,987
VCC2 1,000 ,991
VCC3 1,000 ,987
VCC4 1,000 ,991
VCC5 1,000 ,976
VCL1 1,000 ,988
VCL2 1,000 ,882
VCL3 1,000 ,675
VCL4 1,000 ,704
VCF1 1,000 ,649
VCF2 1,000 ,954
VCF3 1,000 ,834
VCF4 1,000 ,971
VCH1 1,000 ,987
VCH2 1,000 ,991
VCH3 1,000 ,862
VCH4 1,000 ,976
VCH5 1,000 ,988
VCR1 1,000 ,893
VCR2 1,000 ,983
VCR3 1,000 ,987
VCR4 1,000 ,991
VCT1 1,000 ,987
VCT2 1,000 ,991
VCT3 1,000 ,976
VCT4 1,000 ,988
VCT5 1,000 ,983
VCT6 1,000 ,987
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás los siguientes ítems: Esta localizada a menor distancia de la ciudad
(VCL3), puede disponer más fácilmente de recursos financieros, para financiar su
crecimiento posee más recursos financieros (VCF1)
Componente
1 2 3 4
VCH1 ,934
VCT1 ,934
VCT6 ,934
VCC1 ,934
VCC3 ,934
VCR3 ,934
VCR1 ,827
VCF3 ,771
VCL3
VCF1
VCL4
VCF4 ,914
VCT5 ,913
VCR2 ,913
VCF2 ,846
VCT4 ,813
VCH5 ,813
VCL1 ,813
VCH3 ,743
VCC4 ,700
VCC2 ,700
VCH2 ,700
VCT2 ,700
VCR4 ,700
VCL2
VCH4 ,887
VCT3 ,887
VCC5 ,887
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Inicial Extracción
EST1 1,000 ,930
EST2 1,000 ,896
EST3 1,000 ,894
EST4 1,000 ,698
EST5 1,000 ,564
EST6 1,000 ,954
EST7 1,000 ,919
EST8 1,000 ,941
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás los siguientes ítems: La agencia compite básicamente ofreciendo
productos/servicios de mayor calidad que sus rivales (EST4), la agencia tiene la ventaja
de ofrecer más garantía a los clientes en razón de su mayor prestigio (EST5).
Componente
1 2
EST8 ,938
EST1 ,935
EST6 ,864
EST5
EST4
EST2 ,919
EST7 ,912
EST3 ,799
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax con
normalización Kaiser.
a. La rotación ha convergido en 3
iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Tabla 13: Varianza total explicada – rendimiento de mercado
Inicial Extracción
RM1 1,000 ,931
RM2 1,000 ,684
RM3 1,000 ,931
RM4 1,000 ,533
RM5 1,000 ,775
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás los siguientes ítems: El crecimiento de las ventas de la agencia
durante los últimos tres años ha sido superior a la media del sector de las agencias de viaje
de Cuzco (RM2), el crecimiento del beneficio de las agencias durante los últimos tres
años (RM4).
Componente
1
RM1 ,965
RM3 ,965
RM5 ,880
RM2
RM4
Método de extracción:
análisis de componentes
principales.
a. 1 componentes
extraídos.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
MODELO 2
Análisis de fiabilidad
A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.
Tabla 17: Prueba de KMO y Bartlett
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Inicial Extracción
C01 1,000 ,780
C02 1,000 ,875
C03 1,000 ,908
C04 1,000 ,830
C05 1,000 ,846
C06 1,000 ,765
C07 1,000 ,917
C08 1,000 ,793
C09 1,000 ,866
OP1 1,000 ,895
OP2 1,000 ,878
OP3 1,000 ,943
OP4 1,000 ,812
CO1.3 1,000 ,899
CO2.3 1,000 ,840
CO3.3 1,000 ,836
CO4.3 1,000 ,930
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Tabla 20: Matriz de componente rotadoa – orientaciones empresariales
Componente
1 2 3 4
OP1 -,919
C02 ,909
C03 ,901
C09 -,811
CO3.3 -,784
CO2.3
CO1.3 ,922
C07 ,895
OP3 ,871
OP4 ,725
CO4.3 -,702
OP2
C08
C04 ,883
C06 ,824
C01 ,827
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Justificable: El interés del cliente siempre debería ser lo primero; por encima del
interés de los propietarios de la agencia C07
Justificable: La agencia conoce bien cómo los clientes valoran sus productos y
servicios C04
Análisis de fiabilidad
A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Inicial Extracción
IC1 1,000 ,725
IC2 1,000 ,780
IC3 1,000 ,747
IC4 1,000 ,733
IC5 1,000 ,758
IC6 1,000 ,615
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Componente
1 2
IC1 ,843
IC5 ,805
IC4 ,779
IC6
IC2 ,860
IC3 -,841
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax
con normalización Kaiser.
a. La rotación ha convergido en 3
iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Análisis de fiabilidad
A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Tabla 28: Varianza total explicada – Autonomía de los empleados
Inicial Extracción
AUT1 1,000 ,766
AUT2 1,000 ,891
AUT3 1,000 ,772
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Tabla 30: Matriz de componente rotadoa – Autonomía de los empleados
Componente
1 2
AUT3 ,820
AUT1 -,809
AUT2 ,944
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax con
normalización Kaiser.
a. La rotación ha convergido en 3
iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Justificable: Los empleados tienen libertad para llevar a cabo actividades que
permiten el pensamiento y la acción independiente AUT3
Justificable: Los empleados de la agencia tienen libertad para hacer sus tareas en
la forma que piensen que es mejor AUT1
Análisis de fiabilidad
A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Tabla 33: Varianza total explicada – Calidad de servicio y optimismo
Inicial Extracción
CSQ1 1,000 ,786
CSQ2 1,000 ,863
CSQ3 1,000 ,900
CSQ4 1,000 ,819
CSQ5 1,000 ,828
CSQ6 1,000 ,764
CSQ7 1,000 ,920
CSQ8 1,000 ,806
CSQ9 1,000 ,863
CSQ10 1,000 ,885
CSQ11 1,000 ,878
CSQ12 1,000 ,943
CSQ13 1,000 ,810
CSQ14 1,000 ,899
OP1.1 1,000 ,843
OP2.2 1,000 ,815
OP3.3 1,000 ,932
OP4.4 1,000 ,655
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Componente
1 2 3 4
CSQ10 -,912
CSQ2 ,911
CSQ3 ,906
CSQ9 -,801
OP2.2 -,769
OP1.1 ,704
OP4.4
CSQ14 ,918
CSQ7 ,906
CSQ12 ,882
OP3.3 -,723
CSQ13 ,712
CSQ11
CSQ8
CSQ4 ,881
CSQ6 ,823
CSQ1 ,829
CSQ5
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Justificable: Rara vez espero que las cosas salgan a mi manera OP3.3
Justificable: Cuando salgo de esta agencia, siempre siento que he obtenido lo que
quería CSQ13
Justificable: Los empleados de la agencia buscan lo mejor para los clientes CSQ1
MODELO 3
Análisis de fiabilidad
A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Inicial Extracción
EMO1 1,000 ,978
EMO2 1,000 ,957
EMO3 1,000 ,918
EMO4 1,000 ,740
EMO5 1,000 ,920
EO1 1,000 ,983
EO2 1,000 ,892
EO3 1,000 ,983
EO4 1,000 ,957
IN1 1,000 ,918
IN2 1,000 ,957
IN3 1,000 ,918
IN4 1,000 ,920
IN5 1,000 ,983
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Componente
1 2 3
EMO2 ,941
IN2 ,941
EO4 ,941
EO2 ,870
EMO3 ,730
IN1 ,730
IN3 ,730
EMO1 ,922
EO3 ,918
IN5 ,820
EO1 ,820
EMO5 ,892
IN4 ,892
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax con
normalización Kaiser.
a. La rotación ha convergido en 5 iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Grupo B - Autoeficacia
Análisis de fiabilidad
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Inicial Extracción
AEF1 1,000 ,824
AEF2 1,000 ,537
AEF3 1,000 ,873
AEF4 1,000 ,841
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás el siguiente ítem: En general, confió en mi habilidad para hacer mi
trabajo bien (AEF2).
Tabla 45: Matriz de componente rotadoa – rendimiento de mercado
Componente
1
AEF3 ,935
AEF4 ,917
AEF1 ,908
Método de extracción:
análisis de componentes
principales.
a. 1 componentes
extraídos.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Justificable: Siento que tengo la capacidad para realizar mi trabajo con éxito AEF4
Justificable: Sé lo que hay que hacer en las distintas situaciones a que me enfrento
como responsable de una agencia de viajes AEF1
Análisis de fiabilidad
Tabla 46: Estadístico de fiabilidad – Satisfacción, rendimiento y calidad de servicio
Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Inicial Extracción
SAT1 1,000 ,950
SAT2 1,000 ,851
SAT3 1,000 ,971
RM1 1,000 ,957
RM2 1,000 ,915
RM3 1,000 ,722
RM4 1,000 ,927
RM5 1,000 ,985
CSQ1 1,000 ,899
CSQ2 1,000 ,980
CSQ3 1,000 ,957
CSQ4 1,000 ,915
CSQ5 1,000 ,957
CSQ6 1,000 ,915
CSQ7 1,000 ,927
CSQ8 1,000 ,985
CSQ9 1,000 ,980
CSQ10 1,000 ,957
CSQ11 1,000 ,915
CSQ12 1,000 ,957
CSQ13 1,000 ,915
CSQ14 1,000 ,927
Método de extracción: análisis de
componentes principales.
Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).
Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Componente
1 2 3
RM1 ,945
CSQ12 ,945
CSQ3 ,945
CSQ5 ,945
CSQ10 ,945
CSQ1 ,879
SAT2 ,833
RM2 ,734
CSQ6 ,734
CSQ4 ,734
CSQ13 ,734
CSQ11 ,734
SAT3 ,919
CSQ2 ,918
CSQ9 ,918
SAT1 ,854
RM5 ,824
CSQ8 ,824
CSQ7 ,889
CSQ14 ,889
RM4 ,889
RM3
Método de extracción: análisis de componentes
principales.
Método de rotación: Varimax con normalización
Kaiser.
a. La rotación ha convergido en 5 iteraciones.
Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.
Justificable: Los empleados de las agencias buscan lo mejor para los clientes
CSQ1
Justificable: Cliente siente al salir de la agencia que obtuvo lo que quería CSQ13