Está en la página 1de 44

MODELO 1

En primer lugar se realizara un análisis de fiabilidad mediante el alfa de cronbach para


luego de ello comenzar con el análisis factorial, el cual primer modelo está distribuido
por 3 grupos (A = Ventaja competitiva, B = Estrategia de la agencia, C = Rendimiento de
mercado), y se analizaran los reactivos (ítems) de cada grupo.

Para el análisis factorial aplicado al Modelo 1 se utilizará el fichero con el nombre de BD


– Modelo 1.sav, el cual contiene los valores de 41 indicadores de ventajas competitivas,
estrategias de agencia y rendimiento de mercado. El objetivo es aplicar el análisis factorial
para ver qué grupo explica mejor el constructo.

Grupo A – Ventaja competitiva


Análisis de fiabilidad

Tabla 1. Estadístico de fiabilidad – ventaja competitiva

Alfa de Cronbach N de elementos


,990 28

El alfa de la escala de variables “ventaja competitiva” es de 0,990 lo que supone una


buena fiabilidad del modelo y una buena correlación entre las variables del mismo.
Incorpora 28 elementos para el análisis.

Análisis factorial exploratorio


A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 2: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,923


Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1923,668
gl 58
Sig. ,000

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

Tabla 3: Varianza total explicada – ventaja competitiva

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la


Autovalores iniciales extracción rotación
% de % % de % % de %

Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado

1 19,920 71,144 71,144 19,920 71,144 71,144 10,026 35,808 35,808

2 3,522 12,579 83,724 3,522 12,579 83,724 7,247 25,882 61,690

3 1,682 6,008 89,732 1,682 6,008 89,732 4,720 16,859 78,549

4 1,027 3,669 93,401 1,027 3,669 93,401 4,159 14,852 93,401

5 ,756 2,700 96,102

6 ,428 1,529 97,631

7 ,299 1,068 98,699

8 ,164 ,585 99,284

9 ,088 ,314 99,598

10 ,067 ,240 99,838

11 ,017 ,060 99,898

12 ,014 ,052 99,950

13 ,009 ,033 99,983

14 ,005 ,017 100,000

15 4,519E-16 1,614E-15 100,000

16 9,177E-17 3,277E-16 100,000

17 5,768E-17 2,060E-16 100,000

18 3,975E-17 1,419E-16 100,000

19 2,234E-17 7,977E-17 100,000

20 1,146E-17 4,092E-17 100,000

21 5,420E-18 1,936E-17 100,000

22 -1,031E-18 -3,683E-18 100,000

23 -1,094E-17 -3,906E-17 100,000

24 -1,417E-17 -5,061E-17 100,000

25 -2,574E-17 -9,192E-17 100,000

26 -3,512E-17 -1,254E-16 100,000

27 -6,547E-17 -2,338E-16 100,000

28 -1,080E-16 -3,858E-16 100,000

Método de extracción: análisis de componentes principales.

El método de extracción utilizado para el análisis, es el de componentes principales. Esté


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

Tabla 4: Cuadro de comunalidades – ventajas competitivas

Inicial Extracción
VCC1 1,000 ,987
VCC2 1,000 ,991
VCC3 1,000 ,987
VCC4 1,000 ,991
VCC5 1,000 ,976
VCL1 1,000 ,988
VCL2 1,000 ,882
VCL3 1,000 ,675
VCL4 1,000 ,704
VCF1 1,000 ,649
VCF2 1,000 ,954
VCF3 1,000 ,834
VCF4 1,000 ,971
VCH1 1,000 ,987
VCH2 1,000 ,991
VCH3 1,000 ,862
VCH4 1,000 ,976
VCH5 1,000 ,988
VCR1 1,000 ,893
VCR2 1,000 ,983
VCR3 1,000 ,987
VCR4 1,000 ,991
VCT1 1,000 ,987
VCT2 1,000 ,991
VCT3 1,000 ,976
VCT4 1,000 ,988
VCT5 1,000 ,983
VCT6 1,000 ,987
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás los siguientes ítems: Esta localizada a menor distancia de la ciudad
(VCL3), puede disponer más fácilmente de recursos financieros, para financiar su
crecimiento posee más recursos financieros (VCF1)

Tabla 5: Matriz de componente rotadoa – ventaja competitiva

Componente
1 2 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.

Tal como se observa en la tabla 5 se obtuvieron 4 factores.


Factor 1.
El primer factor analizado incorpora 9 reactivos (ítems):

 Justificable: Personal capacitado VCH1

 Justificable: Inversión de equipamiento VCT1

 Justificable: Nuevas tecnologías de comunicación VCT6

 Justificable: Conocimiento de producto estrella VCC1

 Justificable: Inteligencia emocional VCC3

 Justificable: Satisfacción de hoteles y sumistradores VCR3

 Justificable: Relaciones con hoteles y sumistradores VCR1

 Justificable: Accesibilidad a créditos bancarios VCF3

 Justificable: Ubicación VCL3

Este primer factor explica el 38.81% de la varianza de la información recabada de la


matriz de componentes rotados. Tal como se observa en la matriz de componente rotado
visto anteriormente en lo que se refiere a ventaja competitiva, donde los ítems que
mayormente aportan a este factor están enfocados debido a la alta aceptación en el
personal capacitado (VCH1), en inversiones de equipamiento de la agencia (VCT1), en
tecnologías de comunicación (VCT6), en conocimiento de productos que más aportan a
la agencia (VCC1), también en saber solucionar los problemas rápidamente (VCC3) y
sobre todo las alianzas estratégicas (VCR1). Así mismo, se ve se ve que los ítems que
aportan en menos proporción pero son muy representativos igualmente es la accesibilidad
que tienen las agencias a créditos bancarios (VCF3) y la ubicación de las agencias
(VCL3).
Factor 2.
El segundo factor analizado incorpora 7 reactivos (ítems).

 Justificable: Mayor liquidez VCF4

 Justificable: Accesibilidad tecnológica VCT5

 Justificable: Confianza VCR2

 Justificable: Buena estructura financiera VCF2

 Justificable: Compromiso en utilización de recursos VCT4

 Justificable: Compromiso en los objetivos a seguir VCH5

 Justificable: Accesible en la ubicación VCL1

Este segundo factor explica el 25.88% de la varianza de la información recabada de la


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

 Justificable: Motivación para mejora continua VCH3

 Justificable: Mejores productos y/o servicios VCC4

 Justificable: Enfoque en la necesidad de los clientes VCC2

 Justificable: Personal con más experiencia VCH2


 Justificable: Personal con mayor conocimiento de tecnología VCT2

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

Este tercer factor explica el 16.86% de la varianza de la información recabada de la matriz


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

 Justificable: Empleados con mayor conocimiento para resolver problemas VCH4

 Justificable: Prioridad de inversión en tecnologías de comunicación VCT3

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

Este cuarto factor explica el 14.85% de la varianza de la información recabada de la matriz


de componentes rotados, donde los ítems que mayormente aportan a este factor están
enfocados en los empleados con mayor conocimiento para resolver problemas (VCH4)
en priorizar la inversión de tecnología de comunicación (VCT3) y por último, el
ofrecimiento de productos y/o servicios más personalizados para brindar a los clientes
(VCC5).
Grupo B – Estrategia de agencia
Análisis de fiabilidad

Tabla 6: Estadístico de fiabilidad – Estrategia de la agencia

Alfa de Cronbach N de elementos


,941 8

El alfa de la escala de variables “estrategia de la agencia” es de 0,941 lo que supone una


buena fiabilidad del modelo y una buena correlación entre las variables del mismo.
Incorpora 8 elementos para el análisis.
Análisis factorial exploratorio
A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 7: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,850


Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1895,773
gl 28
Sig. ,000

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

Tabla 8: Varianza total explicada – estrategias de la agencia

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la


Autovalores iniciales extracción rotación
% de % % de % % de %
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
1 5,717 71,463 71,463 5,717 71,463 71,463 3,741 46,767 46,767
2 1,078 13,480 84,942 1,078 13,480 84,942 3,054 38,175 84,942
3 ,615 7,687 92,629
4 ,380 4,747 97,376
5 ,088 1,104 98,480
6 ,084 1,047 99,527
7 ,031 ,391 99,918
8 ,007 ,082 100,000
Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez


utiliza el método de Kaiser que determina tantos factores como autovalores mayores que
1 existan. En el caso del Grupo B – Estrategias de la agencia donde se encontraron dos
autovalores superiores a 1, en el cual se muestra la varianza antes de la rotación y la
varianza después de la rotación notándose una redistribución de la variabilidad entre los
factores, no obstante los 2 factores logran explicar el 84,942% de la variabilidad del
constructo disposición hacia el estudio. El tercer autovalor es de 0.615<1 y aporta cerca
de un 8% del total de la varianza, por ambas razones se decidió no incorporarlo en el
análisis.

Tabla 9: Cuadro de comunalidades – estrategias de la agencia

Inicial Extracción
EST1 1,000 ,930
EST2 1,000 ,896
EST3 1,000 ,894
EST4 1,000 ,698
EST5 1,000 ,564
EST6 1,000 ,954
EST7 1,000 ,919
EST8 1,000 ,941
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás los siguientes ítems: La agencia compite básicamente ofreciendo
productos/servicios de mayor calidad que sus rivales (EST4), la agencia tiene la ventaja
de ofrecer más garantía a los clientes en razón de su mayor prestigio (EST5).

Tabla 10: Matriz de componente rotadoa – estrategia de la agencia

Componente
1 2
EST8 ,938
EST1 ,935
EST6 ,864
EST5
EST4
EST2 ,919
EST7 ,912
EST3 ,799
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax con
normalización Kaiser.
a. La rotación ha convergido en 3
iteraciones.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.

Tal como se observa en la tabla 10 se obtuvieron 2 factores.


Factor 1.
El primer factor analizado incorpora 3 reactivos (ítems):

 Justificable: Agencia especializada en determinados países EST8

 Justificable: Segmentación de clientes EST1

 Justificable: Imagen de la agencia EST6

Este primer factor explica el 46.77% de la varianza de la información recabada de la


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

 Justificable: Precios bajos EST2

 Justificable: Segmentación por tipo de clientes EST7

 Justificable: Buena organización y control de niveles operativos EST3


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

Tabla 11: Estadístico de fiabilidad – Rendimiento de mercado

Alfa de Cronbach N de elementos


,924 5

El alfa de la escala de variables “rendimiento de mercado” es de 0,924 lo que supone una


buena fiabilidad del modelo y una buena correlación entre las variables del mismo.
Incorpora 5 elementos para el análisis.

Análisis factorial exploratorio


A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 12: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,875


Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1842,654
gl 20
Sig. ,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Tabla 13: Varianza total explicada – rendimiento de mercado

Sumas de cargas al cuadrado de la


Autovalores iniciales extracción
%
Componente Total % de varianza acumulado Total % de varianza % acumulado
1 3,855 77,095 77,095 3,855 77,095 77,095
2 ,638 12,757 89,852
3 ,274 5,479 95,331
4 ,233 4,669 100,000
5 2,719E-17 5,438E-16 100,000
Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez


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

Tabla 14: Cuadro de comunalidades – rendimiento de mercado

Inicial Extracción
RM1 1,000 ,931
RM2 1,000 ,684
RM3 1,000 ,931
RM4 1,000 ,533
RM5 1,000 ,775
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás los siguientes ítems: El crecimiento de las ventas de la agencia
durante los últimos tres años ha sido superior a la media del sector de las agencias de viaje
de Cuzco (RM2), el crecimiento del beneficio de las agencias durante los últimos tres
años (RM4).

Tabla 15: Matriz de componente rotadoa – rendimiento de mercado

Componente
1
RM1 ,965
RM3 ,965
RM5 ,880
RM2
RM4
Método de extracción:
análisis de componentes
principales.
a. 1 componentes
extraídos.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.

Tal como se observa en la tabla 15 se obtuvieron solo 1 factor.


Factor 1.
El primer factor analizado incorpora 3 reactivos (ítems):

 Justificable: Crecimiento de la cuota de mercado RM1

 Justificable: Beneficio de la agencia RM3

 Justificable: Crecimiento del número de empleados RM5

Este primer factor explica el 77.10% de la varianza de la información recabada de la


matriz de componentes. Tal como se observa en la matriz de componente visto
anteriormente en lo que se refiere a rendimiento de mercado, donde los ítems que
mayormente aportan a este factor están que el crecimiento de la cuota de mercado de la
agencia fue superior en los últimos tres años (RM1), también existe una buena aceptación
en cuanto al crecimiento del beneficio de las agencias durante los tres últimos años
(RM3). Así mismo, se ve que el ítem que aporta en menos proporción pero es muy
representativo igualmente es el crecimiento del número de empleados de la agencia en
los tres últimos años en referencia a la media del sector de las agencias de viajes de Cuzco
(RM5).

MODELO 2

Se realizara un análisis de fiabilidad mediante el alfa de cronbach para luego de ello


comenzar con el análisis factorial, el cual primer modelo está distribuido por 4 grupos (A
= Orientaciones empresariales, B = Intensidad de la competencia, C = Autonomía de los
empleados y D = Calidad de servicio y optimismo del cliente que serán analizados los
reactivos (ítems) de cada grupo.

Para el análisis factorial aplicado al Modelo 2 se utilizará el fichero con el nombre de BD


– Modelo 2.sav, el cual contiene los valores de 44 indicadores de Orientaciones
empresariales, Intensidad de la competencia y Autonomía de los empleados y Calidad de
servicio y optimismo del cliente. El objetivo es aplicar el análisis factorial para ver qué
grupo explica mejor el constructo.

Grupo A – Orientaciones empresariales

Análisis de fiabilidad

Tabla 16: Estadístico de fiabilidad – orientaciones empresariales

Alfa de Cronbach N de elementos


,962 17

El alfa de la escala de variables “orientaciones empresariales” es de 0,962 lo que supone


una buena fiabilidad del modelo y una buena correlación entre las variables del mismo.
Incorpora 17 elementos para el análisis.

Análisis factorial exploratorio

A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.
Tabla 17: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,752


Prueba de esfericidad de Aprox. Chi-cuadrado 3560,470
Bartlett gl 136
Sig. ,000

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

Tabla 18: Varianza total explicada – Orientaciones empresariales

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la


Autovalores iniciales extracción rotación
% de % % de % % de %
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
1 6,101 35,886 35,886 6,101 35,886 35,886 5,348 31,461 31,461
2 5,000 29,411 65,297 5,000 29,411 65,297 4,896 28,802 60,263
3 2,248 13,224 78,521 2,248 13,224 78,521 2,649 15,580 75,842
4 1,263 7,429 85,950 1,263 7,429 85,950 1,718 10,108 85,950
5 ,671 3,946 89,896
6 ,537 3,157 93,053
7 ,271 1,595 94,648
8 ,265 1,556 96,204
9 ,171 1,003 97,207
10 ,121 ,709 97,917
11 ,092 ,538 98,455
12 ,084 ,496 98,952
13 ,054 ,320 99,271
14 ,041 ,243 99,515
15 ,035 ,206 99,720
16 ,032 ,186 99,906
17 ,016 ,094 100,000
Método de extracción: análisis de componentes principales.
El método de extracción para el análisis fue de componentes principales. Esté a su vez
utiliza el método de Kaiser que determina tantos factores como autovalores mayores que
1 existan. En el caso del Grupo A – Orientaciones empresariales donde se encontraron
cuatro autovalores superiores a 1, el cual se muestra la varianza o variabilidad de los
factores, no obstante los cuatro factores determinados logran explicar el 85.950% de la
variabilidad del constructo disposición hacia el estudio. El quinto autovalor es de 0.671<1
y aporta cerca de un 4% del total de la varianza, por ambas razones se decidió no
incorporarlo en el análisis.

Tabla 19: Cuadro de comunalidades – orientaciones empresariales

Inicial Extracción
C01 1,000 ,780
C02 1,000 ,875
C03 1,000 ,908
C04 1,000 ,830
C05 1,000 ,846
C06 1,000 ,765
C07 1,000 ,917
C08 1,000 ,793
C09 1,000 ,866
OP1 1,000 ,895
OP2 1,000 ,878
OP3 1,000 ,943
OP4 1,000 ,812
CO1.3 1,000 ,899
CO2.3 1,000 ,840
CO3.3 1,000 ,836
CO4.3 1,000 ,930
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Tabla 20: Matriz de componente rotadoa – orientaciones empresariales

Componente
1 2 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.

Tal como se observa en la tabla 20 se obtuvieron 4 factores.


Factor 1.
El primer factor analizado incorpora 5 reactivos (ítems):

 Justificable: Las decisiones de la dirección de la agencia reflejan una intensión


fuerte de mejorar la productividad de la agencia OP1

 Justificable: La agencia ofrece los productos/servicios sobre la base de una buena


información sobre el mercado y los clientes C02

 Justificable: La empresa conoce bien a sus competidores C03


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

 Justificable: La dirección de la agencia busca lograr el mayor nivel de satisfacción


de los clientes CO3.3

Este primer factor explica el 31.46% de la varianza de la información recabada de la


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

 Justificable: La mayor prioridad de la dirección de la agencia es que los servicios


que proporciona la agencia sean los de mayor calidad CO1.3

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

 Justificable: La dirección de la agencia espera que los empleados estén


comprometidos a mejorar la eficiencia de la agencia OP3

 Justificable: Para la dirección de la agencia, aumentar la productividad de la


agencia es una prioridad OP4

 Justificable: La dirección de la agencia ve las quejas de los clientes como una


oportunidad de mejorar la satisfacción futura de los clientes CO4.3

Este primer factor explica el 28.80% de la varianza de la información recabada de la


matriz de componentes rotados en lo que se refiere a las orientaciones empresariales,
donde los ítems que mayormente aportan a este factor están enfocados a que la mayor
prioridad de la dirección de la agencia es que los servicios que proporciona la agencia
sean los de mayor calidad (CO1.3). También los ítems que aportan medianamente al
factor son el interés del cliente siempre debería ser lo primero; por encima del interés de
los propietarios de la agencia (C07), la dirección de la agencia espera que los empleados
estén comprometidos a mejorar la eficiencia de la agencia (OP3). Así mismo, los ítems
que aportan en menos proporción son que la dirección de la agencia, al aumentar la
productividad es una prioridad (OP4) y la dirección de la agencia ve las quejas de los
clientes como una oportunidad de mejorar la satisfacción futura de los clientes (CO4.3)
Factor 3.
El tercer factor analizado incorpora 2 reactivos (ítems):

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

 Justificable: La agencia compite fundamentalmente diferenciando sus productos


o servicios de los proporcionados por sus rivales C06

Este tercer factor explica el 15.58% de la varianza de la información recabada de la matriz


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

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

Este primer factor explica el 10.11% de la varianza de la información recabada de la


matriz de componentes rotados en lo que se refiere a las orientaciones empresariales,
donde los ítems que mayormente aportan a este factor están enfocados a que la agencia
mide el servicio al cliente de modo regular o habitual (C01).
Grupo B – Intensidad de la competencia

Análisis de fiabilidad

Tabla 21: Estadístico de fiabilidad – Intensidad de la competencia

Alfa de Cronbach N de elementos


,968 6
El alfa de la escala de variables “Intensidad de la competencia” es de 0,968 lo que supone
una buena fiabilidad del modelo y una buena correlación entre las variables del mismo.
Incorpora 6 elementos para el análisis.

Análisis factorial exploratorio

A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 22: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,792


Prueba de esfericidad de Aprox. Chi-cuadrado 1330,210
Bartlett gl 21
Sig. ,000

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

Tabla 23: Varianza total explicada – Intensidad de la competencia

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la


Autovalores iniciales extracción rotación
% de % % de % % de %
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
1 2,503 41,719 41,719 2,503 41,719 41,719 2,494 41,567 41,567
2 1,780 29,666 71,385 1,780 29,666 71,385 1,789 29,818 71,385
3 ,708 11,795 83,180
4 ,429 7,148 90,328
5 ,374 6,227 96,554
6 ,207 3,446 100,000
Método de extracción: análisis de componentes principales.
El método de extracción para el análisis fue de componentes principales. Esté a su vez
utiliza el método de Kaiser que determina tantos factores como autovalores mayores que
1 existan. En el caso del Grupo B – Intensidad de la competencia donde se encontraron
dos autovalores superiores a 1, el cual se muestra la varianza o variabilidad de los factores,
no obstante los dos factores determinados logran explicar el 71.385% de la variabilidad
del constructo disposición hacia el estudio. El tercer autovalor es de 0.708<1 y aporta
cerca de un 12% del total de la varianza, por ambas razones se decidió no incorporarlo en
el análisis.

Tabla 24: Cuadro de comunalidades – Intensidad de la competencia

Inicial Extracción
IC1 1,000 ,725
IC2 1,000 ,780
IC3 1,000 ,747
IC4 1,000 ,733
IC5 1,000 ,758
IC6 1,000 ,615
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.

Tabla 25: Matriz de componente rotadoa – Intensidad de la competencia

Componente
1 2
IC1 ,843
IC5 ,805
IC4 ,779
IC6
IC2 ,860
IC3 -,841
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax
con normalización Kaiser.
a. La rotación ha convergido en 3
iteraciones.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.

Tal como se observa en la tabla 25 se obtuvieron 2 factores.


Factor 1.
El primer factor analizado incorpora 3 reactivos (ítems):

 Justificable: La competencia en el sector de las agencias de viajes de Cusco es


muy intensa IC1

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


localización IC5

 Justificable: La competencia por precio es una característica distintiva en el sector


de las agencias de viajes de Cusco IC4

Este primer factor explica el 41.57% de la varianza de la información recabada de la


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

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


de viajes IC2
 Justificable: Todo lo que una agencia puede ofrecer para atraer clientes, las demás
lo ofrecen rápidamente IC3

Este segundo factor explica el 29.82% de la varianza de la información recabada de la


matriz de componentes rotados en lo que se refiere a la Intensidad de la competencia,
donde los ítems que mayormente aportan a este factor están enfocados a que hay muchas
“guerras de promociones” en el sector de las agencias de viajes (IC2) y todo lo que una
agencia puede ofrecer para atraer clientes, las demás lo ofrecen rápidamente (IC3).
Grupo C – Autonomía de los empleados

Análisis de fiabilidad

Tabla 26: Estadístico de fiabilidad – Autonomía de los empleados

Alfa de Cronbach N de elementos


,925 3

El alfa de la escala de variables “Autonomía de los empleados” es de 0,925 lo que supone


una buena fiabilidad del modelo y una buena correlación entre las variables del mismo.
Incorpora 3 elementos para el análisis.

Análisis factorial exploratorio

A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 27: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,745


Prueba de esfericidad de Aprox. Chi-cuadrado 2654,352
Bartlett gl 19
Sig. ,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Tabla 28: Varianza total explicada – Autonomía de los empleados

Sumas de cargas al cuadrado de Sumas de cargas al cuadrado


Autovalores iniciales la extracción de la rotación
% de % % de % % de %
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
1 1,327 44,241 44,241 1,327 44,241 44,241 1,327 44,222 44,222
2 1,101 36,690 80,930 1,101 36,690 80,930 1,101 36,708 80,930
3 ,572 19,070 100,000
Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez


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

Tabla 29: Cuadro de comunalidades – Autonomía de los empleados

Inicial Extracción
AUT1 1,000 ,766
AUT2 1,000 ,891
AUT3 1,000 ,772
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.
Tabla 30: Matriz de componente rotadoa – Autonomía de los empleados

Componente
1 2
AUT3 ,820
AUT1 -,809
AUT2 ,944
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax con
normalización Kaiser.
a. La rotación ha convergido en 3
iteraciones.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.

Tal como se observa en la tabla 30 se obtuvieron 2 factores.


Factor 1.
El primer factor analizado incorpora 2 reactivos (ítems):

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

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

Este primer factor explica el 44.22% de la varianza de la información recabada de la


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

 Justificable: Los empleados de la agencia tienen oportunidades para hacer lo que


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

Análisis de fiabilidad

Tabla 31: Estadístico de fiabilidad – Calidad de servicio y optimismo

Alfa de Cronbach N de elementos


,956 18

El alfa de la escala de variables “Calidad de servicio y optimismo” es de 0,956 lo que


supone una buena fiabilidad del modelo y una buena correlación entre las variables del
mismo. Incorpora 18 elementos para el análisis.

Análisis factorial exploratorio

A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 32: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,766


Prueba de esfericidad de Aprox. Chi-cuadrado 3701,412
Bartlett gl 153
Sig. ,000

Las pruebas de KMO y Barlet (en adelante B) son significativas para los conjuntos de
ítems de estudio con una sig. <0.05, Además, tienen una buena medida de adecuación
muestral entre variables. Con la prueba de Barlett nos indica que la matriz de correlación
no es una matriz de identidad.
Tabla 33: Varianza total explicada – Calidad de servicio y optimismo

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de la


Autovalores iniciales extracción rotación
% de % % de % % de %
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
1 6,499 36,103 36,103 6,499 36,103 36,103 5,768 32,043 32,043
2 5,166 28,701 64,805 5,166 28,701 64,805 4,948 27,488 59,532
3 2,248 12,491 77,295 2,248 12,491 77,295 2,651 14,726 74,258
4 1,298 7,209 84,505 1,298 7,209 84,505 1,844 10,247 84,505
5 ,671 3,728 88,232
6 ,637 3,539 91,771
7 ,349 1,937 93,708
8 ,271 1,505 95,213
9 ,232 1,291 96,503
10 ,165 ,916 97,419
11 ,116 ,645 98,064
12 ,087 ,485 98,549
13 ,084 ,467 99,016
14 ,054 ,300 99,316
15 ,041 ,229 99,545
16 ,035 ,194 99,739
17 ,031 ,173 99,912
18 ,016 ,088 100,000
Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez


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

Tabla 34: Cuadro de comunalidades – Calidad de servicio y optimismo

Inicial Extracción
CSQ1 1,000 ,786
CSQ2 1,000 ,863
CSQ3 1,000 ,900
CSQ4 1,000 ,819
CSQ5 1,000 ,828
CSQ6 1,000 ,764
CSQ7 1,000 ,920
CSQ8 1,000 ,806
CSQ9 1,000 ,863
CSQ10 1,000 ,885
CSQ11 1,000 ,878
CSQ12 1,000 ,943
CSQ13 1,000 ,810
CSQ14 1,000 ,899
OP1.1 1,000 ,843
OP2.2 1,000 ,815
OP3.3 1,000 ,932
OP4.4 1,000 ,655
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.

Tabla 35: Matriz de componente rotadoa – Calidad de servicio y optimismo

Componente
1 2 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.

Tal como se observa en la tabla 35 se obtuvieron 4 factores.


Factor 1.
El primer factor analizado incorpora 6 reactivos (ítems):

 Justificable: La agencia es segura y cómoda CSQ10

 Justificable: La actitud de los empleados pone de manifiesto su voluntad de


ayudarme CSQ2

 Justificable: Los empleados tienen conocimiento suficiente sobre los diferentes


servicios para responder a las preguntas de los clientes CSQ3

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


apropiada CSQ9

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

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

Este primer factor explica el 32.04% de la varianza de la información recabada de la


matriz de componentes rotados en lo que se refiere a que la agencia es segura y cómoda
(CSQ10), la actitud de los empleados pone de manifiesto su voluntad de ayudarme
(CSQ2), los empleados tienen conocimiento suficiente sobre los diferentes servicios para
responder a las preguntas de los clientes (CSQ3), el aporte en mediana proporción en el
factor es de acuerdo que si el ambiente de la agencia (limpieza, música, temperatura) es
apropiada (CSQ9). Así mismo, los ítems con menos aporte pero significativos son los que
siempre son optimistas en cuanto al futuro (OP2.2) y en tiempos difíciles, suelo esperar
lo mejor (OP1.1).
Factor 2.
El segundo factor analizado incorpora 6 reactivos (ítems):

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


CSQ14

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


CSQ7

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


CSQ12

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

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

Este segundo factor explica el 27.49% de la varianza de la información recabada de la


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

 Justificable: Los empleados son competentes CSQ4

 Justificable: Los empleados son capaces de manejar quejas de los clientes de


manera eficiente CSQ6

Este primer factor explica el 14.73% de la varianza de la información recabada de la


matriz de componentes rotados en lo que se refiere a que los empleados son competentes
(CSQ4) y los empleados son capaces de manejar quejas de los clientes de manera eficiente
(CSQ6)
Factor 4.
El cuarto factor analizado incorpora 1 reactivos (ítems):

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

Este cuarto factor explica el 10.25% de la varianza de la información recabada de la matriz


de componentes rotados en lo que se refiere a que los empleados de la agencia buscan lo
mejor para los clientes (CSQ1).

MODELO 3

Se realizara un análisis de fiabilidad mediante el alfa de cronbach para luego de ello


comenzar con el análisis factorial, el cual primer modelo está distribuido por 3 grupos (A
= Orientaciones empresariales, B = Autoeficacia, C = Satisfacción, rendimiento y calidad
de servicio (Rendimiento de las agencias), y se analizaran los reactivos (ítems) de cada
grupo.

Para el análisis factorial aplicado al Modelo 3 se utilizará el fichero con el nombre de BD


– Modelo 3.sav, el cual contiene los valores de 40 indicadores de orientaciones
empresariales, autoeficacia y resultados de las agencias. El objetivo es aplicar el análisis
factorial para ver qué grupo explica mejor el constructo.

Grupo A – Orientaciones empresariales

Análisis de fiabilidad

Tabla 36. Estadístico de fiabilidad – orientaciones empresariales

Alfa de Cronbach N de elementos


,970 14

El alfa de la escala de variables “orientaciones empresariales” es de 0,970 lo que supone


una buena fiabilidad del modelo y una buena correlación entre las variables del mismo.
Incorpora 14 elementos para el análisis.

Análisis factorial exploratorio

A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 37: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,859


Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1785,586
gl 22
Sig. ,000

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

Tabla 38: Varianza total explicada – orientaciones empresariales

Sumas de cargas al cuadrado Sumas de cargas al cuadrado de la


Autovalores iniciales de la extracción rotación
% de % % de % % de %
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
1 10,127 72,335 72,335 10,127 72,335 72,335 5,740 41,000 41,000
2 1,893 13,522 85,858 1,893 13,522 85,858 4,026 28,755 69,755
3 1,004 7,169 93,026 1,004 7,169 93,026 3,258 23,271 93,026
4 ,638 4,560 97,587
5 ,164 1,171 98,757
6 ,116 ,832 99,589
7 ,051 ,364 99,953
8 ,007 ,047 100,000
9 7,268E-17 5,191E-16 100,000
10 2,886E-17 2,062E-16 100,000
11 -1,110E-18 -7,927E-18 100,000
12 -5,977E-17 -4,270E-16 100,000
13 -8,921E-17 -6,372E-16 100,000
14 -2,629E-16 -1,878E-15 100,000
Método de extracción: análisis de componentes principales.
El método de extracción para el análisis fue de componentes principales. Esté a su vez
utiliza el método de Kaiser que determina tantos factores como autovalores mayores que
1 existan. En el caso del Grupo A – Orientaciones empresariales donde se encontraron
solo uno de los autovalores superiores a 1, el cual se muestra la varianza o variabilidad
del factor, no obstante los tres factores determinados logran explicar el 93.023% de la
variabilidad del constructo disposición hacia el estudio. El cuarto autovalor es de 0.638<1
y aporta cerca de un 5% del total de la varianza, por ambas razones se decidió no
incorporarlo en el análisis.

Tabla 39: Cuadro de comunalidades – orientaciones empresariales

Inicial Extracción
EMO1 1,000 ,978
EMO2 1,000 ,957
EMO3 1,000 ,918
EMO4 1,000 ,740
EMO5 1,000 ,920
EO1 1,000 ,983
EO2 1,000 ,892
EO3 1,000 ,983
EO4 1,000 ,957
IN1 1,000 ,918
IN2 1,000 ,957
IN3 1,000 ,918
IN4 1,000 ,920
IN5 1,000 ,983
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.

Tabla 40: Matriz de componente rotadoa – orientaciones empresariales

Componente
1 2 3
EMO2 ,941
IN2 ,941
EO4 ,941
EO2 ,870
EMO3 ,730
IN1 ,730
IN3 ,730
EMO1 ,922
EO3 ,918
IN5 ,820
EO1 ,820
EMO5 ,892
IN4 ,892
Método de extracción: análisis de
componentes principales.
Método de rotación: Varimax con
normalización Kaiser.
a. La rotación ha convergido en 5 iteraciones.

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utilizó un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.

Tal como se observa en la tabla 40 se obtuvieron 3 factores.


Factor 1.
El primer factor analizado incorpora 7 reactivos (ítems):

 Justificable: Gusto por la agencia EMO2

 Justificable: Acepta fácilmente las innovaciones propuestas IN2

 Justificable: Flexibilidad en adoptar nuevas ofertas EO4

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

 Justificable: Vinculación emocional en la empresa EMO3

 Justificable: Ideas innovadoras IN1

 Justificable: Penalización por ideas pésimas IN3


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

 Justificable: Considera como parte de su personalidad EMO1

 Justificable: Capacidad de identificación de nuevas oportunidades EO3

 Justificable: Capacidad de innovación IN5

 Justificable: Asume riesgos EO1

Este segundo factor explica el 28.76% de la varianza de la información recabada de la


matriz de componentes rotados. Tal como se observa en la matriz de componente rotado
visto anteriormente en lo que se refiere a las orientaciones empresariales, donde los ítems
que mayormente aportan a este factor están enfocados a que los empresarios o gerentes
de las agencias consideran como parte de la personalidad (EMO1), y la mayoría de ellos
tienen capacidad de identificación de nuevas oportunidades (EO3). Así mismo, se ve que
los ítems que aportan en menos proporción pero son muy representativos igualmente son
es la capacidad de innovación del emprendedor o gerente (IN5) y por último, suele
siempre asumir los riesgos que se pueden presentar día a día (EO1).
Factor 3.
El primer factor analizado incorpora 4 reactivos (ítems):
 Justificable: Cuando alguien alaba a la agencia, lo tomo como un cumplido
personal EMO5

 Justificable: Estimulo la implementación de innovaciones IN4

Este primer factor explica el 23.27% de la varianza de la información recabada de la


matriz de componentes rotados en lo que se refiere a las orientaciones empresariales,
donde los ítems que mayormente aportan a este factor están enfocados a que los
empresarios o gerentes de las agencia por lo general toman como cumplido cuando hablan
bien de la empresa (EMO5) y la mayoría de ellos siempre van estimulando a las
innovaciones dentro de la empresa (IN4).

Grupo B - Autoeficacia

Análisis de fiabilidad

Tabla 41: Estadístico de fiabilidad – Autoeficacia

Alfa de Cronbach N de elementos


,886 4

El alfa de la escala de variables “autoeficacia” es de 0,886 lo que supone una buena


fiabilidad del modelo y una buena correlación entre las variables del mismo. Incorpora 4
elementos para el análisis.

Análisis factorial exploratorio


A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 42: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,755

Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1842,654


gl 20
Sig. ,000

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

Tabla 43: Varianza total explicada – Autoeficacia

Sumas de cargas al cuadrado de la


Autovalores iniciales extracción
% de % % de %
Componente Total varianza acumulado Total varianza acumulado
1 3,076 76,896 76,896 3,076 76,896 76,896
2 ,567 14,182 91,078
3 ,255 6,378 97,456
4 ,102 2,544 100,000
Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez


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

Tabla 44: Cuadro de comunalidades – Autoeficacia

Inicial Extracción
AEF1 1,000 ,824
AEF2 1,000 ,537
AEF3 1,000 ,873
AEF4 1,000 ,841
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial, salvo quizás el siguiente ítem: En general, confió en mi habilidad para hacer mi
trabajo bien (AEF2).
Tabla 45: Matriz de componente rotadoa – rendimiento de mercado

Componente
1
AEF3 ,935
AEF4 ,917
AEF1 ,908

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

Para clarificar la estructura factorial sin perder capacidad explicativa se ha realizado una
rotación de ejes. Se utiliza un método varimax (que permite una rotación ortogonal que
minimiza el número de variables que tienen saturaciones altas en cada factor). Este
método de rotación simplifica los factores y produce la matriz que se puede observar en
la tabla anterior. Para este modelo las comunalidades no varían.

Tal como se observa en la tabla 45 se obtuvieron solo 1 factor.


Factor 1.
El primer factor analizado incorpora 3 reactivos (ítems):

 Justificable: Me siento capacitado para realizar las tareas de responsable de una


agencia de viajes AEF3

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

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

Este primer factor explica el 76.90% de la varianza de la información recabada de la


matriz de componentes. Tal como se observa en la matriz de componente visto
anteriormente en lo que se refiere a rendimiento de mercado, donde los ítems que
mayormente aportan a este factor están me siento capacitado para realizar las tareas de
responsable de una agencia de viajes (AEF3), siento que tengo la capacidad para realizar
mi trabajo con éxito (AEF4), sé lo que hay que hacer en las distintas situaciones a que me
enfrento como responsable de una agencia de viajes (AEF1)
Grupo C – Satisfacción, rendimiento y calidad de servicio

Análisis de fiabilidad
Tabla 46: Estadístico de fiabilidad – Satisfacción, rendimiento y calidad de servicio

Alfa de Cronbach N de elementos


,981 22

El alfa de la escala de variables “Satisfacción, rendimiento y calidad de servicio” es de


0,981 lo que supone una buena fiabilidad del modelo y una buena correlación entre las
variables del mismo. Incorpora 22 elementos para el análisis.

Análisis factorial exploratorio


A continuación, se muestran los principales resultados del AFE que nos llevaron a
postular un modelo de decisión de X factores. La tabla que se encuentra más abajo nos
muestra una medida de la adecuación de la muestra para poder realizar un análisis
factorial por medio de Componentes Principales.

Tabla 47: Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,856


Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1758,856
gl 22
Sig. ,000

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

Tabla 48: Varianza total explicada – Satisfacción, rendimiento y calidad de servicio

Sumas de cargas al cuadrado de la Sumas de cargas al cuadrado de


Autovalores iniciales extracción la rotación
% de % % de % % de %
Componente Total varianza acumulado Total varianza acumulado Total varianza acumulado
1 15,897 72,260 72,260 15,897 72,260 72,260 9,566 43,482 43,482
2 3,075 13,979 86,239 3,075 13,979 86,239 6,183 28,103 71,586
3 1,495 6,796 93,035 1,495 6,796 93,035 4,719 21,449 93,035
4 ,935 4,248 97,283
5 ,278 1,264 98,547
6 ,195 ,888 99,435
7 ,089 ,405 99,840
8 ,020 ,090 99,930
9 ,009 ,042 99,972
10 ,006 ,028 100,000
11 1,670E-16 7,591E-16 100,000
12 8,978E-17 4,081E-16 100,000
13 8,116E-17 3,689E-16 100,000
14 2,215E-17 1,007E-16 100,000
15 1,274E-17 5,792E-17 100,000
16 8,258E-18 3,754E-17 100,000
17 -1,806E-18 -8,209E-18 100,000
18 -7,841E-18 -3,564E-17 100,000
19 -2,153E-17 -9,785E-17 100,000
20 -5,192E-17 -2,360E-16 100,000
21 -8,625E-17 -3,921E-16 100,000
22 -1,905E-16 -8,657E-16 100,000
Método de extracción: análisis de componentes principales.

El método de extracción para el análisis fue de componentes principales. Esté a su vez


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

Tabla 49: Cuadro de comunalidades – Satisfacción, rendimiento y calidad de servicio

Inicial Extracción
SAT1 1,000 ,950
SAT2 1,000 ,851
SAT3 1,000 ,971
RM1 1,000 ,957
RM2 1,000 ,915
RM3 1,000 ,722
RM4 1,000 ,927
RM5 1,000 ,985
CSQ1 1,000 ,899
CSQ2 1,000 ,980
CSQ3 1,000 ,957
CSQ4 1,000 ,915
CSQ5 1,000 ,957
CSQ6 1,000 ,915
CSQ7 1,000 ,927
CSQ8 1,000 ,985
CSQ9 1,000 ,980
CSQ10 1,000 ,957
CSQ11 1,000 ,915
CSQ12 1,000 ,957
CSQ13 1,000 ,915
CSQ14 1,000 ,927
Método de extracción: análisis de
componentes principales.

Las comunalidades representadas son buenas, lo que implica que la mayoría de las
variables están bien representadas en el espacio de los factores (la comunalidad representa
el coeficiente de correlación lineal múltiple de cada variable con los factores).

Se observa que la mayoría de las variables van a ser bien explicadas por la estructura
factorial.

Tabla 50: Matriz de componente rotadoa – Satisfacción, rendimiento y calidad de


servicio

Componente
1 2 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.

Tal como se observa en la tabla 50 se obtuvieron 3 factores.


Factor 1.
El primer factor analizado incorpora 12 reactivos (ítems):

 Justificable: Crecimiento de la cuota de mercado RM1

 Justificable: Interés de la agencia por prestar servicio rápido CSQ12

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


CSQ3

 Justificable: La agencia muestra interés en solucionar los problemas de los


clientes CSQ5

 Justificable: la agencia es segura y cómoda CSQ10

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

 Justificable: Mi trabajo es apasionante SAT2


 Justificable: Crecimiento de las ventas RM2

 Justificable: Capacidad de los empleados para manejo de quejas CSQ6

 Justificable: Los empleados son competentes CSQ4

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

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


CSQ11

Este primer factor explica el 43.48% de la varianza de la información recabada de la


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

 Justificable: Mi trabajo me satisface SAT3

 Justificable: Voluntad del empleado para brindar ayuda al cliente CSQ2

 Justificable: Ambiente de la agencia CSQ9

 Justificable: Mi trabajo hace que me sienta realizado SAT1

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


años RM5

 Justificable: Los empleados tienen un aspecto limpio y profesional CSQ8


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

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


CSQ7

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


clientes CSQ14

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


RM4

Este tercer factor explica el 21.45% de la varianza de la información recabada de la matriz


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

También podría gustarte