Técnicas de analisis de datos Estrella Diaz Sanchez David Martin-Consuegra Navarro 8.1. Introduccién al anilisis de los datos is univariantes 8.2. Técnicas de an. 8.3. Técnicas de anélisis bivariantes 8.4. Analisis de la varianza 8.5. Analisis multivariantes Objetivos de Aprendizaje @OA Conacer la imiportancia del andlisis de datos y el objetivo de la investigaci6n. "AX. istinauic entre in atetentestpos de ands de dates. ‘Camprénder el proceso dé verificacién de hiptesis. ‘Analizar el aleance de las técnicas de anallsis univariantes, bivariantes y » fhuttivariantes, : fa) bs ae) =) c ima [e) 88.1. Introducci6n al andlisis de los datos La informacion cuantitativa, procedente de un estudio empirico o de otras fuentes as, se analiza mediante métodos estadisticos que permiten transformar los portante para la toma de decisiones en Marke Ling, E] andlisis de los datos consiste en reducir y transformar los datos iniciales, Nos y de dificil interpretacién, en resultados relevantes para el investigador y «4 n contrastar las hipdtesis planteadas y ofrecer recomendacione: toma de decisiones, secunda valores numéricos en informacién imy sponi Sin embargo, antes de que los datos se analicen con las distintas bles, deben pasar de los datos debi sestiGn de esta parte de la investigacién puede comprometer las conclusiones y recomendaciones finales del informe Para garantizar que los datos incorporados al anél realiza un sO preliminar de andl A continuacién, la eleccién del (Hos objetivoside Ia investigacién Previamente definidos, las caracteristicas de los datos,176, de anilisis. Asi, el andlisis de la varianza es adecuado para el estudio de datos experi- mentales en los disefios causales (véase el Capitulo 5). También es importante tener en cuenta las propiedades de las técnicas estadisticas, en particular, su propésito y sus s son adecuadas Figura 8.1 PROCESO DE PREPARACION DE LOS DATOS © La técnica de andlisis empleada ser diferente en funcién del mimero de varia- bles que se analizan de forma simulténea. El andlisis de la matriz de datos puede catbcrs a adits de cada variable por eparede ASSIS, ae variables al mismo tiempo © més de dos variables de forma simulténea aaa ee “637, Téenicas de andlisis de datos mir 0 com- ivari adas pretenden res : ‘lisis univariantes las técnicas empleadas pr prenser mei as de una variable de forma aislada, como 1a prender mejor las caracterist is distribucién de una poblacién en fancién de su nivel de estudios. 4 e forma conj s + Para el caso de los andlisis bivariantes, se analizan de forma conjunta do: it as variables y se comprueba la posible existencia de relacién entre amb: por el contrario, la aso ° variables, Iu presencia de independencia o isis se incluyen al mismo tiempo tres 0 més variables, las téeni- cas se denominan multivariantes. Son las técnicas de andlisis mas complejas y se suelen emplear en Marketing para segmentar consumidores, estudiar las dimensiones de la imagen percibida de un establecimiento, analizar la calidad del servicio 0 para describir los factores que influyen en la eleccién de mar- cas entre la poblacién. dependen también del tipo de escala uti- > Las técnicas empleadas en el anilisis lizada para medir las variables, + Las esealas métricas estén mayor posibilidad de andii = + Las escalas no métricas son Mas y que incluyen en este grupo las escalas de media HALES! Las técnicas de andlisis disponibles dependerén del tipo de escala utili- zado para la recogida de la informacién en el cuestionario, El andlisis deseriptivo resume los datos de las variables indicando su unifor- imidad, dispersién o las relaciones encontradas entre los elementos de la mues. tra, Sin embargo, el a la confianza y margen de err resultados poblacionales, 8.2. Técnicas de anilisis univariantes ) Las técnicas univariantes analizan cada variable de fe i i y n an d forma individual. Son La: ienics inés sencillas y se utlizan en primer lugar en el analisis de Ia informacién lebido a que permiten una visién general de las caracteristicas de los datos,178 Investigacién de Mercados El primer tipo de andlisis realizado para examinar los datos es la distribucién de frecuencias de una variable. El objetivo consiste en obtener un ntimero de respuestas asociadas con dis- tintos valores de la variable analizada. En concreto Técnicas univariantes: Métodos estadisticos que analizan los datos cuando hay una sola me Una tabla de frecuencias es facil de entender y proporciona informacién bésica, aunque en ocasiones esta informacién suele ser demasiado detallada y el investigador debe resumirla mediante estadisticos destiptivos mn | rib 1 i de dispersion y Jas medidas fats ioe (véase la Figura 8.2). Figura 8.2 MEDIDAS UNIVARIANTES SEGON TIPOS DE ESCALA Nominal — Ordinal —* Mebicg —+ is ieee FS 5 rei Fa 8 roy Fa Ft Fuente: Adaptado de Grande y Abascal (201 1:298), 8.2.1. Medidas de tendencia central Las medidas de posicién o tendencia central resumen la informacién g da ue todos los elementos analizados en un valor central que los representa.Técnicas de anilisis de datos 178 > Lamedia es una n que resume Ia Sin embargo, la media no informa de le opinién en los datos, es decir, si todos los individuos. conceden la misma importancia o existen posiciones extremas. Por este motivo, cuando se utiliza la media se complementa con medidas de dispersion. Ademas la media no es conyeniente cuando aparecen valores extremos de la variable u- outliers, En el caso de que existan, se pueden eliminar las observaciones més extremas y calcular la media con las restantes. at de disparidac > La moda es una medida de posicién o de tendencia central ara este tipo de escala, { ‘> La mediana es una medida de tendencia central definida como el valor de la variable que divide a una distribucién de frecuencias en dos partes iguales, Gejando por arriba y por debajo a la mitad de los datos. 8.2.2. Medidas de dispersién | Las medidas de dispersién complementan la informacién pro} medidas de posicién o tendencia central 2 le las eG como, N el mayor y menor valor de la variable. Como consecuencia, el rango est4 muy condicionado por los valores extremos, Una variable muy concentrada pero con dos valores extremos Poco representativo. El rango intercuartilico es e! reco cién que abarca el 50 por ciento central de las observacioy diferencia entre el percentil 75 y el percentil 25 Proporciona un rango |‘ rrido de una distribu- | nes. Se define como la © La varianza es la desviacién promedio al cuadrado de todos Jos v {ir de la media. Cuando los datos se agrupan alrededor de la media, la varian | _€S Pequefia. Sin embargo, cuando los datos estén dispersos, la varianea cot vada. La varianza nunca puede ser negativa. Por otro lado, la desviacin tipica Se define como la distancia de los valores de la variable a la media © laraiz cua- drada de la varianza. Con el propésito de comparar la disparidad de variables lores a par-180 Investigacion de Mercade con distintas unidades de medida se utiliza el coeficiente de variacién. El coe~ ficiente de variacién se define como el cociente entre la desviaci6n tipica y la media, Dada una media, cuanto mayor sea Ia dispersi6n, mayor seré el coefi- ciente de variacién en valor absoluto. El signo del coeficiente s6lo indica un mayor peso de los valores por encima o por debajo de la media. 8.2.3. Medidas de deformaci6n Las medidas relacionadas con la fo ladist también son tiles para entender la naturaleza de la distribuci6n la curt => Laasimetria es la caracteristica de una distribucién que determina su sesgo con 3 respecto a la media. Las distribuciones pueden ser simétricas 0 asimétricas. + En una distribucién simétrica, la distribucién toma el valor de cero, es soc lies asi biesn a ambos lados del centro de la distribuci6i'son igual iendo el mismo valor la media, la moda y la mediana. Las desvia- ciones positivas y negativas a partir de la media también son iguales. + En una distribucién asimétrica, tir de la media son diferentes. ha o hack mer caso, la media es mayor que - ésta mayor que la moda; y en el segundo, la media es menor qi mediana y ésta men ay Es muy importante conocer el grado de asimetria de una distribucién para poder hacer la inferencia a la poblacién. Si es muy asimétrica, el 4rea de probabilidad difiere a ambos lados de la curva de distribucién. gunas medidas de asociacién entre variables no Sé" pueden aplicar cuando las distribuciones no son normales. Jas desviaciones positivas y negativas a par- © La curtosis mide el apuntalamiento de la representacién grafica de la curva de la distribuci6n de frecuencias, La curtosis trata de valorar la presencia de gran cantidad de observaciones proximas a la media y a la moda. Un valor clevado indica valores préximos a la media. La curtosis de una distribucién normal es cero. Si la curtosis es positiva, entonces la distribucién es mAs puntiaguda que una distribucién normal y un valor negativo indica que Ja distribucién es més plana que una distribucién normal. 8.3. Técnicas de anilisis bivariantes Técnicas bivariantes: Métodos estadisticos que analizan dos varlables al ‘mismo tiempo. El andlisis simulténeo de dos variables o andlisis bivariante181 ‘i Técnicas de ands de datos _ ; écnicas bivari lasifi analice Ia intensidad de su relacién, Las diversas técnicas bivariantes suelen clasi i carse en funcién del tipo de escala empleada (véase la Figura 8.3). Figura 8.3 ‘ TECNICAS BIVARIANTES SEGON TIPOS DE ESCALA 7 tabla ole Coutingucaine conpiciacrer_ ck fsoctaves oyoeba Meet cercbode Msgs Sean au roc rena ROS RY 2 Usk Se eRe Fuente: Adaptado de Esteban et a. (2008:347), Existen ocasiones donde las relaciones entre dos variables no son de tipo descrip- ' tivo sino que se encuadran dentro de disefios causales, estudiando si exste alguna \ relaciGn entre cualquier variable de clasificacién del consumidor (causa) y su com- i Portamiento 0 actitud (efecto), como la relacién entre el lugar de residencia del indi- | Viduo y 1a compra de determinados productos, Sin embargo, ‘ dio puede existir una causa externa que explig sin Ia definiciGn de relaciones causa-efecto. P mica e incertidumbre, dismi luc el comportamiento de las variables q en épocas de crisis econé- i or ejemplo, limient en funcién d182 Investigacién de Mercados > Las bee paramétricas suponen que las variables de estudio se miden én © Las pruebas no paramétricas determinan que las variables SOmmedidas en UNA (escala nominal or Estas pruebas se clasifican segin comprendan una, dos o més muestras. Las mues- tras son independientes si se toman al azar de poblaciones diferentes, mientras que LY Jas muestras estén relacionadas cuando los datos de las dos muestras se obtienen del mismo grupo de encuestados. 8.3.1. Procedimiento para la verificacién de hipdtesis Con la utilizacién de tests o contrastes de hip6tesis se comprueba si un pardmetro de la poblacién es avalado por el correspondiente estadistico de la muestra que acta j como estimador. La prueba de hip6tesis es necesaria para cualquier andlisis basico y constituye un proceso que incluye una serie de etapas (véase la Figura 8.4). | Ficura 8.4, PROCESO Be VeRIncioN DE HIPOTESIS Fuente: Adaptado de Malhotra (2010:490).Técnicas de anlisis de datos 0 én él andlisis de dos variab 8 estadistica que se define en funcién de Hipétests: afirmacién 0 conjetura con respecto a alguna caracteristica de interés, como realizando una afirmaci6n sobre una situacién 0 ampinica. El proc o a hip6tesis nula y la hipétesis altemativ los objetivos del estudio. Una hipstesis estadistica es una rested ae elementos de a realidad. 183 > La hipétesis nula es el enunciado que siempre se pone a prueba y se confirma © rechaza de acuerdo con el resultado que proporcione el test. En concreto, la { hip6tesis nula es una proposicién sobre la poblacién tomada con carécter pru- dente 0 conservador. Para su enunciado se parte de la inexistencia de la relaci6n in deseada y se representa mediante la expresién H,, diferencia. A través del contraste de hipétesis se u ‘muestra para aceptar o rechazar la hipotesis nula, 2. Elegir una técnica estadistica adecuada y su estadistico de prueba resultados la muestra, Para contrastar una hip6tesis es necesari piada. El investigador debe considerar la prueba y la distribucién de la muestra de donde se deduce el estadistico. iipotesis wula'y se . 3. Seleccionar el nivel de confianza (ai) Como se ha comentado previamente, el contraste de hi nar cudl de las dos hipétesis es la verdadera o, se rechaza la hip6tesis nula, Propuesta o que el parmetro no alcanza el valor a partir del cual surgen conse- cuencias sobre la decisién a tomar. én de mercados, Ia hipéte S I Fees de forma que su rechazo conduce a la aceptacién de la pa | ‘> Lahipétesis nula rechazada se conoce también como hipétesis alternativa con {a expresi6n H, La hip6tesis altemativa representa la conclusidn para la que se busca la evidencia y es opuesta a la hipstesis nula, denotando la existencia de tilizan los resultados de la {La prueba o test de hipétesis proporciona una manera objetiva de decidir si los i son.consecuencia de la icuaiee conclusiones alcanzad: io seleccionar una técnica estadistica apro- forma en que se calcula el estadistico de ipstesis consiste en determi- expresado de otra forma, si se acepta 0ae ‘a rvestigacion de Mercadds 4 Eifleste sentido, la diferencia podria deberse al error muestral, Cuando esta circun tancia sucede, se acepta la hipétesis nula debido a la falta de suficiente seguridad para’! decidir el rechazo JASiyauinque se acepte Ia hipstesis nul, s ms correto afirmar. 4 0 se rechaza al no existir garantias estadisticas suficientes. : En la prueba de hipstesis pueden aparecer diferentes situaciones posibles. Por un lado, puede ocurrir que la H, sea o no verdadera y, por otro, que la Hp se rechace o no se rechace. Dos de ellas suponen una decisidn correcta puesto que no se rechazaria la Hi, siendo verdadera o bien se rechazaria H, siendo falsa. Sin embargo, cuando se rea- lizan inferencias sobre una poblacién existe el riesgo de llegar a una conclusi6n inco- trecta donde la decisin de aceptar o no una hipétesis nula puede ser equivocada. Los errores que se pueden cometer en uno y otro sentido se denominan error tipo I y error tipo II (véase el Cuadro 8.1). ‘ © Error tipo I. Se rechaza H, siendo verdadera. En este caso se presupone que la diferencia entre el pardmetro y el estadistico muestral es suficientemente ele- vada para no deberse al error muestral. El error en que se incurre se mide con el nivel de significacién (a). El nivel de significacién mide el riesgo que asume el investigador al rechazar la hipétesis nula. Su complementario es el denomi- nado nivel de confianza (1-@), definido como el porcentaje de situaciones de acierto en un caso determinado. > Error tipo I. Ocurre cuando, con base en los resultados de la muestra, no se rechaza una hip6tesis nula que en realidad es falsa. La probabilidad de un error tipo II se denota con B. A diferencia de @, que es especificada por el investiga- = dor, la magnitud de B depende del valor real del pardmetro (proporcién) de la Poblacién. El complementario (1-) de la probabilidad de un error de tipo TI se conoce como potencia de una prueba estadistica. > La decisién de rechazar H, cuando es falsa es una decisién correcta. La proba- | bilidad de rechazar una hiptesis que sea efectivamente falsaes la complemen. | taria de Ja anterior y se le denomina poder v potencia de la prueba y se designa | por (1-). | ‘Cuapro 8.1 i TIPOS DE ERRORES EN LA PRUEBA DE HIPOTESIS Error tipo I N 4, jo rechazar H, Probabilidad Error tipo | Decisién correcta | aero Potencia de una prueba Nivel de significaci e esienifcacténa. |v robablidad Gof) Rechazar H, Fuente: Adaptado de Malhotra (2010:492),185 Técnicas de andlsis de datos Para poder aceptar o rechazar una hip6tesis nula es necesario considerar el nivel de significacién (0. Se define un nivel de significacién pequefio, del 5% 0 del 1%, que sirve como punto de comparacién para tomar la decisién en el contraste. Si ante una prueba de contraste Ia significaci6n o error cometido supera el valor critico fijado, la jpotesis nula no se rechaza, deseados y otros aspectos cualitativos, como Jas limitaciones del presupuesto disponible. Después se retinen los datos requeridos y se calcula el valor del estadistico de prueba. 5. Determinar la probabilidad asociada al estadistico de prueba idad asociada al estadistico de | i | 4, Determinar el tamafio de la muestra y calcular el estadistico de prueba EI siguiente paso consiste en calcular la probabi yf prueba con respecto a la hipétesis nula, utilizando la distribucién de la muestra del Pj estadistico de prueba, Como alternativa, se pueden determinar los valores criticos aso- | ciados con el estadistico de prueba que dividen las regiones de rechazo y no rechazo. 6. Comparar la probabilidad (valor critica) | En esta fase se compara la probabilidad asociada con el valor calculado u observado del estadistico de prueba al nivel de significatividad especificado. | Como alternativa, se especifica si el estadistico de prueba cae en la regién de rechazo 0 de no rechazo. 7. Tomar la decisién estadistica de rechazar 0 no rechazar Ia hipétesis nula | EI principal prop6sito de esta etapa es la comparacién de la probabilidad (valor ctitico), asi como la toma la decisi6n de rechazar o no rechazar Ia hip6tesis nula plan- | teada al inicio. | 8. Decisién estadistica Por ultimo, se expresa la conclusién estadistica que se obtiene con la prueba de hip6tesis. La prueba de hipotesis puede relacionarse con el examen de las asociaciones 0 de las diferencias. En las pruebas de asociaciones, la hip6tesis mula plantea que no hay i una relacién entre Jas variables (H,: ...no esté relacionada con...), En las pruebas de diferencias, a hipétesis nula afirma que no existen diferencias (H,: ...no difiere de...). 8.3.2. Pruebas paramétricas | Con Jas pruebas paramétricas se realizan inferencias para hacer afirmaciones sobre las medias de las poblaciones originales, Estas pruebas requieren el cumplimiento de una serie de condiciones para su utilizacién: mene nennen nee e222 e022 42224248248~~ 186 Investigacién de Mercados © Las variables consideradas de la poblaci6n siguen una distribucién estadisties determinada que suele ser | ables deben ser © El tamaiio muestral ha de ser Sufi¢ientemente grande (mayor U8'30), salvo que se siga una distribuci6n normal. ‘ En caso de existencia de dos poblaciones, © Las muestras han de ser independientes. Existen diferentes tipos de pruebas paramétricas dependiendo del tamaiio de Ja muestra y del conocimiento de la varianza Prueba z de diferencia de medias La prueba z se utiliza en variables medidas en escalas métricas para comparar la media obtenida en una muestra con la media poblacional supuesta o hipotética. Para aplicar esta prueba se han de cumplir varias condiciones: 2 La distrbuci6n de la poblacion es normaly Ia varianza es conocida. © La distribucién poblacional es normal, se desconoce Ia varianza, pero la mues- tra es suficientemente grande (mayor de 30 unidades). © La distribucién poblacional no sigue una normal pero con un tamafio muestral elevado se aproxima a una normal segtin el teorema central del limite. Prueba ¢ de diferencia de medias Esta prueba es apropiada para contrastar la hipétesis de la medis nal a par- | tir de la media muestral cuando no se alguna de | i r » ae a a varianza poblacional es desconocida y el tamafio mues- tral es pequeiio (cuando es elevado se aproxima a una distribucién normal). En Ja realizacién de una investigacién de mercados se plantea con frecuencia como contraste de hipétesis si las diferencias de comportamiento detectadas en dos sub- muestras de una poblacién son indicios suficientes de la existencia de diferencias poblacionales en el mismo senti p i olamente prod Coeficiente de correlacién lineal El coeficiente de correlacién lineal bivariante se emplea comprobar la posi- ibaa rls ne doy anbes mis ee i La medida se realiza mediante el coeficiente387 ‘Técnicas de andlisis de datos de correlacién lineal den Xe ¥. Se trata de un indice que se utiliza para determinar si existe una rela- que indica el grado en que la variacién de una yaria- cin lineal 0 rectilinea entre X e ¥, ble (X) se relaciona con i |. Si se supone que el coeficiente de correlacién entre el precio del alojamiento hotelero y su utiliza~ cién por consumidores es de -0,45, una subida de precios se traduciria en un descenso de su utilizacién, El coeficiente de determinacién es igual a 0,20, que se interpreta en el sentido de que los cambios en el consumo de servicios hoteleros vienen explicados en un 20 por ciento por los cambios en los precios. Mientras que el coeficiente de correlacién lineal €s una medida de asociacién que describe la relacién lineal entre dos variables, el coeficiente de correlacién parcial se emplea cuando se desea medir la asociacién entre las dos variables, después de con- trolar o hacer un ajuste de los efectos de una o més variables adicionales. Las correla. Ciones parciales estén relacionadas con el orden, debido a que el orden indica la can. tidad de variables que se estan ajustando o controlando, El Coeficiente de correlacién simple r; tendria un orden de cero ya que no controla ninguna variable adieional al medir la relaci6n entre dos variables. Regresién simple > Determinar si la variable independiente explica una variacién significativa en la variable dependiente Y, de esta forma, determinar’si existe una relacién. > Analizar qué cantidad de la variacién de la variable dependiente Puede expli- carse mediante la variable independiente y asf verificar Ja fuerza de la relacién. > Examinar la estructura o forma de la relacién mediante una ecuacién matemé- tica que relaciona la variable independiente con la dependiente. > Predecir los valores de la variable dependiente.a 8.3.3. Pruebas no paramétricas 188 Investigacion de Mercados Las pruebas no paramétricas persiguen el mismo objetivo que las pruebas paramé- tricas, es decir, comprobar si se pueden generalizar los resultados 0 conclusiones obte~ nidas mediante la utilizacién de una muestra al total de la poblacién. Sin embargo, Al igual 's pruebas paramétricas, las pruebas no paramétricas verifican variables de una muestra, dos muestras independientes 0 dos muestras relacionadas. A continuacién se enumeran las ventajas de su aplicacién: que © Son adecuadas para muestras pequefias. > No poseen exigencia de una distribucién concreta. > No requieren un nivel de medida métrico, pueden ser ordinales o nominales. ‘Tabulacién cruzada o tabla de contingencia La tabulacién cruzada 0 tabla de contingencia es la técnica estadistica que describe dos o mas variables de manera simul- tinea. Este procedimiento consiste en la generacién de tablas que reflejan Ia distribucién de frecuencias conjunta de dos 0 ins variables con un nimero distintivos, Tabla de contingencia: bulacion cruzada cue contiene una celds pare cate combinaiin de Categories de dos variables. Las categorfas de una variable se cruzan con las categorfas de otra u otras varia- bles. El objetivo es comprobar la existen- cia de alguna relacén entre tas dos variables, es decir, si el comportamiento de Tos resultados en Ia categoria variable: Atal efecto, conviene presentar los datos de valores o frecuencias absolutas iniciales en forma de porcentajes por filas, por columnas 0 sobre el total de la tabla. D El estadistico Chi-cuadrado (77) se utiliza para comprobar la significatividad estadfstica de la asociacién observada en una tabulacién cruzada. PermiteTécnicas de andlisis de datos 389 determinar si existe una asociacién sistemdtica entre las dos variables. Es'una medida que, aunque no propor. cione Iwintensidad de la asociacién entre las variables, facilita la yerificacién de que una serie de freouencias, | Ferincatividad estadistica Observadas se corresponden con unas frecuencias espe-) | de a asociacién observada radas especific: fen una tabulacién cruzada, Chi-cuadrado: Estadistico que se utiliza para comprobar a La prueba se realiza al calcular las frecuencias de cada ; celda que se esperarfa observar si no hubiera una asociacién entre las variables, dados los totales por fila y por columna. Estas frecuencias esperadas por celda se comparan después con las frecuencias reales observadas, que aparecen en la i tabulacién cruzada, para calcular el estadistico Chi-cuadrado. Cuanto mayor sea Ja discrepancia entre las frecuencias esperadas y las reales, mayor seré el valor del estadistico. Para determinar si existe una asociacién sistematica, se estima Ja probabilidad de obtener un valor de Chi-cuadrado tan grande o més grande que el calculado i a partir de Ja tabulacin cruzada, Una ¢aracteristica importante del estadistico | Chi-cuadrado es el niimero de grados de libertad asociados a éste, definido como el niimero de observaciones menos el mimero de limitaciones necesarias ! para calcular un término estadistico. La distribucién Chi-cuadrado es una dis- ibuci6n asimétrica cuya forma depende tinicamente del ntimero-de-grados de i libertad. De este modo, cuando el niimero de grados de libertad aumenta, la dis- tribuci6n Chi-cuadrado se vuelve més simétrica. © El coeficiente Phi (9) se utiliza como una medida de la fuerza de la asocia- cién en el caso especial de una tabla con dos filas y dos columnas (tabla 2 x 2). Este coeficiente es proporcional a la rafz cuadrada del estadistico Chi-cuadrado, Toma un valor de cero cuando no hay asociacién, Io que también indica un Chi. cuadrado de cero, Cuando las variables estén perfectamente relacionadas, 6 toma un valor de uno y todas las observaciones se distribuyen justo en la dia gonal principal o secundaria. © El coeficiente de contingencia se utiliza para evaluar el grado de asociacién entre las variables, oscilando entre 0 y 1. El valor cero aparece cuando no hay una asociacién (cuando las variables son estadfsticamente independientes) pero nunca'se aleanza el valor maximo de uno. El valor méximo del coeficiente de Contingencia depende del tamafio de la tabla (imero de filas y columnas). Por esta raz6n, s6lo debe emplearse para comparar tablas del mismo tamaiio. > Elcoeficiente V de Cramer es una versién modificada del Coeficiente de corre! lacion Phi y se utiliza en tablas més grandes que 2x 2. En este caso, no existe un limite superior. Este coeficiente se obtiene al ajustar Phi al niimero de filas © al ndmero de columnas de Ia tabla, dependiendo de cual de los dos sea més pequeiio, oscilando de cero a uno. Unvvalor grande de V de Cramer sélo indica un alto grado de asociacién y no la forma en que las variables estén relacio. nadas, f190 Investigaclén de Mercados arpa ig AR fs + El estadistico tau bes el més adecuado para tablas cuadradas, donde son iguales el niimero de filas y el ntimero de columnas. Su valor oscila entre +1 (© y-1.Asi, se determinan la direceién (positiva o negativa) y Ta fuerza (cuanto se acerca el valor a 1) de la relacién. En el caso de una tabla rectangular donde el ntimero de filas es diferente del ntimero de columnas, se debe utilizar tau c. El estadistico gamma no hace ajustes para los empates ni para el tamafio de la tabla, Gamma también varia entre +1 y -1 y generalmente tiene un valor numérico mas grande que tau b 0 tau c. Analizados los diferentes estadisticos aplicados en la tabulacién cruzada, se consi- dera witil seguir los siguientes pasos en el andlisis de tablas de contingencia: © Poner a prueba la hipétesis nula (#7,) de no existencia de asociaci6n entre las variables por medio del estadistico Chi-cuadrado. Si no se rechaza la hipétesis nula (H,), entonces no existe relacion. > Si se rechaza H,, se debe determinar la fuerza de la asociacién utilizando un | estadistico apropiado (coeficiente Phi, coeficiente de contingencia, V de Cra- mer, coeficiente Lambda u otro estadistico). © Si se rechaza H,, se debe interpretar el patron de la relacién calculando los porcentajes en la direccién de Ja variable independiente por la variable depen- diente. © Si se trata a las variables més ordinales que nominales, se utiliza tau b, tau c, 0 gamma como estadistico de prueba. Si se rechaza H,, entonces se determina la fuerza de la asociacién utilizando la magnitud y la direccién de la relacién con el signo del estadistico de prueba.19 ‘Técnicas de andlisis de datos Prueba Chi-cuadrado La prueba Chi-cuadrado también puede apticarseen las no paraunétricas a una i variable de una muestra, Su objetivo consiste en comparar una distribucién de fre- cuencias obtenida de una muestra con una distribucién hipotética esperada en la poblacién, La distribucién esperada se propone en funci6n de las caracterfsti s de la poblacién, por ejemplo, cémo se distribuye un universo por profesiones en un drea de mercado. También se puede plantear la frecuencia esperada de la poblacién en funcién de los resultados de estudios realizados en el pasado con el fin de compro- bar si se mantiene Ia estructura anterior o si se han producido cambios. Prueba de Kolmogorov-Smirnov (K-S) A veces el investigador también pretende verificar si las observaciones de un varia- ble se ordenan en al, uniforme o de Poisson. ‘do ilquier Prueba de Mann-Whitney Cuando la diferencia en la ubicacién de dos poblaciones se va a comparar sobre la base de observaciones realizadas en dos muestras independientes y la variable se mide en una escala ordinal, puede utilizarse la prueba U de Mann-Whitney, Esta prueba es una alternativa aceptable a las pruebas t y z de dos muestras independientes Para variables no métricas o cuando la muestra es pequefia y no hay garantia de que Ja variable se distribuye como una normal, Test de la mediana Otra prueba no paramétrica de muestras independientes es la prueba o test de la mediana que se aplica a dos (o més) muestras que son inde| pendientes para conoc esas muestras son de poblaciones con la misma mediana. Test de Wilcoxon y de los signos Una prueba no paramétrica importante para examinar las diferencias de dos poblaciones relacionadas es la prueba de clasificaciones con signo y pares equiva- lentes de Wilcoxon. Este procedimiento analiza las diferencias entre relacionadas cuantificando el tamaiio de tales dife tancia 0 peso a la mayor diferencia, El test de los das, de manera que puede ser aplicado a estudios c las observaciones rencias y otorgando mayor impor- ignos requiere muestras relaciona- ‘on medida antes-después. Este test192 Investigacién de Mercados determina la direccién de las diferencias entre dos variables y es requisito importante que las variables sean independientes y la escala de medida ordinal en cada par. Coeficiente de correlacién no métrica El coeficiente de correlacién también puede ser calculado entre dos variables que no sean métricas. Las variables no métricas no tienen propiedades escalares de inter- valo o de raz6n y no asumen una distribucién normal. Si las variables no métricas son ordinales y numéricas se utiliza un coeficiente de correlacin de rangos. Existen varios coeficientes con este propésito pero los més empleados son la rho de Spear- man y la tau de Kendall, Estas medidas emplean rangos en vez de valores absolutos de las variables. Estos coeficientes oscilan entre 1, para una coincidencia perfecta entre las ordenaciones efectuadas y -1, si las ordenaciones son exactamente opuestas 8.4. Analisis de la varianza El andlisis de la varianza (ANOVA) es una herramienta apro- piada para explotar los datos provenientes de situaciones expe- rimentales, aunque también es aplicable a datos obtenido: mediante encuesta. s di Analisis de ta varianza (ANOVA): Técnica estadistica que sirve para examinar las diferencias entre las medias, de dos o més poblaciones. En el ANOVA se presentan diferentes situaciones 0 disefios, siempre para una variable dependiente (véase la Figura 8.5): © ANOVA con un factor o tratamiento (variable explicativa). Se utilizan disefios completamente aleatorios (one-way ANOVA), © ANOVA con varios factores o tratamientos (disefios factoriales). Puede res- ponder a un modelo factorial completo (considera los efectos de dos o més tra- tamientos junto con los efectos de sus interacciones), 0 a un modelo factorial incompleto (sélo se tienen en cuenta los efectos individuales de cada trata- miento, sin contemplar las interacciones). Este disefio también se denomina modelo de efectos principales. © Diseio por bloques. Ademés del tratamiento, existen otros factores que pueden tener una incidencia diferente. Esta circunstancia se corrige formando grupos homogéneds (bloques) en los que se miden los efectos de los distintos nivelesTécnicas de anilisis de datos ca) Ficura 8.5 MODALIDADES DEL ANALISIS DE LA VARIANZA Fuente: Adaptado de Malhotra (2010:532), del tratamiento. En este disefio se supone que no existe interacciGn entre los fac- ‘ores de tratamiento y los de bloque. Algunos ejemplos de disefios por bloques son: disefio aleatorio por bloques completo, disefio de medidas repetidas, disefio en cuadrado latino o disefio en cuadrado grecolatino, © Para comprobar los efectos de varias variables independientes sobre varias j bles dependientes con algiin grado de relacién entre éstas, se aplica un anilisis i multivariante de la varianza 0 MANOVA. > Sise incorpora una covariable, es decir, una variable independiente métrica que no se controla, pero incide en la dependiente (covarfa con ella), a este andlisis se Ie denomina ANCOVA para una variable independiente, 0 MANCOVA si j participan varias variables dependientes, 1 ‘ Si el conjunto de variables independientes esta compuesto de variables cate- B6ricas y métricas, a esta técnica se le denomina anilisis de la covarianza (ANCOVA). En este caso, las variables independientes categéricas también se denominan factores, mientras que las variables independientes métricas se denominan covariables,194 Investigacion de Mercados 8.5. Analisis multivariantes Las técnicas de andlisis multivariamtes analizan de forma ‘Teenicas souttivartantes: simulténea la relaci6n existente entre diversas variables. Debido al amplio nimero de métodos de andlisis multivariantes existentes y con el objetivo de contribuir a la seleccién de la técnica mds ade- simulténeas entre dos 0 . A 7 mas variables, cuada a emplear en cada estudio de mercado, es conveniente dis- poner de una clasificacién de los métodos disponibles (Hair er al., 2009). Se utilizan generalmente tres criterios de clasificacién. © En primer lugar, se determina la posible distincién entre las variables utilizadas en el anilisis, dando lugar a métodos de dependencia o de interdependenci + Los métodos de dependencia diferencian entre variables explicativas, inde- pendientes 0 predictivas y variables a explicar o dependientes. En este caso, son técnicas de cardcter explicativo como el andlisis de la varianza, el an- lisis discriminante o el andlisis de regresién (véase la Figura 8.6). + Los métodos de interdependencia, por el contrario, no realizan una distin- cidn entre variables, donde ninguna variable o grupo de variables se define como dependiente 0 independiente. El procedimiento implica el andlisis de todas las variables simulténeamente. Estos métodos son descriptivos, de forma que su utilidad reside en su habilidad para sintetizar informaci6n, mos- trar la estructura de los datos o establecer clasificaciones. El andlisis factorial y el andlisis cluster son tipos de andlisis de interdependencia, = En segundo, se determina la escala de medida de las variables. Asf, se distin- gue entre andlisis que requieren variables con escala métriea y anilisis donde las variables © El tltimo criterio considera el nimero de variables que se analizan simulténe- amente. En el caso de los métodos de interdependencia, el nimero de’ variables a considerar estaré limitado por las posibilidades del programa de tratamiento de datos utilizado y por los planteamientos re de la investigacién.395 ‘Técnicas de andlisis de datos Ficura 8.6 TECNICAS MULTIVARIANTES DE DEPENDENCIA SEGON TIPOS DE ESCALA AN aed — 8.5.1. Analisis factorial El andlisis factorial comprende diferentes métodos que permiten examinar la estructura subyacente en un conjunto de variables y condensar la informacién que contienen mediante las dimensiones fundamentales y, por tanto, simplificando lng relaciones existentes entre las variables observables. Sus dos aplicaciones funda. mentales son: Simplificar un conjunto de datos reduciendo el nmero de variables al elimi- nar redondancias, ya que las variables iniciales'pueden estar midiendo las mie, mas caracteristicas, racci6n de varios atributos. La utilizacién del andlisis factorial se resume en dos té fl irminos clave: interpretar, lave: reducir e196 Investigacién de Mercados © Al reducir, se identifican las dimensiones principales de un elemento, consi- guiendo representarlo con un menor y més operativo numero de variables nue- vas (factores o factores latentes) que se describen por las observadas y son com- binaciones lineales de las anteriores. > La interpretacién de los conceptos que subyacen entre las variables observa- das mejora el conocimiento sobre el elemento analizado. Ademés, el andlisis factorial tiene numerosas aplicaciones en la investigacién de mercados, des- tacando las siguientes: + Determinar los atributos de una marca que influyen en Ja eleccién del con- sumidor, + Entender los habitos de consumo de los-mercados objetivo. * Estudios de asignacién de precios para identificar las caracteristicas de los, consumidores sensibles a los precios, + Comportamiento de uso de los medios de comunicacién del publico objetivo. + Segmentaci6n del mercado para identificar las variables subyacentes en que se agrupan los clientes. 8.5.2. Analisis cluster En ocasiones, es necesario identificar perfiles de comporta- miento para encontrar grupos de consumidores con caracteris propésitoes ormargupes | ficas afines, utilizando para ello el anélisis cluster. El andlisis apartrdeun conjunto de | cluster designa a un conjunto de técnicas cuyo propésito es for- elementos mar grupos a partir de un conjunto de elementos. Estos grupos deben estar compuestos por elementos similares 0 parecidos (homogeneidad interna) y al mismo tiempo que sean diferentes entre los diversos gru- pos (heterogeneidad de grupos). Esta técnica también puede ser denominada andlisis de conglomerados. Andlisis cluster Conjunto de técnicas cuyo Existe un amplio ntimero de alternativas disponibles para proceder a la agrupacién. En general, se distinguen tres grupos de procedimientos de agrupacién: métodos disjuntos, métodos no disjuntos y métodos borrosos (fuzzy sets). © En los métodos disjuntos cada individuo analizado es asignado exclusiva- ‘mente a un grupo, no pudiendo pertenecer simulténeamente a més de un grupo. > Por el contrario, los métodos no disjuntos permiten que un individuo pueda Pertenecer a més de un grupo. Estos métodos se clasifican en: procedimientos Jerarquicos y no jerarquicos. ‘® Por titimo, los métodos borrosos (fuzzy sets) indican la mayor o menor cerca: nfa de un individuo a un grupo determinado. Sin embargo, el punto de partida ee “iy Técnicas de andlisis de datos 197 es similar a los métodos no disjuntos, ofreciendo la posibilidad de pertenecer a mis de un segmento de mercado. Métodos jerérquicos de agrupacién En estos métodos, la formacién de grupos constituye un proceso secuencial que se representa grificamente a través de dendogramas y diagramas de témpanos. Dada una poblacién, el propdsito consiste en establecer una jerarquia de partes, delimitando un mimero de subconjuntos de forma que entre ellos no tengan elementos comunes (sean isjuntos) y que cada subconjunto esté incluido en otro (jerarquia). El mimero de gru- pos identificados depende de Ia secuencia considerada. Dentro de los procedimientos Jerdrquicos se distingue entre métodos ascendentes y descendentes. + Los métodos ascendentes 0 asociativos comienzan con tantos grupos como indi- viduos. Se van formando grupos entre los individuos més parecidos segiin un determinado criterio y termina con un solo grupo que integra a todos los ele- mentos de Ia poblacién. Entre los métodos jerfirquicos ascendentes existen diver- sos criterios 0 reglas para determinar cémo se forman los grupos. Los proced mientos més utilizados son: distancias mfnimas, distancias méximas, distancias medias (ponderadas y sin ponderar), método del centroide y criterio de Ward. + Los métodos descendentes, denominados métodes disociativos o divisivos, adoptan el esquema opuesto, parten del conjunto poblacional y se va dividiendo cn subconjuntos, de acuerdo con un determinado criterio, hasta llegar a cada ele- mento individual. El algoritmo de Howard-Harris es un procedimiento de tipo descendente, formando grupos a partir de otros y de forma secuencial utilizando el criterio de minimizar Ja varianza intragrupos en cada subdivisiGn. Este pro- cedimiento es adecuado para grandes muestras, En general, los métodos jerdrquicos tienen dos inconvenientes. Por un lado, existe cierta dificultad en Ja interpretaci6n visual de los dendogramas cuando el tamafio de Ja muestra es elevado. Por otro, una vez que un individuo pertenece a un cluster, no se cuestiona su asignacién en el proceso de célculo posterior. Métodos no jerarquicos A partir de un niimero de individuos, es necesario formar grupos, siendo el nimero de grupos determinado a priori por el investigador. Para ello, se guia por sus conoci. Iientos, experiencias y por los resultados de los métodos jerérquicos que ayudan a identificar un mimero justificado de grupos. Es necesario determinar u librado de grupos, repitiendo el andlisis por procedimientos distintos 0 de grupos diferente. in niimero equi- con un numero Para los métodos no jerérquicos el niimero de grupos se establece a priori, mien- tras que en los métodos jerdrquicos se decide « posteriori. Los métodos no jerdrqui. os también se denominan de k-medias y se distinguen tres tipos: umbral secuencial198 Investigacién de Mercados umbral paralelo y procedimiento de divisién éptima. Dos grandes desventajas de los pro- cedimientos no jerérquicos son la necesidad de especificar de antemano el nimero de conglomerados y la arbitrariedad en la seleccién de los centros de los conglomerados. Ademiés, los resultados de la agrupaci6n depende de la forma en que se eligen los centros. Es recomendable el uso conjunto de los procedimientos jerérquicos y no jerdrqui- cos para que las conclusiones obtenidas tengan una mayor garantfa. Por ejemplo, como los procedimientos k-medias tienen su principal problema en Ja delimitacién a priori del némero de grupos, se aconseja utilizar inicialmente algtin método jerdrquico para su identificacién, 8.5.3. Analisis discriminante E] andlisis discriminante es una técnica multivariante de dependencia que es apli cada nante se considera una técnica de reduccién de datos, ofteciendo un andlisis de los factores que contribuyen a las diferencias entre los grupos a través del desarrollo de un niimero de funciones discriminantes, Los objetivos del andlisis discriminante son los siguientes: > Desarrollar funciones o combinaciones lineales de variables independientes, capaces de discriminar o separar grupos de individuos definidos por una varia. ble dependiente. Los grupos de la variable dependiente serén mutuamente excluyentes. ©> Examinar si hay diferencias significativas entre los grupos en funcidn de las variables predictivas. > Determinar qué variables predictivas contribuyen més a las diferencias entre grupos. © Clasificar los casos en uno de los grupos con relacién a los valores de las varia- bles predictivas, © Evaluar la precisién de la clasificacién. Las téonicas de andlisis discriminante se pueden clasificar segtin el ntimero de cate- gorfas de la variable dependiente, Cuando ésta tiene dos categorias, la técnica se conoce como anilisis discriminante de dos grupos o simple (por ejemplo compra. dotes 0 no de un producto). Cuando hay tres o més categorias, la técnica se conoce como andlisis discriminante miiltiple, La principal diferencia entre ambos est en el nimero de funciones discriminantes a obtener. En el caso del andlisis discriminante de dos grupos, se obtiene s6lo una funcién, mientras que en el andlisis discriminante ml tiple se puede obtener més de una funcién.Técnicas de anslisis de datos 8.5.4. Anilisis de regresion estadistica utilizada anélisis de regresi6n es una técn E] andlisis de regresién es un proce- dlimiento fundamental en el andlisis de datos, tanto por su propia utilidad intrinseca como por servit de apoyo para otras técnicas. A continuacisn, se describen los objeti- os que se pretenden conseguir con el anilisis de regresi6n: > Comprobar si las variables independientes explican una variacién significa tiva en la variable dependiente y conocer la existencia de un: © Determinar e] nivel de variacién de la variable dependiente que puede expt nie las variables independientes. y comprobar la fuerza de Ia rela- a relacisn, carse medi cién © Determinar Ja estructura 0 forma de la relacién, es decir, la ecuacion mate~ matica que relaciona Jas variables independientes con Ja dependiente, de la variable dependiente y realizar simulaciones. © Predecir los valores © Verificar hipétesis deducidas de la teoria analizada. 8.5.5. Analisis conjunto El andlisis conjunto es una herramienta de investigacién comercial que mide el efecto conjunto de diversas variables independientes (explicativas) que son nor- malmente nominales sobre el orden o preferencia de la variable explicada, que puede ser ordinal 0 métrica. La principal aplicacién de esta técnica es 1a proporcién de informacién cuanti- tativa sobre el sistema de valores que tiene un decisor a partir de una ordenacién de preferencias sobre productos alternativos con distintos niveles de atributos. El andlisis conjunto se utiliza con distintos propésitos en Marketing, entre los que destacan: © Determinar Is importancia relativa y utilidad de los atributos que caracteri- zan un producto en el proceso de eleccién del consumidor. © Calcular la participacién en el mercado de marcas que difieren en los niveles de atributos. © Determinar la compasicién de la marca preferida. Teniendo como referencia gue las caracteristicas de la marca varfan en funcién de los niveles de los atri- butos y las utilidades determinadas. Las caracteristicas de la marca que generen la mayor utilidad indican la mejor composicién de la marca preferida, ab ie a ae i es i200 Investigacién de Mercados © Segmentar el mercado segiin la semejanza de las preferencias por los niveles de atributos. La informacién obtenida para la utilizacién de esta técnica procede de las evalua- ciones que hacen los consumidores de marcas y productos formados por una serie de atributos y diferentes niveles. Los consumidores evaltian los estimulos presentados en términos de su conveniencia, Los procedimientos conjuntos tratan de asignar valores a los niveles de cada atributo, de manera que los valores resultantes 0 las utilidades atribuidas a los estimulos concuerden con las evaluaciones iniciales proporcionadas por los encuestados.201 Técnicas de andlisis de datos Resumen _¢° Una vez recogides los datos necesarios, para concluir con el proceso de investiga- cién, el investigador dispone de una serie de téenicas de andlisis para examinar las variables objeto de estudio y extraer las conclusiones més adecuadas al problema planteado, La utilizacién de una técnica de andlisis adecuada es importante para evi- lar errores y reflejar fielmente la realidad objeto de estudio. Dentro de las técnicas de andllisis se incluyen técnicas univariantes, técnicas biva- riantes y técnicas multivariantes. Las técnicas univariantes permiten analizar las variables, medidas a partir de una muestra, de forma aislada del resto con técnicas de medida de tendencia central, dispersién y/o deformacién. Cuando el objetivo es analizar dos o mas variables de forma simulténea son mas adecuadas Jas técnicas bivariantes y multivariantes. Las técnicas bivariantes son apropiadas cuando se pretende analizar la relacién y asociacin entre dos variables. Permiten la verificacién 0 contraste de hipétesis mediante un proceso secuencial y procedimientos paramétricos y no paramétricos. E] anilisis de la varianza puede considerarse tanto una técnica bivariante como multivariate al comprobar si existen diferencias entre las medias de dos o més pobla- ciones. Las técnicas multivariantes se utilizan cuando el objetivo es analizar la relacién entre distintas variables dependientes e independientes. Este tipo de técnicas pueden clasificarse en técnicas de dependencia o interdependencia, destacando los andlisis factorial, cluster, discriminante, regresién y conjunto, Glosario de Términos Y Técnicas univariantes ¥ Técnicas bivariantes 7, Hipotesis Tablas de contingencia Chi-cuadrado ¥ Anélisis de la varianza (ANOVA) ¥ Técnicas multivariantes Anilisis cluster202 Investigacion de Mercados Caso practico Estudio de mercado Estrella Ofaz Sanchez y David Martin-Consuegra Navarro Se ha tealizado un estidio de mercado enire'un reducido némero de consiini- . dores para conocer su opinién sobre el servicio de un restanrante. ET cuestionario inclufa preguntas § ‘sobre lu satisfaccién con el servicio recibido (S), su lealtad al esta~. lecimiento, (L) y, si intencién de recamendacién a sus amigos y familiares (R), “-vPara thedir-¢stas tres variables se ha utilizedo una escala Likert de’ 11 posicio- | nes (0 = Nada, 10 = Todo). Ademés, el cuestionario recoge algunos datos sociode- ee y de cons para clasificar a la‘muestra como:el género @yel isitan ‘él ‘eétablecimiento © frecuencia (F). La variables del ‘géneto 'y los Vallo-. IS 'que visita el Testaurante pocas veces)‘Técnicas de andlisis de datos Términos a recordar Medidas de tendencia central. Medidas de dispersi6n. Medidas de deformacién. Variable dependiente e independiente. Técnicas de dependencia. ‘Técnicas de interdependencia. o a Preguntas de discusién Debatir sobre la mejor técnica de anilisis dependiendo de la escala de medida utilizada en un cuestionario. 2. Comentar les diferencias entre un andlisis de la vasianza y una comparacién de medias. 3. ;Cuéntas variables se deben incluir como méximo en una tabla de contin: gencia? cS } Buscar ejemplos en Internet de resultados de estudios de mercado y comen- tarlos. 5. Discutir la utilidad del andlisis cluster.204 Investigacion de Mercados Test de autoevaluacién 1. {Qué medida de tendencia central debe utilizarse con una escala ordi- nal? a) Media b) Moda. c) Mediana. d) Deviacién tipica. e) Varianza. 2. Una describe 1a distribu- cién de frecuencias de dos o mas variables de forma simult4nea. a) Chi-cuadrado. b) Tabla de contingencia. c) Desviaci6n tipica. d) Asimetria. ) Comparativa de medias. y {Cuél de los siguientes test no es una prueba no paramétrica? a) Kolmogorov-Smirnov. b) Mann-Whitney. ©) Wilconox. 4) Binomial. e) Todas las anteriores son pruebas no paramétricas. 4, La técnica para comparar diferen- cias entre las medias de dos 0 mas poblaciones es: a) ANOVA. b) ANCOVA. c) MANOVA. d) MANCOVA. e) Ninguna de las anteriores. ____8e utiliza para clasificar individuos, objetos 0 casos en gru- pos homogéneos. a) El anilisis factorial. b) El andlisis cluster ©) El andlisis de la varianza. d) El andlisis de correlaciones. e) La distribucién de frecuencias.Técnicas de andlisis de datos 205 Referencias bibliograficas Esrepan, A.; GARCIA DE MADARIAGA, J.; NARROS, M. J.; OLARTE, C.; REINARES, E. M- y Saco, M. (2008): Principios de Marketing, ESIC Editorial, Madrid. Grane, I. y ABASCAL, E. (2011): Fundamentos y técnicas de investigacién comercial, ESIC Editorial, Madrid. Hair, J. FE; BLack, W. C.; Basin, B. J. y ANDERSON, R. E. (2009): Multivariate Data Analysis, Prentice Hall, New Jersey. MALHOTRA, N. K. (2010): Marketing Research: An Applied Orientation, Pearson, New Jersey,