INVESTIGACION DE MERCADO 2

UNIDAD 1: INVESTIGACIÓN CUALITATIVA – DISEÑO DE CUESTIONARIOS

CUESTIONARIO

Técnica estructurada para recolección de datos que consiste en una serie de preguntas, orales o escritas,
que responden los encuestados.

PROCESO DE DISEÑO DE UN CUESTIONARIO

1. Especificar la información que se necesita: Que info necesito, cuáles son los objetivos del
cuestionario, relacionado con los primeros dos pasos del proceso de investigación de mercado.
2. Especificar el tipo de entrevista: El método de contacto y recolección puede influir en el diseño
del cuestionario.

Tipo de Encuesta Efecto

Personal El participante interactúa con el encuestador y ve el cuestionario. Pueden
plantearse preguntas largas y complejas.
Telefónica El participante interactúa con el encuestador, pero no con el cuestionario. Las
preguntas deben ser cortas y sencillas.
Correo Son autoadministradas. Las preguntas deben ser sencillas y tienen que darse
instrucciones detalladas.
Internet, CAPI y CATI Pueden incluirse patrones de salto complejos y orden aleatorio de preguntas
o categoría para eliminar el sesgo de orden.

3. Determinar el contenido de las preguntas individuales: ¿Es necesaria la pregunta?, se necesitan

varias preguntas en vez de una? Preguntas dobles: pregunta que busca cubrir dos termas. Son
confusas y llevan a respuestas ambiguas.
4. Diseñar las preguntas para superar la incapacidad y la falta de disposición del encuestado para
responder:

Superar la incapacidad de responder:

o ¿El encuestado esta informado? Pregunta filtro: esta al inicio del cuestionario y filtran a
los participantes para asegurarse de que cumplan con los criterios de inclusión.
o ¿El encuestado puede recordar? La incapacidad da errores por omisión. Abreviación:
fenómeno psicológico que tiene lugar cuando un individuo abrevia o comprime el
tiempo, al recordar un evento como si hubiera recurrido más recientemente de lo que
en realidad ocurrió.

Superar la renuencia a responder:

o El esfuerzo pedido a los encuestados debe minimizarse.

o Contexto: algunas preguntas pueden parecer adecuadas en ciertos contextos, pero en
otros no.
 o Propósito legitimo: explicar porque se le hacen ciertas preguntas que podrían no estar
directamente relacionadas con el propósito del estudio hace que la petición parezca
legitima.
o La información delicada incluye: dinero, vida familiar, política, religión, accidentes o
delitos. Formas de revelar temas delicados: Al final del cuestionario, establecer que la
conducta de interés es común comenzando con una afirmación que lo indique.

5. Decidir la estructura de las preguntas:

Preguntas no estructuradas: Preguntas abiertas que los encuestados responden con sus propias
palabras. Preguntas estructuradas: preguntas que especifican el conjunto de respuesta y su formato.

Consideraciones sobre preguntas cerradas:

- Escala: esquema para asignar números con el objetivo de designar características de una
variable.
- Pregunta dicotómica: Pregunta estructurada con solo dos alternativas de respuesta, por
ejemplo, sí y no.
- Preguntas de opción múltiple, respuesta única.
- Preguntas de opción múltiple, respuesta múltiple.
- Sesgo del orden o la posición: tendencia a marcar una alternativa por estar listada en cierto
orden.

6. Determinar la redacción de las preguntas:

o Definir el tema: una pregunta debe definir con claridad el tema abordado.
o Usar palabras comunes: deben usarse palabras comunes que coincidan con el nivel de
vocabulario de los encuestados.
o Evitar palabras ambiguas: las palabras usadas en un cuestionario deben tener un solo
significado que sea conocido por los encuestados.
o Evitar preguntas inductoras o sesgadas: se trata de preguntas que dan al encuestado
una señal de cuál es la respuesta deseada o que lo lleva a contestar de cierta manera.
o Evitar las alternativas explicitas: es decir, alternativas que no se expresan de forma
explícita.
o Evitar las suposiciones explicitas: es decir, la info necesaria que no está planteada en la
pregunta.
o Evitar generalización y estimaciones: las preguntas deben ser específicas, no generales.
Deben redactarse de manera que los encuestados no tengan que hacer generalizaciones
o estimaciones.
o Utilizar enunciados positivos y negativos: en escalas se recomienda utilizar enunciados
dobles (positivos y negativos), para que la respuesta no se vea influenciada por un sesgo
de la dirección del enunciado.

7. Organizar las preguntas en el orden adecuado.

Las preguntas iniciales deben ser interesantes, sencillas y no intimidatorias:

 - Las preguntas que piden a los encuestados sus opiniones pueden ser buenas al principio, porque
la mayoría de la gente le gusta expresar sus puntos de vista.
- Cuando se necesita filtrar o calificar a los encuestados, las preguntas filtro y de clasificación
sirven como preguntas iniciales.

Tipo de información:

- Información de clasificación: característica socioeconómicas y demográficas que se utilizan para

clasificar a los encuestados.
- Información de identificación: tipo de información obtenida en un cuestionario que incluye
nombre, dirección electrónica y número de teléfono.

Preguntas difíciles:

- Las preguntas difíciles (las que son delicadas, vergonzosas, complicadas o aburridas) deben
colocarse al final de la secuencia.

Efecto sobre las preguntas posteriores: las preguntas hechas al inicio de una secuencia pueden influir en
las respuestas a las preguntas posteriores.

- Enfoque de embudo: estrategia para el ordenamiento donde la secuencia empieza con

preguntas generales, que van seguidas por preguntas cada vez más específicas, para impedir
que estas sesguen las preguntas generales.

Orden lógico: Las preguntas deben ordenar por temas y usar frases de transición al cambiar de tema.

- Preguntas ramificadas: preguntas que guía al encuestado, dirigiéndolo a diferentes puntos del
cuestionario, dependiendo de sus respuestas.

8. Identificar el formato y el diseño: El formato, el espaciamiento y la ubicación de las preguntas

pueden tener un efecto significativo en los resultados, principalmente para los cuestionarios
auto aplicados.
9. Reproducir el cuestionario: Codificación previa: al diseñar un cuestionario, se asigna un código a
cada respuesta posible antes de recabar los datos.
10. Eliminar errores mediante pruebas previas: Prueba piloto: probar el cuestionario en una
pequeña muestra de encuestados, con la finalidad de mejorarlo mediante la identificación y
eliminación de problemas potenciales.

TRABAJO DE CAMPO

1. Selección de los trabajadores de campo.

2. Capacitación de los trabajadores de campo: Familiarícese con el cuestionario; Haga las
preguntas en el orden en que aparecen en el cuestionario; Utilice los términos precisos que
aparecen en el cuestionario; Siga las instrucciones y patrones de salto, haga sondeos con
cuidado; Lea despacio cada pregunta; Repita las preguntas que no se entiendan; Haga todas las
preguntas pertinentes; Realizar un sondeo (inducir a los encuestados a ampliar, aclarar o
 explicar sus respuestas, y ayudarlos a que se concentren en el contenido especifico de la
entrevista).
- A la hora de registrar las respuestas: registre las respuestas durante la entrevista, usa las
palabras del encuestado, no resuma ni parafrasee las respuestas de los encuestados,
Incluya todo lo que sea pertinente a los objetivos de la pregunta, incluya todos los
sondeos y comentarios, repita la respuesta tal como está escrita.
3. Supervisión de los trabajadores de campo: Control de muestreo: Aspecto de la supervisión que
asegura que el entrevistador sigue en forma estricta el plan de muestreo, en vez de elegir las
unidades de muestre porque son convenientes o son accesibles.
4. Validación del trabajo de campo
5. Evaluación de los trabajadores de campo: Costo y tiempo, tasa de respuesta, calidad de la
entrevista, calidad de los datos.

UNIDAD 2: MEDICIÓN Y ESCALAMIENTO

Medición: La asignación de números u otros símbolos a características de objetos de acuerdo con ciertas
reglas preestablecidas. Es el hecho de asignar números y símbolos de acuerdo a ciertas reglas.

Escalamiento: Generación de un continuo sobre el que se localizan los objetos medidos. La escala mide
un constructo a partir de variables.

ESCALAS DE MEDICION

 Escala nominal: Escala cuyos números sirven sólo como etiquetas o rótulos para identificar y
clasificar objetos con una estricta correspondencia de uno a uno entre los números y los
objetos. Por ejemplo, género. Etiquetas para clasificar objetos.
 Escala ordinal: Escala de clasificación en la cual se asigna números a los objetos para indicar la
medida en que se posee una característica. Esto permite determinar si un objeto tiene más o
menos de una característica que otros objetos. Por ejemplo, máximo nivel de estudios
alcanzado. Nominales + tienen un orden.
 Escala de intervalo: Se utilizan los números para calificar objetos, de tal forma que las distancias
numéricamente equivalentes en la escala representan distancias equivalentes en la
característica medida. Por ejemplo, nivel de satisfacción. Ordinales + categorías equidistantes
que representan la distancia real de lo que se mide.
 Escala de razón: La escala más alta. Permite al investigador identificar o clasificar objetos,
jerarquizarlos, y comparar los intervalos o las diferencias. También es significativo calcular
razones de los valores de la escala. Por ejemplo, cantidad de productos comprados. Intervalo +
Existe un cero absoluto.

TECNICAS DE ESCALAMIENTO Y CLASIFICACION DE LAS MISMAS

Escalas comparativas: Hay una comparación directa de los objetos estímulo entre sí.
  Comparación pareada: Se muestran al encuestado dos objetos al mismo tiempo, y se le pide que
elija uno de acuerdo con ciertos criterios. Los datos obtenidos son de naturaleza ordinal.
Transitividad de la preferencia: Si se prefiere A sobre B y B sobre C, entonces A se prefiere sobre
C. Convierte comparaciones pareadas en rangos ordenados.
 Rangos ordenados: Se presentan simultáneamente varios objetos a los encuestados, y se les
pide que los ordenen o clasifiquen de acuerdo con ciertos criterios.
 Suma constante: Requieren que los encuestados distribuyan una suma constante de unidades
como puntos, dólares, vales, engomados o fichas, entre un conjunto de objetos estimulo con
respecto a un criterio. Distribuye una suma constante entre la opciones que tienen para elegir.
 Clasificación Q: utiliza el procedimiento de rangos ordenados, para clasificar objetos en función
de su similitud con respecto a cierto criterio que tenga en particular. Ejemplo: se presentan a los
encuestados 100 afirmaciones y las tienen que agrupar en 11 filas que van de “completamente
de acuerdo” a “completamente en desacuerdo”.

Escala no comparativa: Una de las dos técnicas de escalamiento, en donde cada objeto estimulo se
escala independientemente de los otros objetos del conjunto de estímulos.

 Escalas de clasificación continua: También conocida como escala de clasificación gráfica, los
encuestados clasifican los objetos poniendo una marca en la posición apropiada sobre una línea
que va de un extremo a otro de la variable de criterio.
 Escalas de clasificación por ítems/reactivos: escala de medición que asocia número y/o
descripciones breves con cada categoría. Las categorías están ordenadas en términos de la
posición de la escala.
 Likert: escala de medición con cinco categorías de respuesta que van de “totalmente de
acuerdo” a “totalmente en desacuerdo”, lo cual requiere que los encuestados indiquen
el grado de acuerdo o desacuerdo con cada una de las afirmaciones relacionadas con los
objetos estimulo.
 Diferencial semántico: escala de clasificación de 7 puntos cuyos extremos están
asociados con etiquetas bipolares (totalmente diferentes) que tienen carácter
semántico (con atributos).
 Stapel: Escala para medir actitudes que consiste en un solo adjetivo en el centro de un
rango de valores de números pares, de -5 a +5, sin un punto neutral (cero).

DECISIONES SOBRE ESCALAS NO COMPARATIVAS DE CLASIFICACION POR ITEM:

 El número de categorías que se usara en la escala: Se sugiere entre 5 y 9 categorías.

 Escala balanceada o no balanceada: Una escala balanceada es una escala con un número igual
de categorías favorables y desfavorables.
 Numero par o no de categorías.
 Elección forzada o no forzada: Una escala de clasificación forzada obligada a los encuestados a
expresar una opinión porque no ofrece la opción de “sin opinión” o “no sabe”. Una escala no
forzada mejora la precisión de los datos.
 La naturaleza y el grado de la descripción verbal.
 La forma física de la escala: deben probarse opciones y seleccionar la mejor.
INTENCION DE COMPRA

La escala de intención de compra se utiliza para estimar la elección (compra) por el consumidor de
productos de consumo duraderos y de adquisición frecuente. Se les pide a los consumidores emitir un
juicio subjetivo de su probabilidad de comprar un nuevo producto. Nos permiten dar un juicio objetivo
sobre algo.

NET PROMOTER SCORE (NPS)

Indicador que mide la predisposición a la recomendación de los clientes basándose en las potenciales
recomendaciones.

 En líneas generales, en NPS positivo es bueno y uno mayor a 50% es excelente.

 Se construye con la siguiente formula: NPS = % De promotores - % de detractores.
 Son detractores quienes contestaron 6 o menos, y son promotores quienes contestaron 9 y 10.

CUSTOMER EFFORT SCORE (CES) y CUSTOMER SATISFACTION SCORE

Cuanto se tuvo que esforzar el cliente para resolver un problema y Cuan satisfecho se encuentra con el
servicio.

DESARROLLO DE UNA ESCALA DE REACTIVOS MULTIPLES

1. Desarrollar una teoría.

2. Generar un conjunto inicial de reactivos: teoría, datos secundarios e investigación cualitativa.
3. Seleccionar un conjunto reducido de reactivos con base en un criterio cualitativo.
4. Recabar datos del pretest aplicado a una muestra grande.
5. Realizar análisis estadístico.
6. Desarrollar una escala depurada.
7. Recabar más datos de una muestra diferente.
8. Evaluar la confiabilidad, validez y capacidad de generalización de la escala.
9. Preparar la escala final.

ERROR DE MEDICION

La variación en la información buscada por el investigador y la información generada por el proceso de

medición empleado.

Fuentes potenciales de error:

 Características relativamente estables del individuo que influyen en la clasificación de la prueba,

como la inteligencia.
  Factores personales transitorios o de corto plazo, como salud.
 Factores situacionales como la presencia de otras personas, ruidos.
 Muestreo de los reactivos incluidos en la escala: adicción, eliminación o cambios en los reactivos
de la escala.
 Falta de claridad de la escala.
 Factores mecánicos como una mala impresión.
 Aplicación de la escala, como diferencias entre los entrevistadores.
 Factores de análisis, como el análisis estadístico.

ERROR SISTEMATICO Y ALEATORIO:

- Error sistemático: afecta la medición de manera constante y representa factores estables que
afectan la clasificación observada de la misma manera cada vez que se hace la medición.
- Error aleatorio: surge de cambios aleatorios, diferencias en los encuestados o situaciones de
medición. Es más peligroso el error aleatorio porque no sabes por donde puede salir; el
sistemático se puede corregir.

EVALUACION DE LAS ESCALAS

Confiabilidad: grado en que la escala produce resultados consistentes si se realizan mediciones

repetidas de la característica. Tiene alta confiabilidad y bajo error aleatorio. Se divide en:

 Test-retest: Capacidad del mismo instrumento para producir resultados congruentes cuando se
lo usa una segunda vez en condiciones equivalentes.
 Formas alternativas: Capacidad de dos formas alternativas (similares) de un instrumento de
producir resultados estrechamente correlacionados.
 Consistencia interna: Evaluación de la confiabilidad del instrumento cuando se suma un
conjunto de reactivos para obtener una clasificación total de la escala. Dos formas de medir:
 Confiabilidad de división por mitades: los reactivos que constituyen la escala se dividen
en dos mitades y se correlacionan las puntuaciones resultantes de cada mitad.
 Coeficiente Alfa de Cronbach: es el promedio de todos los coeficientes posibles de
división por mitades que resultan de las diferentes maneras de dividir los reactivos de la
escala. Varía entre 0 y 1. 0,75 para arriba es satisfactorio (el libro dice 0,6).

Validez: grado en que las diferencias en las puntuaciones obtenidas en la escala reflejan diferencias
verdaderas entre los objetos en las características medidas más que errores sistemáticos o aleatorios.

 Validez de contenido: evaluación subjetiva pero sistemática de la representatividad del

contenido de una escala para la tarea de medición actual. Grado en que un instrumento refleja
un dominio especifico de contenido de lo que se mide. El conjunto de reactivos debe incluir
todos los aspectos o dimensiones relevantes del fenómeno.
  Validez de criterio: examina si la escala de medición se desempeña según lo esperado en
relación con las otras variables seleccionadas como criterios significativos. Se basa en criterios
externos, como otros instrumentos, variables, constructos, etc.
 Validez de constructo: Grado en que el instrumento representa y une lógicamente, vía la teoría
subyacente, el fenómeno observado con el constructo. Es muy compleja de medir: coherencia
con el marco teórico, estructura del cuestionario (análisis factorial exploratorio y confirmatorio).
Incluye:
 Validez convergente: Mide el grado en que la escala se correlaciona positivamente con
otras medidas del mismo constructo. Converge con lo que está relacionado al
constructo.
 Validez discriminante: evalúa el grado en que una medida no se correlaciona con otros
constructos de los que se supone debe diferir.
 Validez nomológica: Evalúa la relación entre constructos teóricos. Busca confirmar
correlaciones significativas entre los constructos según lo pronosticado por la teoría.

Capacidad de generalización: Es el grado en que un estudio basado en una muestra se aplica a un

universo de generalización. La confiabilidad test-retest permite entender si los resultados de una
muestra son generalizables al universo, pero no puede asegurar la generalización de la escala a otros
universos.

CONFIABILIDAD Y VALIDEZ

 Si es perfectamente válido, entonces es perfectamente confiable.

 Si no es confiable, tampoco es perfectamente válido.
 Si es perfectamente confiable puede ser o no perfectamente valida, porque puede haber un
error sistemático.

Modelo de clasificación verdadera: Modelo matemático que ofrece un marco para entender la exactitud
de la medición. Ayuda a entender el error. La clasificación tiene que ser igual a la suma de la clasificación
verdadera, el error sistemático y el aleatorio.

UNIDAD 3: MUESTREO

PROCESO DE DISEÑO DEL MUESTREO

1. Definir la población meta.

2. Determinar el marco de muestreo:

Marco del muestreo: Representación completa de los elementos de la población meta. Consiste en un
listado o conjunto de instrucciones para identificar a la población meta. Listado completo de todas las
personas de una forma efectiva de ubicarlas.

3. Seleccionar la técnica de muestreo:

Clasificación de las técnicas de muestreo:

 No probabilístico: Técnica de muestreo que no usan procedimientos de selección al azar, sino

que se basan en el juicio personal del investigador. No hay marco muestral.
o Por conveniencia (incidental): Técnica de muestreo no probabilístico que busca obtener
una muestra de elementos convenientes (más cerca). La selección de las unidades de
muestreo se deja principalmente al entrevistador.
o Muestreo por juicio (intencional): Forma de muestreo por conveniencia en que los
elementos de la población se seleccionan de forma deliberada con base en el juicio del
investigador.
o Por cuotas: Muestreo por juicio restringido de dos etapas. La primera etapa consiste en
desarrollar categorías de control o cuotas de elementos de la población. En la segunda
etapa, se seleccionan los elementos de la muestra con base en la conveniencia o el
juicio.
o Bola de nieve: Se selecciona al azar al grupo inicial de encuestados. Los posteriores se
seleccionan con base en las referencias de los encuestados iniciales. Pueden realizarse
olas para obtener referencias de las referencias. Se utiliza para muestras muy
específicas y difíciles de alcanzar.
 Probabilístico: Procedimiento de muestreo donde cada elemento de la población tiene una
oportunidad probabilística fija para ser elegido en la muestra.
o Muestreo aleatorio simple (MAS): Técnica de muestreo probabilístico donde cada
elemento de la población tiene una probabilidad de selección equitativa y conocida.
Cada elemento se selecciona de manera independiente a los otros elementos y la
muestra se extrae mediante un procedimiento aleatorio del marco de muestreo.
o Muestreo sistemático: Técnica de muestreo probabilístico en que la muestra se elige
seleccionando un punto de inicio aleatorio, para luego elegir cada k elemento en
sucesión del marco de muestreo. k = N/n; punto inicial entre 1 y k.
o Muestreo estratificado: Usa un proceso de dos pasos para dividir a la población en
subpoblaciones o estratos mutuamente excluyentes u y colectivamente exhaustivos. Los
elementos se seleccionan de cada estrato mediante un procedimiento aleatorio.
o Por conglomerados: Primero se divide a la población meta en subpoblaciones
mutuamente excluyentes y colectivamente exhaustivas llamadas conglomeradas. Luego
se selecciona una muestra aleatoria de conglomerados con base en una técnica de
muestreo probabilístico, como el muestreo aleatorio simple. Para cada conglomerado
seleccionado se incluyen todos los elementos en la muestra (1 etapa) o se toma una
muestra de elementos de forma probabilística (2 etapas).

Estratos vs Conglomerados:

 Estratos: internamente homogéneos. Heterogéneos entre sí.

 Conglomerados: Internamente heterogéneos. Homogéneos entre sí. Ejemplo: Barrios.

4. Determinar el tamaño de la muestra:

Tamaño de la muestra: número de elementos que se incluirán en el estudio. Existen diferentes fórmulas
para calcular el tamaño óptimo de una muestra, dependiendo si se analizaran proporciones o medias y
si se trata de poblaciones finitas o infinitas.

¿Cómo saber que formula utilizar?

 Proporción: se trabaja con porcentajes.

o Poblaciones finitas y conocidas: conozco N. finita significa que N es menor a 100000
habitantes.
o Poblaciones infinitas o desconocidas:
 Media: se trabaja con la media.
o Poblaciones finitas y conocidas: conozco N. finita significa que N es menor a 100000
habitantes.
o Poblaciones infinitas o desconocidas.

5. Llevar a cabo el proceso de muestreo.

MUESTREO DE ENCUESTAS ONLINE

En términos generales, es más difícil ejercer un control de la muestra en encuestas online. Los
cuestionarios online autoadministrados tienen tasas de respuesta más baja que los personales, pero se
puede apuntar a n mayores.

CONTINUACIÓN UNIDAD 3: PREPARACION DE LOS DATOS

PROCESO DE PREPARACION DE DATOS

1. Plan de análisis o plan de cuadros: En la fase de diseño de investigación, el investigador define

las variables que va a analizar y los cruces y análisis que se realizarán luego de recolectar los
datos.
2. Revisión del cuestionario:

¿Cuándo eliminar un caso?

 Algunas partes están incompletas.

 El patrón de respuestas indica que no entendió o no siguió las instrucciones.
 Las respuestas muestran poca varianza (ej. siempre marca la misma opción).
 Los cuestionarios entregados están físicamente incompletos (faltan una o más paginas).
 El cuestionario se recibió después de la fecha establecida.
 El cuestionario fue contestado por alguien que no estaba calificado para participar.

3. Edición: Se revisa el cuestionario con el objetivo de incrementar la exactitud y la precisión. Se

realiza un tratamiento de respuestas insatisfactorias: devolución al campo, asignación de valores
faltantes (no se debería hacer), descartar a los encuestados insatisfactorios.
 4. Codificación: La asignación de un código para representar una respuesta específica a una
pregunta concreta de un cuestionario, en particular junto con el registro de los datos y la
posición en la columna que ocupará el código.
5. Transcripción: Transferir los datos codificados de los cuestionarios a la computadora por medio
del teclado. No es necesario si se utilizan medios electrónicos como Google Forms en la toma de
datos.
6. Depuración de datos: Verificaciones minuciosas y exhaustivas de la congruencia y el
tratamiento de las respuestas faltantes.
1. Comprobación de congruencia: Identificación de datos fuera de rango, lógicamente
incongruentes, o con valores extremos.
2. Respuestas faltantes: Valores de las variables que se desconocen porque los
encuestados no dieron respuestas inequívocas a la pregunta.

Tratamiento de respuestas faltantes:

 Lo que NO se debería hacer: sustituir con un valor neutro, como la respuesta promedio; Sustituir
con una respuesta atribuida, en función del patrón de respuesta del participante.
 Lo que se debe hacer:
o Eliminación por casos: se descartan del análisis los casos con respuestas faltantes.
o Eliminación por pares: para cada análisis solo se consideran los casos con respuestas
completas.

7. Ajuste estadístico:

Se utilizan procedimientos estadísticos para realizar ajustes:

1. Ponderación: Ajuste estadístico de los datos donde a cada caso o encuestado de la base
de datos se le asigna un peso, para reflejar su importancia en relación con otros casos o
encuestados.
2. Redefinición de variables: La transformación de los datos para crear nuevas variables o
la modificación de las variables existentes para hacerlas más congruentes con los
objetivos del estudio.
3. Transformación de la escala: Manipulación de los valores de la escala para asegurar que
sea comparable con otras escalas o adecuar de otra manera los datos para el análisis.

8. Elección de la estrategia de análisis de datos:

¿Cómo elegir la estrategia de análisis de datos?

 Etapas 1,2 y 3 del proceso de investigación -> Características conocidas de los datos ->
Propiedades de las técnicas estadísticas -> Experiencia y criterio del investigador -> Estrategia de
análisis de datos.

ANALISIS DE DATOS CUANTITATIVOS

Estadística: La estadística es una disciplina científica que se ocupa de la obtención, orden y análisis de un
conjunto de datos con el fin de obtener explicaciones y predicciones sobre fenómenos observados.
Puede ser:

 Descriptiva: Describir los datos, los valores, las puntuaciones obtenidas para cada variable.
 Inferencial: Probar hipótesis y estimar parámetros de ese universo a partir de la muestra. La
estadística inferencial tiene dos tipos de técnicas, univariadas y multivariadas.

TECNICAS UNIVARIADAS: Técnicas estadísticas a utilizar cuando cada variable se analiza por separado.

 Datos métricos (regla): que por naturaleza son de intervalo o de razón

o Una muestra: Prueba t, Prueba z
o Dos o más muestras:
- Independiente: Las muestras son independientes si se toman al azar de
diferentes poblaciones. Dos grupos prueba t, Prueba z, Anova de un factor.
- Relacionada/pareada: Las muestras son pareadas cuando los datos de dos
muestras se relacionan con el mismo grupo de encuestados. Pareada prueba t
 Datos no métricos (pelotita): derivados de una escala nominal u ordinal.
o Una muestra: Frecuencia, Chi Cuadrada, K-S, Corridas, Binominal
o Dos o más muestras
- Independiente: Las muestras son independientes si se toman al azar de
diferentes poblaciones. Chi cuadrada, Mann-Whitney, Mediana, K-S, Anova K-W.
- Relacionada/pareada: Las muestras son pareadas cuando los datos de dos
muestras se relacionan con el mismo grupo de encuestados. Signos, Wilcoxon,
McNemar, Chi cuadrada.

TECNICAS MULTIVARIADAS: Técnicas estadísticas a utilizar distintas variables se analizan en conjunto.

 Técnicas de dependencia: Se usan cuando puede identificarse variables independientes y

dependientes.
o Una variable dependiente: Tabulación cruzada, análisis de varianza y covarianza,
regresión múltiple, análisis discriminante de dos grupos, análisis logit, análisis
conjunto.
o Mas de una variable dependiente: análisis multivariado de varianza y covarianza,
correlación canónica, análisis discriminante múltiple.
 Técnicas de interdependencia: Se enfocan en agrupar los datos en función de sus semejanzas
subyacentes, para entender su estructura.
o Interdependencia de variables: análisis factorial.
o Semejanza entre objetos: análisis de conglomerados, escalamiento multidimensional.

UNIDAD 3: DISTRIBUCION DE FRECUENCIAS Y ESTADISTICOS DESCRIPTIVOS

DISTRIBUCION DE FRECUENCIAS

Distribución matemática cuyo objetivo es obtener un conteo (y proporción) del número de respuestas
asociadas con distintos valores de una variable. Se considera una variable a la vez.

Estadísticos asociados:

 Medidas de localización o de tendencia central: Describen una ubicación dentro de un conjunto

de datos (el centro de la distribución):
o Media: El promedio aritmético; valor que se obtiene al sumar todos los elementos de un
conjunto y dividirlos entre el número de elementos.
o Moda: Medida de tendencia central dada por el valor que ocurre con mayor frecuencia
en una distribución muestral.
o Mediana: Medida de tendencia central definida como el valor que deja por arriba a la
mitad de los datos y por debajo a la otra mitad.
 Medidas de variación: Indican la dispersión de la distribución.
o Rango: La diferencia entre el valor más grande y el valor más pequeño de una
distribución. Rango Intercuartílico: El rango de una distribución que abarca el 50%
central de las observaciones (del 75% al 25%).
o Varianza: La desviación promedio al cuadrado de todos los valores de la media.
Desviación estándar: La raíz cuadrada de la varianza.
o Coeficiente de variación: Expresión útil de la desviación estándar como un porcentaje de
la media (CV=desvío/media).
 Medidas de forma: Permiten evaluar la forma de la distribución. Se usan para conocer cuánto se
parece a distribución de una variable a una distribución teórica.
o Asimetría: Sesgo de la publicación con respecto a la media.
o Curtosis: Medida del pico o aplanamiento de la curva.

INTERVALO DE CONFIANZA

El Intervalo de Confianza (IDC) es un par de números entre los cuales se estima que estará cierto valor
desconocido respecto de un parámetro poblacional con un determinado nivel de confianza. Los
intervalos de confianza más utilizados en investigación de mercados son: IDC para la proporción e IDC
para la media.

PRUEBA DE HIPOTESIS

Un análisis básico siempre implica alguna prueba de hipótesis. Existen muchos casos donde el test de
hipótesis se aplica a la investigación de mercados.

1. Formular H0 y H1:

Hipótesis nula (H0): enunciado de que no se espera ninguna diferencia o efecto. Si no se rechaza H0, no
se realizan cambios.
Hipótesis alternativa (H1): Enunciado de que se espera alguna diferencia o efecto. La aceptación de H1
llevara a cambios en opiniones o acciones.

2. Elegir una prueba adecuada: Prueba de colas: Prueba de una cola: H1 se expresa de manera
direccional; Prueba de dos cola: H1 no se expresa de manera direccional.
3. Seleccionar el nivel de significancia:

Error tipo I: rechazar una hipótesis nula que en realidad es verdadera. Nivel de significancia (alfa): La
probabilidad de cometer un error tipo I.

Error tipo II: No rechazar una hipótesis nula que en realidad es falsa. Potencia de una prueba (1 – beta):
La probabilidad de rechazar una hipótesis nula que en realidad es falsa.

Significancia (p-valor): El p-valor es el nivel más pequeño de significancia en el cual podemos rechazar la
hipótesis nula. Entonces, en todos los casos, si p<0,05 -> rechazamos H0. En SPSS lo vemos como sig.

4. Reunir los datos y calcular el estadístico de prueba

5. Se divide en:
a. Determinar la probabilidad asociada con el estadístico de prueba.
b. Determinar el valor crítico del estadístico de prueba, RCEP (regiones críticas del
estadístico de prueba).
6. Se divide en:
a. Comparar la probabilidad con el nivel de significancia.
b. Determinar si la RCEP cae en la región de rechazo o no rechazo.
7. Rechazar o no rechazar H0
8. Obtener una conclusión de investigación de mercados:

La conclusión a la que se llega con la prueba de hipótesis debe expresarse en términos de los objetivos y
del problema de investigación de mercados.

TABULACIONES CRUZADAS

Técnica estadística que describe dos o más variables de manera simultánea, y que produce tablas que
reflejan la distribución conjunta de dos o más variables con un número limitado de categorías o valores
distintivos. Se las conoce como tablas de contingencia o tabulación cruzada bivariada.

Estadísticos asociados:

 Chi cuadrado: Comprueba la significancia estadística de la asociación observada en una

tabulación cruzada. Nos ayuda a determinar si existe una relación sistemática entre las dos
variables. Variables pelotita (nominal).
  Medidas de la fuerza de la relación:
o V de Cramer: se utiliza cuando al menos una variable es nominal.
o Tau C: se utiliza cuando ambas variables son ordinales.

ANALISIS EXPLORATORIO

Proceso de investigación en el que se usan estadísticas de resumen y herramientas gráficas para llegar a
conocer los datos y comprender lo que se puede averiguar de ellos.

Nos ayuda a: Entender la estructura de una matriz de datos; Entender los datos; Asistir el proceso de
preparación de datos; Realizar procesos de Data Mining.

UNIDAD 4: ANALISIS DE LA VARIANZA, CORRELACIÓN Y REGRESIÓN LINEAL

ANALISIS DE VARIANZA - ANOVA

Técnica estadística que sirve para examinar las diferencias entre las medias de dos o más poblaciones.
Tiene dependencia estadística.

Factores:

 Variables independientes categóricas (pelotita).

 Variables dependientes métricas (reglita).

Tipos de ANOVA:

 ANOVA de un factor: Incluye un solo factor.

 ANOVA de n factores: Participan dos o más factores.
 ANOVA de medidas repetidas: Se utiliza cuando los sujetos están expuestos a más de un
tratamiento y se obtienen medidas repetidas; no es siempre posible.

ANCOVA

Análisis de covarianza (ANCOVA): Procedimiento avanzado del análisis de varianza, donde los efectos de
una o más variables métricas extrañas se eliminan de la variable dependiente antes de realizar el
ANOVA.

- Covariable: Variables independientes métricas.

MANOVA

ANOVA Multivariado (MANOVA): Similar al ANOVA, salvo que, en vez de manejar una variable
dependiente métrica, maneja dos o más. El análisis considera un vector multidimensional de variables.
Es una variable de nivel superior que se forma a partir de todas las dependientes.
ANOVA NO METRICO

Técnica de ANOVA para examinar las diferencias en las tendencias centrales de más de dos grupos,
cuando la variable dependiente se mide en una escala ordinal o cuando se mide en una escala métrica
pero no se cumple con los supuestos del ANOVA.

COMPARACIONES MULTIPLES

La prueba F de ANOVA solo examina las diferencias generales entre las medias. Las comparaciones
múltiples mediante contrastes permiten identificar entre qué grupos se encuentran las diferencias.

 Contrastes: Procedimientos para examinar las diferencias entre dos o más medias de los grupos
de tratamiento.
o Contrastes a priori: Se determinan antes de realizar el análisis, con base en el marco de
referencia teórico del investigador.
o Contrastes a posteriori: Contrastes que se realizan después del análisis. Generalmente
se trata de pruebas de comparación múltiple entre grupos (son las Pruebas Post-Hoc).

Las Pruebas post-hoc más utilizadas son:

 Bonferroni → el más estricto (ajusta por la cantidad de variables independientes), no da

diferencias significativas.
 Scheffe → para grupos de distinto tamaño.
 Tuckey → para grupos de tamaño similar.
 Games-Howell → para grupos con varianzas heterogéneas.

MEDICION DE LOS EFECTOS

Tamaño del efecto: El estadístico eta parcial al cuadrado (η 2 p) es una medida de la variación en la
variable dependiente que está explicada por la variable independiente. En otras palabras, mide la fuerza
de la relación entre las variables de estudio. Se mueve en el rango 0–1 y cuanto más cercano a 1
representa una relación más importante.

CORRELACIÓN

CORRELACIÓN DE PEARSON

Es un estadístico que resume la fuerza y dirección de la asociación entre dos variables métricas (que tan
fuerte es la relación entre mínimo dos variables). También se la denomina correlación producto-
momento, correlación simple o bivariada. Utiliza variables reglita. No hay dependencia de variables.

- De 0 a -1 la correlación es negativa (débil, moderada, fuerte).

- De 0 a 1 la correlación es positiva (débil, moderada, fuerte).
COVARIANZA

Relación sistemática entre dos variables, en la que el cambio en una de ellas implica un cambio
correspondiente en la otra

CORRELACIÓN VS. COVARIANZA

Si r = 0 significa que no existe correlación lineal. Pero podría existir algún tipo de
correlación no lineal.

COEFICIENTE DE CORRELACIÓN PARCIAL

Medida de la asociación entre dos variables métricas después de controlar o hacer un ajuste para los
efectos de una o más variables métricas adicionales. Quito el efecto de alguna variable que no estoy
estudiando, pero afecta a la correlación (sacar una tercer variable que no necesito).

COEFICIENTE DE CORRELACION DE PARTES

Medición de la correlación entre dos variables métricas cuando los efectos lineales de otra u otras
variables métricas independientes se eliminan de una de las variables de estudio, pero no de la otra.

CORRELACIÓN NO METRICA

Medida de correlación para dos variables ordinales, que se basa en los rangos para calcular la
correlación. El indicador más utilizado es rho de Spearman.

Se usa cuando: Ambas variables son ordinales; Una variable es ordinal y la otra métrica; Ambas variables
son métricas, pero no se cumplen los supuestos de Pearson.

REGRESIÓN

ANALISIS DE REGRESIÓN

Procedimiento estadístico que se usa para analizar las relaciones de asociación entre una variable
dependiente métrica, y una o más variables independientes métricas. Permite predecir (explicar) los
valores de la variable dependiente. Hay dependencia estadística. Las dos variables son reglitas
(métricas).

Regresión y relación de causalidad: Las variables independientes pueden explicar la variación de la

variable dependiente en términos de una relación matemática. Pero esto no necesariamente implica
causalidad.

TIPOS DE REGRESIÓN LINEAL

Regresión lineal bivariada; Regresión lineal múltiple; Regresión lineal múltiple progresiva; Regresión
lineal múltiple con variable Dummy.

REGRESIÓN LINEAL BIVARIADA (SIMPLE)

Procedimiento para derivar una relación matemática, en forma de ecuación, entre una variable
dependiente métrica y una variable independiente métrica. Es similar al cálculo de la correlación, pero
se identifica una variable independiente y otra dependiente.

Estadísticos asociados:

 Coeficiente de determinación (r2): mide la fuerza de la asociación. Indica la proporción de la

variación total en Y que se explica por la variación en X. Varia entre 0 y 1. r2 < r.
 Diagrama de dispersión: es una gráfica de los valores de dos variables para todos los casos u
observaciones. Solemos graficar la variable dependiente sobre el eje Y, y la independiente sobre
el X.

 Modelo de regresión bivariada: la ecuación básica de regresión es:

 Valor estimado o predicho: el valor estimado o predicho de Y es:

Proceso de una regresión lineal bivariada (simple):

Diagrama de dispersión y procedimiento de mínimos cuadrados: Técnica para ajustar una línea recta a
un diagrama de dispersión, disminuyendo lo más posible el cuadrado de las distancias verticales de
todos los puntos a partir de la línea.

Proceso de estandarización y residuales:

La estandarización es el proceso mediante el cual los datos sin analizar se transforman en variables
nuevas que tienen una media de 0 y una varianza de 1.

- Cuando los datos están estandarizados, la intersección asume un valor de 0.

- Permite incorporar variables con distintas unidades de medida a la regresión.

Un residual es la diferencia entre el valor observado y el valor predicho de la variable dependiente.

- Se analiza el estadístico de Durbin-Watson para abordar el supuesto de

independencia de errores (debe tender a 2).

¿Cómo probar la significancia del modelo?

La significancia estadística de la relación lineal entre X y Y puede ponerse a prueba al examinar las
hipótesis:

 H0: Beta1 = 0 -> No existe el modelo.

 H1: Beta1 desigual 0 → Existe el modelo.

Validación cruzada del modelo de regresión:

Validación cruzada: Prueba de validez que examina si un modelo tiene datos comparables que no se
utilizaron en la estimación original.

- Los datos se dividen en dos partes, la muestra de estimación (para armar el

modelo, entre 50% y 90% de los casos) y la muestra de validación (para
validarlo).

Validación cruzada doble: Forma especial de validación en la que la muestra se divide en dos mitades.
 - Una mitad sirve como la muestra de estimación y la otra como la muestra de
validación. Luego, se invierten los papeles de la mitad de estimación y la mitad
de validación, y se repite el proceso de validación cruzada.

REGRESIÓN LINEAL MULTIPLE

Técnica estadística que simultáneamente desarrolla una relación matemática entre dos o más variables
independientes y una variable dependiente, todas métricas.

Estadísticos asociados:

 El Coeficiente de determinación múltiple (r2 Ajustada): mide la fuerza de la asociación.

- r2 se ajusta al número de variables independientes y al tamaño de la muestra.
- Indica la proporción de la variación total en Y que se explica por la variación en
X.
- Varía entre 0 y 1.
- r > r2 > r2 ajustada.

REGRESIÓN PROGRESIVA

Procedimiento de regresión lineal múltiple en el cual las variables predictivas se incluyen o eliminan una
por una de la ecuación de regresión, en función de su contribución a la explicación de la variable
dependiente.

Métodos/Tipos:

 Inclusión hacia adelante: Inicialmente no hay variables predictivas en la ecuación de regresión.

Las variables predictivas participan una a la vez, únicamente si cumplen ciertos criterios
específicos en términos de significancia. El orden en que se incluyen las variables se basa en su
contribución a la varianza explicada.
 Eliminación hacia atrás: Inicialmente todas las variables predictivas se incluyen en la ecuación de
regresión. Luego, se eliminan una por una con base en la significancia.
 Solución progresiva (stepwise): La inclusión hacia adelante se combina con la eliminación de
variables predictivas que ya no cumplen con el criterio especificado en cada paso.

MULTICOLINEALIDAD

Es una característica de la correlación.

Estado de intercorrelaciones muy elevadas entre las variables independientes. Es muy común en
investigación de mercados, y necesitamos tratar de evitarla en nuestros modelos de regresión. Pueden
estudiarse las correlaciones, o usar indicadores como el Factor de Inflación de Varianza (VIF).

Problemas que causa la multicolinealidad:

 Los coeficientes son inexactos (errores estándar elevados).

 Los coeficientes pueden cambiar mucho entre muestras distintas (valor y signo).
 Es difícil entender la importancia relativa de cada variable independiente.
 En regresión progresiva, la inclusión y eliminación puede ser incorrecta.

El principal problema de la multicolinealidad es que hace que la regresión nos muestre mejores
resultados que los que realmente debería mostrar y, en consecuencia, podríamos tomar malas
decisiones.

Ante multicolinealidad hay que tener mucha cautela al evaluar la importancia relativa de las variables
independientes. Entonces, deberíamos intentar no incluir variables independientes altamente
correlacionadas.

METODOS PARA EVALUAR LA IMPORTANCIA RELATIVA DE LAS VARIABLES PREDICTIVAS

Significancia estadística: Si el coeficiente de regresión parcial de una variable no es significativo, esa

variable es poco importante.

- Excepción: si existen fuertes razones teóricas para creer que la variable es

importante.

Correlaciones; Regresión progresiva.

*Pero prácticamente ninguna medida es satisfactoria.

UNIDAD 5: ANALISIS DISCRIMINANTE – FACTORIAL – CONGLOMERADOS – CONJUNTO – EMD

ANALISIS DISCRIMINANTE

Es un análisis que se utiliza para caracterizar grupos de consumidores cuando se conoce los grupos de
pertenencia.

- La variable dependiente (de criterio) es categórica.

- Las variables independientes (predictivas) son métricas.

MODELO DEL ANALISIS DISCRIMIANNTE

Las funciones discriminantes son combinaciones lineales de las variables independientes que clasifican a
los sujetos en los grupos de la dependiente.

TIPOS DE ANALISIS DISCRIMINANTE

  Análisis discriminante de dos grupos (simple): La variable de criterio (dependiente) tiene dos
grupos.
 Análisis discriminante múltiple: La variable de criterio (dependiente) tiene tres o más grupos.

ESTADISTICOS ASOCIADOS

 Correlación canónica: Mide el grado de asociación entre las calificaciones discriminantes y los
grupos. Al elevarlo al cuadrado puede obtenerse el coeficiente de determinación (R 2).
 Prueba de igualdad de medias (valores F y su significado): Se calcula un ANOVA de una vía para
probar la significancia del modelo.
 Prueba M de Box: contraste sobre la igualdad de las matrices de covarianza de los grupos.
 Lambda de Wilks (U): Para cada predictivo, es la razón entre la suma de los cuadrados
intragrupo y la suma total de los cuadrados.  Es un indicador del poder discriminante de cada
función discriminante.

GRAFICOS ASOCIADOS

 Diagrama de dispersión de todos los grupos: Muestra la dispersión de todos los elementos,
indicando el grupo al que pertenecen y sus centroides.
 Centroide: Es la media de las calificaciones discriminantes de un grupo particular. Existen tantos
centroides como grupos.
 Mapa territorial: Herramienta para evaluar los resultados del análisis discriminante que grafica
la pertenencia al grupo de cada caso en una gráfica.

PROCESO DE UN ANALISIS DISCRIMINANTE

1. Formular el problema:

Se divide la muestra en dos partes:

 Muestra de análisis: Parte de la muestra total que se usa para calcular la función discriminante.
 Muestra de validación: Parte de la muestra total que se usa para revisar los resultados de la
muestra de análisis.

Métodos de análisis discriminante:

1. Método directo: Se incluyen todos los predictivos al mismo tiempo.

2. Análisis discriminante paso a paso: Los predictivos se introducen en secuencia con base
en su capacidad para discriminar entre grupos.
2. Calcular los coeficientes discriminante
3. Determinar la significancia de la función discriminante
4. Interpretar los resultados:

Evaluación de los resultados:

 - Perfil característico: Descripción de cada grupo en términos de sus medias en las
variables predictivas. Es útil para interpretar las características de los grupos.

5. Evaluar la validez del análisis discriminante

¿Cómo evaluar la validez del análisis discriminante?

 Validación cruzada con exclusión: El modelo discriminante se calcula tantas veces como
encuestados haya en la muestra. Cada modelo calculado excluye a un encuestado y el modelo se
usa para hacer una predicción sobre este encuestado.
 Porción de aciertos (hit ratio): Porcentaje de casos clasificados correctamente por el análisis
discriminante. Debe ser “mejor que el azar”.

ALTERNATIVAS AL ANALISIS DISCRIMINANTE

 Modelo logit: Calcula la probabilidad de que una observación pertenezca a un grupo específico,
cuando la variable dependiente es binaria y hay diversas variables independientes métricas.
 Regresión logística (binaria o multinomial): Alternativa no paramétrica al análisis discriminante,
que requiere una variable dependiente categórica y dos o más independientes de cualquier tipo.

ANALISIS FACTORIAL

Clase de procedimientos estadísticos que se usan sobre todo para reducir y resumir los datos. Permite
identificar las dimensiones subyacentes, o factores, que explican las correlaciones entre un conjunto de
variables.

Aplicaciones del análisis factorial en investigación de mercados:

- En segmentación, permite identificar las variables subyacentes en que se

agrupan los clientes.
- En investigación de producto, permite identificar los atributos influyentes en la
decisión del consumidor.
- En investigación de CIM, ayuda a comprender los hábitos de consumo de
medios.
- En fijación de precios, permite identificar las características de los consumidores
sensibles a los precios.

Estadísticos asociados:

 Matriz de correlación: muestra las correlaciones entre variables.

 KMO: Permite determinar la adecuación del análisis (KMO > 0,7).
 Prueba de esfericidad de Bartlett: Evalúa la correlación de las variables en la población.
 Porcentaje de varianza: Es el porcentaje de la varianza total atribuida a cada factor.
 Matriz factorial: Contiene las cargas factoriales de las variables para todos los factores.
 Valor propio (autovalor/eigenvalue): Representa la varianza explicada por cada factor.
  Contribución común (comunalidad): Proporción de varianza de una variable compartida con el
resto (% de varianza explicada por el factor).
 Especificidad: Proporción de varianza de una variable no compartida con el resto (% de variación
propia de la variable).
 Grafica de sedimentación (scree plot): Es una gráfica de los valores propios contra el número de
factores en orden de extracción.
 Cargas de los factores: Son correlaciones simples entre las variables y los factores.
 Grafica de las cargas de los factores: Se grafican las variables usando los factores como ejes.

PROCESO DE UN ANALISIS FACTORIAL

METODOS DE ANALISIS FACTORIAL

 Análisis de los componentes principales (PCA): Enfoque que considera la varianza total en los
datos. Muchos autores lo consideran un análisis independiente.
 Análisis de los componentes secundarios: Enfoque que se basa sólo en la varianza común para
calcular los factores. Se conoce también como factorización del eje principal.

¿COMO DETERMINAR EL NUMERO DE FACTORES?

 Determinación a priori: El investigador sabe, gracias a la información previa, cuántos factores

debe esperar, por lo que especifica cuántos factores extraer.
 Determinación basada en valores propios: Solo se conservan los factores cuyo valor propio es
mayor de 1.
 Determinación basada en una gráfica de sedimentación: Se localiza un cambio brusco de
tendencia y se utiliza la cantidad de factores antes del punto de inflexión.
 Determinación basada en el porcentaje de la varianza. El número de factores extraído se
determina de modo tal que el porcentaje acumulado alcance un nivel satisfactorio (al menos
60%).
 Determinación basada en la confiabilidad de división en mitades. Se realiza una división por
mitades de la muestra y sólo se conservan los factores con una alta correspondencia.
 Determinación basada en pruebas de significancia: Se determina la significancia estadística de
los valores propios separados
ROTACION DE LOS FACTORES

La matriz factorial inicial (no rotada) indica la relación factores-variables, pero es difícil de interpretar. La
rotación la transforma en una matriz más amigable.

Consideraciones:

 Rotamos los factores para que cada variable tenga cargas significativas sólo con un factor (fácil
interpretación).
 Cuando una variable tiene cargas altas (similares) con varios factores, se la considera una
variable compleja.
 La rotación no afecta las comunalidades ni él % total de varianza explicado.
 La rotación redistribuye/modifica la varianza explicada por cada factor

Procedimientos:

 Rotación Ortogonal: Rotación en la que los ejes se mantienen en ángulos rectos.

- Procedimiento Varimax: Método ortogonal que minimiza el número de variables
con cargas altas en un factor (fácil interpretación).
 Rotación oblicua: Rotación en la que los ejes no se mantienen en ángulos rectos.

INTERPRETACION DE LOS FACTORES

Los factores se interpretan en función de las variables que las componen. La gráfica de las cargas de los
factores ayuda a la interpretación.

¿COMO LE PONEMOS UN VALOR A CADA FACTOR?

 Calcular las puntuaciones de los factores:

- Calcular las calificaciones compuestas (como regresiones).
- Asignar la suma directa o promedio de los ítems correspondientes al factor.
 Elegir variables sustitutas: seleccionar ciertos ítems para usarlos en los análisis subsiguiente. No
lo recomendamos, ya que se pierde información en el proceso.

DETERMINACION DEL AJUSTE DEL MODELO

 Ajuste general del modelo:

o Porcentaje de varianza total explicado por los factores.
o Si hay muchos residuales altos, el modelo factorial no proporciona un buen ajuste.
- Los residuales son las diferencias entre las correlaciones de la matriz de
correlación y las calculadas a partir de la matriz factorial.
 Ajuste de cada variable al modelo:
o Especificidad: A menor especificidad, mejor ajuste.
 o Comunalidad: A mayor comunalidad, mejor ajuste. Comunalidad = 1 – Especificidad.

ANALISIS DE CONGLOMERADOS

ANALISIS DE CONGLOMERADOS O CLUSTER

Técnica utilizada para clasificar casos en grupos relativamente homogéneos (conglomerados/clústeres)

sin saber a priori los grupos de pertenencia. En marketing se utiliza principalmente para segmentar.

 Segmentación por beneficios: Se agrupa a los consumidores según los beneficios que buscan en
la compra de un producto.

Estadísticos asociados:

 Calendario/Historial de aglomeración: Tabla que muestra qué casos se combinan en cada etapa.
 Pertenencia al clúster: Indica a qué conglomerado corresponde cada caso.
 Matriz de coeficientes de semejanza y distancia: Matriz de triángulo inferior que contiene
distancias entre pares de casos.
 Centroide del conglomerado: Media de los valores de las variables de todos los casos de un
clúster.
 Centros del conglomerado: El punto de partida en la conglomeración no jerárquica. Los
conglomerados se construyen en torno a estos centros o semillas.
 Distancias entre los centros de los conglomerados. Los casos que estén más separados entre sí
serán más distintos.
 Dendograma: Medio grafico para presentar la conglomeración.
- Las líneas verticales representan la unión de los clústers. La escala horizontal
indica distancias en las que se unen los conglomerados. Se lee de izquierda a
derecha.
 Diagrama de carámbanos: Medio grafico para presentar la conglomeración.
- Las columnas representan los objetos que se conglomeran. Las filas representan
el número de conglomerados. Se lee de abajo hacia arriba.

PROCESO DE UN ANALISIS DE CONGLOMERADOS

1. Plantear el problema (definir variables).

2. Elegir la medida de distancia:

Medimos la semejanza en términos de la distancia entre objetos. Distancia Euclidiana: raíz cuadrada de
la suma de las diferencias elevadas al cuadrado de los valores de cada variable. Es la medida de
semejanza más común.

3. Elegir el procedimiento de conglomeración:

Procedimiento de conglomeración:

 Jerárquicos: Desarrollo de una jerarquía o estructura tipo árbol

 o Por aglomeración: Cada objeto comienza en un conglomerado separado. Los
conglomerados se forman al agrupar a los objetos en conglomerados cada vez más
grandes.
- Procedimiento de enlace:

- Procedimientos de varianza:
 Técnica de Ward:

- Procedimientos de centroides:

o Por división: Todos los objetos comienzan en un conglomerado gigante. Los

conglomerados se forman al dividir este conglomerado en otros cada vez más
pequeños.
 No jerárquicos: Procedimiento que primero asigna el centro de un conglomerado
(aleatoriamente) y después agrupa todos los objetos que están dentro de un valor de umbral
predeterminado con respecto al centro.
o Umbral secuencial: Se elige el centro del conglomerado y se agrupan todos los objetos
que están dentro de un valor de umbral predeterminado con respecto al centro.
o Umbral paralelo: Se especifican varios centros del conglomerado a la vez. Luego, se
agrupa a todos los objetos que están dentro de un valor de umbral predeterminado con
respecto al centro.
o División optima: Permite la reasignación de los objetos a conglomerados para optimizar
un criterio general
 Otros:
o De dos pasos: Procedimiento avanzado de análisis de clúster que selecciona
automáticamente el número de clústeres y funciona para variables categóricas y
métricas.

4. Decidir la cantidad (número) de conglomerados:

Podemos definirlo en función de:

 Consideraciones teóricas o prácticas.

 Los tamaños relativos de los conglomerados deberían ser significativos (analizar la frecuencia de
la variable de asignación al clúster).
 En procedimientos jerárquicos, puede estudiarse el Dendograma (ej. 50% de la máxima distancia
o buscar saltos importantes en los agrupamientos).
 En procedimientos no jerárquicos, puede graficarse la proporción entre la varianza total
intragrupo y la varianza entre grupos contra el número de conglomerados. El punto donde se
presenta un ángulo o una curva aguda indica un número adecuado de conglomerados (similar al
gráfico de sedimentación en EFA).

5. Interpretar y describir los conglomerados:

Los centroides nos permiten describir cada conglomerado al asignarle un nombre o etiqueta. Con
variables métricas, analizar las medias de los clústers. Con variables categóricas, analizar las frecuencias
de los clústers.

6. Evaluar la validez de la conglomeración

Usar distintas medidas de distancia y comparar resultados; Usar diferentes procedimientos de

conglomeración y comparar resultados; Realizar una división por mitades, realizar la clusterización y
comparar los centroides; Suprimir variables al azar y realizar la clusterización para comparar resultados;
En procedimientos no jerárquicos, el orden de los casos en la base de datos influye, por lo que se puede
realizar varias corridas ordenando los datos de forma aleatoria.

AGRUPAMIENTO DE VARIABLES

El análisis de conglomerados también puede usarse para reducir el número de variables. Con cada
conglomerado se asocia una combinación lineal de variables en el conglomerado, llamada componente
del conglomerado.  En este caso, se persigue un objetivo similar al análisis factorial.

ESCALAMIENTO MULTIDIMENSIONAL

ESCALAMIENTO MULTIDIMENSIONAL (EMD)

Clase de procedimientos para hacer una representación espacial de las percepciones y preferencias de
los encuestados, mediante una presentación visual.

En marketing se usa para:

 El número y la naturaleza de las dimensiones que usan los consumidores para percibir diferentes
marcas en el mercado.
  El posicionamiento en tales dimensiones: de las marcas actuales y de la marca ideal de los
consumidores.

Aplicaciones del EMD en Marketing:

 Medición de la imagen: Comparar las percepciones sobre la empresa de clientes, no clientes y la

empresa en sí.
 Segmentación del mercado: Coloca en el mismo espacio a marcas y consumidores, para
identificar consumidores con percepciones homogéneas.
 Elaboración de escalas de actitudes: Las técnicas de EMD son útiles para desarrollar las
dimensiones y la configuración apropiadas para el espacio de las actitudes.
 Desarrollo de nuevos productos: Buscar lagunas en el mapa espacial que indiquen
oportunidades potenciales para nuevos productos.
 Evaluar la eficacia de la publicidad: Evaluar luego de una campaña si se alcanzó el
posicionamiento deseado.
 Análisis de precios: Pueden compararse mapas espaciales desarrollados con y sin información
sobre los precios para determinar su impacto.
 Decisiones de canales: Evaluar la compatibilidad de marcas y tiendas minoristas mediante
mapas perceptuales.

Estadísticos asociados:

 Juicios de semejanza y Ordenamientos de preferencia (los vemos más adelante).

 R cuadrada: Indica la proporción de varianza de los datos escalados en forma óptima (R2 > 0,6 →
bondad de ajuste aceptable). Estadísticos asociados al EMD (1).
 Estrés: Mide el mal de ajuste o la proporción de varianza de los datos escalados en forma
óptima que no explica el modelo de EMD.
 Mapa espacial. Las relaciones percibidas entre marcas u otros estímulos se representan en
relaciones geométricas entre puntos en un espacio multidimensional llamado mapa espacial.
 Coordenadas. Indican el posicionamiento de la marca o el estímulo en un mapa espacial.
 Despliegue. Es la representación de marcas y encuestados como puntos en el mismo espacio.

PROCEDIMIENTO DE UN EMD

1. Formular el problema (# de estímulos recomendados: 8-25).

2. Obtener los datos de entrada:

Datos de entrada para el EMD:

 Percepciones:
o Directo (juicios de semejanza): Se les pide que califiquen todos los pares posibles de
marcas o estímulos, en términos de su semejanza en una escala tipo Likert.
o Derivado (calificaciones de los atributos): Se basa en los atributos para obtener datos de
percepción. Se pide a los encuestados que usen escalas Likert o de diferencial
semántico, para calificar los estímulos en los atributos identificados.
  Preferencias: Son rangos ordenados de las marcas u otros estímulos en términos de la
preferencia de los encuestados (de los más a los menos preferidos).

3. Elegir el procedimiento de EMD (métrico u ordinal):

4. Decidir la cantidad de dimensiones:

Alternativas:

 Conocimiento previo (teoría o investigaciones previas).

 Posibilidad de interpretación y facilidad de uso (generalmente 2/3 dimensiones).
 Enfoques estadísticos: Para el usuario experimentado, también se dispone de enfoques
estadísticos para determinar dimensionalidad.
 Criterios de corte: debe examinarse la gráfica de estrés contra dimensionalidad, donde el punto
en el que ocurre un cambio o una inclinación marcada indica el número de dimensiones
apropiado.

5. Nombrar los ejes e interpretar los mapas espaciales:

Asignación de etiquetas a las dimensiones: Una limitación del EMD es que la interpretación de las
dimensiones es difícil y, si no se realiza de forma sistemática, podría resultar subjetiva. A menudo las
dimensiones representan más de un atributo. La denominación de las dimensiones requiere un juicio
subjetivo de parte del investigador.

Las siguientes son alternativas para nombrar las dimensiones:

1. Basarse en el conocimiento del mercado y el marco de referencia para interpretar la naturaleza

de las dimensiones.
2. Utilizar características objetivas para analizar las dimensiones (ej. precio, certificaciones de
calidad, caballos de fuerza, vida útil, consumo de nafta).
3. Consultar a los encuestados y definir luego las dimensiones: Consultarles qué criterios utilizaron
para evaluar; Mostrarles los mapas y pedirles que nombren los ejes.
4. Utilizar vectores de los atributos: Graficar atributos junto con las marcas para entender cuál o
cuáles presentan correlaciones elevadas con las dimensiones y, por lo tanto, podrían estar
representados en las mismas. Esto se realiza con un procedimiento algo avanzado de
regresiones llamado PRO-FIT (Property Fitting).

Interpretación de las configuraciones: Examinamos las coordenadas y posiciones.

- Marcas cercanas -> Competencia

- Marca aislada -> Imagen única
- Espacios en blanco -> Potencial de oportunidad

6. Evaluar la confiabilidad y validez

Utilizar estadísticos de ajuste como R cuadrado y Estrés; Realizar una división de la muestra en dos o
más partes, realizar el EMD en cada parte y comparar los resultados; Puede hacerse una eliminación
selectiva de estímulos de los datos de entrada y determinarse luego las soluciones para los estímulos
restantes; Los datos de entrada pueden recogerse en dos momentos diferentes y determinarse la
confiabilidad test-retest.

ANALISIS DE CORRESPONDENCIA

Técnica de EMD para el escalamiento de los datos cualitativos que escala las hileras y las columnas de la
tabla de contingencia de entrada en unidades correspondientes, de modo que se expongan en el mismo
espacio de pocas dimensiones.

ANALISIS CONJUNTO

Técnica que intenta determinar la importancia relativa que los consumidores asignan a los atributos
sobresalientes, y la utilidad que atribuyen a los niveles de atributos

EMD Y ANALISIS CONJUNTO

Diferencias:

 En el EMD los estímulos son productos o marcas y en el análisis conjunto son combinaciones de
niveles de atributos determinados por el investigador.

Son análisis complementarios:

 La meta del EMD es desarrollar un mapa espacial que describa los estímulos en un espacio
multidimensional de percepción o de preferencia.
 El análisis conjunto busca desarrollar las funciones de valor parcial o utilidad que los
encuestados confieren a los niveles de cada atributo.

ANALISIS CONJUNTO

Aplicaciones del análisis conjunto en Marketing:

Determinar la importancia relativa de los atributos en el proceso de elección del consumidor;

Determinar la composición de la marca preferida; Segmentar el mercado con base en la semejanza de
las preferencias por los niveles de atributos.

Estadísticos asociados:

 Funciones de valor parcial o de utilidad: describen la utilidad que los consumidores asignan a los
niveles de cada atributo.
 Pesos de importancia relativa: permite identificar qué atributos ejercen una influencia
considerable en la elección del consumidor.
 Niveles de los atributos: Denotan los valores que asumen los atributos.
 Perfiles completos de las marcas.
PROCESO DE UN ANALISIS CONJUNTO

1. Formular el problema (atributos y niveles).

2. Elaborar los estímulos:
3. Decidir la forma de los datos de entrada:

Forma de datos de entrada:

 Datos no métricos: se dan evaluaciones de rangos ordenados.

- En el enfoque por pares, los encuestados ordenan por rangos todas las celdas
de cada matriz en términos de su conveniencia.
- En la técnica del perfil completo, ordenan todos los perfiles del estímulo. Los
ordenamientos implican evaluaciones relativas de los niveles del atributo.
 Datos métricos: se brindan calificaciones (no ordenamientos) (por ejemplo, en escala Likert). Los
juicios se hacen de forma independiente.

4. Elegir el procedimiento de análisis conjunto:

Procedimientos:

 Procedimiento por pares (o evaluaciones de dos factores): los encuestados evalúan dos
atributos a la vez, hasta que se hayan evaluado todos los pares de atributos posibles.
 Procedimiento de perfiles completos (o evaluaciones de factores múltiples): se construyen
perfiles completos de marcas para todos los atributos. Cada perfil se describe en una tarjeta
separada. Para calcularlos se usa un procedimiento denominado Conjuntos Ortogonales.

5. Interpretar los resultados:

Para interpretar los resultados es útil graficar las funciones de los valores parciales. También es útil
calcular la utilidad total de cada posible combinación de atributos (no lo hace SPSS, debe hacerse en
otro software, como Excel).

6. Evaluar la confiabilidad y validez:

R2; Confiabilidad test – retest; División de la muestra.

ANALISIS CONJUNTO HIBRIDO

En el enfoque híbrido los encuestados evalúan un número limitado, por lo general no más de nueve, de
los estímulos conjuntos como perfiles completos. Esos perfiles se extraen de un diseño maestro grande y
diferentes encuestados evalúan conjuntos distintos de perfiles, de manera que en un grupo de
participantes se evalúan todos los perfiles de interés.
UNIDAD 6: INVESTIGACIÓN CAUSAL

CAUSALIDAD

Cuando la ocurrencia de X (independiente) incrementa la probabilidad de la ocurrencia de Y

(dependiente).

Condiciones para la causalidad:

 Variación concomitante: Para dar evidencias de que un cambio en A causó un cambio particular
en B, primero debe demostrarse que existe una correlación entre A y B; en otras palabras, A y B
deben variar juntas en forma predecible.
 Orden temporal de la ocurrencia de las variables: Para demostrar que A causó a B, debe ser
posible demostrar que A ocurrió antes que B (o simultáneamente).
 Ausencia de otros factores causales posibles: La variable independiente que se investiga debería
ser la única explicación causal posible. Por eso, es importante diseñar experimentos que
busquen eliminar o ajustar (controlar) los efectos de otros posibles factores causales.

VARIABLES

 Variables independientes: Variables que son manipuladas por el investigador y cuyos efectos se
miden y se comparan.
 Variables dependientes: Variables que miden el efecto de las variables independientes sobre las
unidades de prueba.
 Variables extrañas (o de confusión): Variables distintas de las variables independientes que
influyen en la respuesta de las unidades de prueba.

CONCEPTOS

 Unidades de prueba: Individuos, organizaciones u otras entidades cuya respuesta a las variables
independientes o tratamientos se está estudiando.
 Experimento: El proceso de manipular una o más variables independientes, y de medir su efecto
en una o más variables dependientes, mientras se controlan las variables extrañas.

DISEÑO EXPERIMENTAL

El conjunto de procedimientos experimentales que especifican: Las unidades de prueba y los

procedimientos de muestreo; Las variables independientes; Las variables dependientes; y, La manera de
controlar las variables extrañas.

VALIDEZ EN LA EXPERIMENTACIÓN
La validez es el grado en el que un experimento mide realmente lo que el investigador intenta medir
(ausencia de error sistemático y aleatorio). Hay dos tipos específicos de validez que son relevantes para
la experimentación:

 Validez interna: Mide si el manejo de las variables independientes, o tratamientos, en realidad

causó los efectos en las variables dependientes. Si el investigador puede demostrar que la
variable experimental, o de tratamiento, realmente produjo las diferencias observadas en la
variable dependiente, entonces puede decirse que el experimento es internamente válido.
 Validez externa: Se refiere al grado en que las relaciones causales medidas en un experimento
pueden generalizarse a personas, lugares y momentos externos.

Los experimentos de campo ofrecen un mayor grado de validez externa y un menor grado de validez
interna que los experimentos en laboratorio.

CLASIFICACIÓN DE VARIABLES EXTRAÑAS

 Historia (H): Eventos específicos que son externos al experimento, pero que ocurren al mismo
tiempo que este (COVID, inflación).
 Maduración (MA): cambios en las unidades de prueba que ocurren con el paso del tiempo (ej.
bebé que crece).
 Instrumentación: cambios en el instrumento de medición, en los observadores o en las
puntuaciones
 Efecto de la prueba: Efecto sobre el experimento de hacer una medición de la variable
dependiente, antes y después de la presentación del tratamiento.
o Efecto principal de la prueba (EP): una observación previa afecta una observación
posterior.
o Efecto interactivo de la prueba (EI): una medición previa influye en la respuesta de las
unidades de prueba a la variable independiente (ej. primero pregunta por el producto y
luego por la publicidad).
 Regresión Estadística o a la media (RE): las unidades de prueba con puntuaciones extremas se
acercan a la media en el curso del experimento, por lo que no se consigue medir la valoración
real.
 Sesgo de selección (SS): asignación inadecuada de las unidades de prueba a las condiciones de
tratamiento.
 Mortalidad (MO): pérdida de unidades de prueba mientras el experimento está en progreso.

CONTROL DE VARIABLES EXTRAÑAS

 Aleatorización: asignación al azar de las unidades de prueba y de las condiciones de tratamiento

a los grupos experimentales usando números aleatorios.
 Pareamiento: implica parear las unidades de prueba en un conjunto de variables antecedentes
clave antes de asignarlas a las condiciones de tratamiento (“blocking”).
 Control estadístico: medición y ajuste de los efectos de las variables extrañas utilizando
métodos estadísticos (ej. ANCOVA, Correlación Parcial).
 Diseño de control: método para controlar las variables extrañas que implica el uso de diseños
experimentales específicos. Clasificación de los diseños experimentales:
o Preexperimentales: Diseños que no controlan los factores extraños mediante la
aleatorización.
 Estudio de caso único: Un solo grupo de unidades de prueba se expone a un
tratamiento y luego se realiza una sola medición de la variable dependiente.
Símbolos: X O1
 Pretest-postest con un grupo: Un grupo de unidades de prueba se mide dos
veces. Símbolos: 01 X 02. Efecto del tratamiento: 02 – 01.
 Grupo estático: Existe un GE y un GC; en ambos grupos se hacen mediciones
sólo después del tratamiento y las unidades de prueba no se asignan al azar.
Efectos del tratamiento: 01 – 02. Símbolos:

o Experimentales verdaderos o puros: Diseños experimentales que se distinguen por el

hecho de que el investigador puede asignar de forma aleatoria las unidades de prueba y
los tratamientos a los grupos experimentales y de control.
 Pretest-postest con grupo de control: Existe un GE y un GC con asignación
aleatoria; en ambos grupos se realizan medidas de pretest y postest. Efectos del
tratamiento: (02 – 01) – (O4 – 03). Símbolos:

 Solo postest con grupo de control: Existe un GE y un GC con asignación

aleatoria; en ambos grupos se hacen mediciones sólo después del tratamiento.
Efecto del tratamiento: 01 – 02. Símbolos:

 Cuatro grupos de Solomon: Diseño que controla explícitamente los efectos

interactivos de la prueba, así como todas las otras variables extrañas. Es una
mezcla de los diseños de pretest-postest con GC y sólo postest con GC. Consta
de cuatro grupos, dos experimentales y dos de control; solo a un GE y un GC se
aplica pretest, mientras que los cuatro reciben postest. Se pueden comparar
todos los efectos. Símbolos:

o Cuasiexperimentales: Diseños que aplican parte de los procedimientos de los

experimentos verdaderos, pero que carecen de un control experimental completo.
 Series de tiempo: Implica mediciones periódicas de la variable dependiente para
un grupo de unidades de prueba. Luego el tratamiento es administrado por el
 investigador u ocurre de manera natural. Después del tratamiento, continúan
las mediciones periódicas para determinar su efecto. Símbolos:

 Series de tiempo múltiples: Diseño de series de tiempo que incluye otro grupo
de unidades de prueba que funge como GC.

o Estadísticos: Diseños que permiten el control y análisis estadísticos de las variables

externas.
 Bloque aleatorizado: Se lo conoce también como RCBD (Randomized Complete
Block Design). Las unidades de prueba se disponen en un bloque con base en
una variable externa, para que el GE y el GC estén cercanamente igualados en
esa variable. Los participantes de cada bloque se asignan al azar a los grupos de
tratamiento. Podemos “bloquear” el efecto de una variable externa que es
conocida y controlable. Para analizar los datos se hace un ANOVA especificando
el factor, el bloque y la variable dependiente. Si el factor y bloque son métricos
se usa regresión.

 Cuadrado latino: Además de permitir el manejo de la variable independiente,

admite el control estadístico de dos variables externas que no interactúan. 
Podemos “bloquear” el efecto de dos variables externas que son conocidas y
controlables, pero no interactúan entre sí. Para analizar los datos se hace un
ANOVA especificando el factor, los bloques y la variable dependiente. Si el
factor y los bloques son métricos se usa regresión.
  Factorial: Se usa para medir los efectos de dos o más variables independientes
(factores) en varios niveles, permitiendo interacciones entre estas variables. Se
estudia el “efecto principal” de los factores y el simultáneo (“interacción”). Hay
dos variables externas que sí interactúan. Hay varias alternativas. Nosotros
vemos el básico de 2 factores. Otros ejemplos: Diseño 2 k, Diseño Fraccionales
2, Diseños sin replicación. Para analizar los datos se hace un ANOVA Factorial
(ANOVA de n Factores). Si los factores son métricos se usa regresión.

Símbolos:

- X = Exposición a una variable independiente, tratamiento, evento, estímulo, cuyos efectos

deben determinarse.
- O = Observación o medición de la variable dependiente en las unidades de prueba.
- A = Asignación aleatoria de las unidades de prueba a tratamientos separados.
- GE = Grupo experimental que se expone al tratamiento.
- GC = Grupo de control que no se expone al tratamiento.

AMBIENTE DE LABORATORIO Y DE CAMPO

 Ambiente de laboratorio: Escenario artificial para la experimentación donde el investigador

construye las condiciones deseadas.
 Ambiente de campo: Situación experimental establecida en condiciones de mercado reales.
 Diferentes escenarios de la demanda: Los participantes tratan de adivinar el propósito del
experimento y responden de acuerdo con ello.

APLICACIONES

Prueba de mercado: Aplicación de un experimento controlado realizado en mercados de prueba

limitados pero seleccionados con cuidado. Implica realizar, en los mercados de prueba, el programa
nacional de marketing que se planeó para un producto. Los principales tipos son:

 Mercado estándar de prueba: Prueba donde el producto se vende a través de los canales de
distribución regulares y se van cambiando las variables del marketing.
  Prueba de mercado controlada: Prueba donde se distribuye el producto en un mercado que es
representativo de la población de un mercado más general (por ejemplo, Bahía Blanca, Rosario,
Neuquén, Tucumán).
 Prueba de mercado simulada: Mercado casi de prueba donde se preselecciona a los
encuestados, se los entrevista y se observa su comportamiento de compra.
 Pruebas de mercado de laboratorio: Se realiza una prueba de mercado en un ambiente de
laboratorio, donde los participantes reciben dinero ficticio para realizar compras.
 Prueba de casimercado: Métodos de prueba simulada en base a modelos y bases de datos. Por
computadora.

ASPECTOS ESTETICOS: Consiste en informar, después del experimento, a los sujetos de la prueba acerca
del propósito del experimento, y de cómo se realizaron las manipulaciones experimentales.

¿COMO ASEGURAMOS DE QUE EL PARTICIPANTE ESTA CALIFICADO PARA PARTICIPAR?

El Screener es un cuestionario breve que se utiliza para identificar si los participantes están calificados
para participar de la investigación. Quienes están calificados continúan con la participación y quienes no
lo están finalizan su participación. En investigación cuantitativa, su aplicación se da más que nada antes
de un experimento, pero puede utilizarse también en otras circunstancias.