Home

IBM SPSS Conjoint 19 - Universidad Complutense de Madrid

1. 0 300 MM F amp F WON oN On ek we a Reserva 23 Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras El aspecto de los resultados recuerda al dise o ortogonal que aparec a en el Editor de datos una fila para cada perfil con los factores como columnas Observe sin embargo que los encabezados de columna son las etiquetas de variable en vez de los nombres de variable que se ve an en el Editor de datos Observe tambi n que los casos reservados se identifican mediante una nota al pie Aunque este dato es de inter s para el experimentador por supuesto no interesa que los sujetos sepan cu les de los casos si los hay son los reservados Seg n como quiera crear y entregar los perfiles de los productos finales puede guardar esta tabla como un archivo HTML Word RTF Excel o PowerPoint Para ello basta con seleccionar la tabla en el Visor pulsar con el bot n derecho del rat n y seleccionar Exportar Adem s si utiliza la versi n exportada para crear los perfiles de los productos finales aseg rese de editar las notas al pie correspondientes a los casos reservados Tal vez sea m s f cil responder a las necesidades de la encuesta si se genera una tabla diferente para cada perfil de producto Esta opci n se presta en especial a la exportaci n a PowerPoint ya que cada tabla perfil de producto se coloca en una diapositiva distinta de PowerPoint Para mostrar cada perfil en una tabla dife
2. IBM SPSS Conjoint 19 Note Before using this information and the product it supports read the general information under Notices el p 41 This document contains proprietary information of SPSS Inc an IBM Company It is provided under a license agreement and is protected by copyright law The information contained in this publication does not include any product warranties and any statements provided in this manual should not be interpreted as such When you send information to IBM or SPSS you grant IBM and SPSS a nonexclusive right to use or distribute the information in any way it believes appropriate without incurring any obligation to you Copyright SPSS Inc 1989 2010 Prefacio IBM SPSSO Statistics es un sistema global para el an lisis de datos El m dulo adicional opcional Conjunto proporciona las t cnicas de an lisis adicionales que se describen en este manual El m dulo adicional Conjunto se debe utilizar con el sistema b sico de SPSS Statistics y est completamente integrado en dicho sistema Acerca de SPSS Inc an IBM Company SPSS Inc an IBM Company es uno de los principales proveedores globales de software y soluciones de an lisis predictivo La gama completa de productos de la empresa recopilaci n de datos an lisis estad stico modelado y distribuci n capta las actitudes y opiniones de las personas predice los resultados de las interacciones futuras con los clientes y a continuaci
3. 2010 1 2 Cap tulo 1 Mediante el an lisis conjunto puede determinar tanto la importancia relativa de cada atributo como los niveles de mayor preferencia de cada atributo Si por alguna raz n el producto que m s se prefiere no es viable por ejemplo por su coste se puede saber cu l es la siguiente alternativa m s preferida Si cuenta con informaci n adicional sobre los encuestados como informaci n demogr fica puede identificar los segmentos de mercado donde se puede introducir el producto Por ejemplo el viajero de negocios y el viajero estudiante pueden tener preferencias distintas que pueden cubrirse con diferentes ofertas de producto Enfoque de perfil completo Conjoint utiliza el enfoque de perfil completo tambi n llamado concepto completo donde los encuestados clasifican ordenan o punt an un conjunto de perfiles o tarjetas en funci n de la preferencia Cada perfil describe un servicio o producto completo y consta de una combinaci n diferente de niveles de factores para todos los factores atributos de inter s Matriz ortogonal Es muy probable que surjan problemas con el enfoque de perfil completo si hay varios factores en juego y cada uno est compuesto por m s de un par de niveles El n mero total de perfiles resultantes de todas las combinaciones posibles de niveles se aumenta demasiado para permitir que los encuestados sean capaces de clasificar o puntuar todos ellos de una manera que tenga sentido Para
4. cellular sav Archivo de datos hipot ticos sobre las iniciativas de una compa a de telefon a m vil para reducir el abandono de clientes Las puntuaciones de propensi n al abandono de clientes se aplican a las cuentas oscilando de 0 a 100 Las cuentas con una puntuaci n de 50 o superior pueden estar buscando otros proveedores ceramics sav Archivo de datos hipot ticos sobre las iniciativas de un fabricante para determinar si una nueva aleaci n de calidad tiene una mayor resistencia al calor que una aleaci n est ndar Cada caso representa una prueba independiente de una de las aleaciones la temperatura a la que registr el fallo del rodamiento cereal sav Archivo de datos hipot ticos sobre una encuesta realizada a 880 personas sobre sus preferencias en el desayuno teniendo tambi n en cuenta su edad sexo estado civil y si tienen un estilo de vida activo o no en funci n de si practican ejercicio al menos dos veces a la semana Cada caso representa un encuestado diferente clothing_defects sav Archivo de datos hipot ticos sobre el proceso de control de calidad en una f brica de prendas Los inspectores toman una muestra de prendas de cada lote producido en la f brica y cuentan el n mero de prendas que no son aceptables 34 Ap ndice A coffee sav Este archivo de datos pertenece a las im genes percibidas de seis marcas de caf helado Kennedy Riquier y Sharp 1996 Para cada uno de los 23 atributos de imagen de c
5. el tiempo transcurrido desde la ltima evaluaci n y la valoraci n realizada en ese momento 38 Ap ndice A property_assess_cs_sample savEste archivo de datos hipot ticos contiene una muestra de las propiedades recogidas en property_assess_cs sav La muestra se tom en funci n del dise o especificado en el archivo de plan property_assess csplan y este archivo de datos registra las probabilidades de inclusi n y las ponderaciones muestrales La variable adicional Valor actual se recopil y a adi al archivo de datos despu s de tomar la muestra recidivism sav Archivo de datos hipot ticos sobre las iniciativas de una agencia de orden p blico para comprender los ndices de reincidencia en su rea de jurisdicci n Cada caso corresponde a un infractor anterior y registra su informaci n demogr fica algunos detalles de su primer delito y a continuaci n el tiempo transcurrido desde su segundo arresto si ocurri en los dos a os posteriores al primer arresto recidivism_cs_sample sav Archivo de datos hipot ticos sobre las iniciativas de una agencia de orden p blico para comprender los ndices de reincidencia en su rea de jurisdicci n Cada caso corresponde a un delincuente anterior puesto en libertad tras su primer arresto durante el mes de junio de 2003 y registra su informaci n demogr fica algunos detalles de su primer delito y los datos de su segundo arresto si se produjo antes de finales de junio de 2006 Los de
6. n 8 casos m nimos 8 casos reservados 8 definici n de nombres de factores etiquetas y valores 7 semilla de aleatorizaci n 5 inversiones 28 legal notices 41 matriz ortogonal 2 modelo antiideal 25 modelo de Bradley Terry Luce BTL 29 modelo de utilidad m xima 29 modelo discreto 24 modelo ideal 25 modelo lineal 25 ndice modelo logit 29 Mostrar el dise o 2 9 21 CARD 10 formato de lista 9 formato de un s lo perfil 9 guardar perfiles 10 pies 10 t tulos 10 niveles de los factores 2 17 18 pies en Mostrar el dise o 10 puntuaciones de importancia 27 puntuaciones de utilidad 3 25 r de Pearson 27 resultados de la simulaci n modelo de Bradley Terry Luce BTL 29 modelo de utilidad m xima 29 modelo logit 29 semilla de aleatorizaci n en Generar dise o ortogonal 5 sintaxis comando CONJOINT 24 sintaxis de comandos comando CONJOINT 24 tama o muestral 3 tau de Kendall 27 t tulos en Mostrar el dise o 10 trademarks 42 utilidad total 25 valores de importancia 27 valores parciales 3 variable card _ en Generar dise o ortogonal 5 variable status_ en Generar disefio ortogonal 5 45
7. nieta abuelo abuela nieto madre sobrino sobrina hermana hijo t o Le pidieron a cuatro grupos de estudiantes universitarios dos masculinos y dos femeninos que ordenaran estos grupos seg n las similitudes A dos grupos uno masculino y otro femenino se les pidi que realizaran la ordenaci n dos veces pero que la segunda ordenaci n la hicieran seg n criterios distintos a los de la primera As se obtuvo un total de seis fuentes Cada fuente se corresponde con una matriz de proximidades de 15 x 15 cuyas casillas son iguales al n mero de personas de una fuente menos el n mero de veces que se particionaron los objetos en esa fuente kinship_ini sav Este archivo de datos contiene una configuraci n inicial para una soluci n tridimensional de kinship_dat sav kinship_var sav Este archivo de datos contiene variables independientes sexo gener aci n y grado de separaci n que se pueden usar para interpretar las dimensiones de una soluci n para kinship_dat sav Concretamente se pueden usar para restringir el espacio de la soluci n a una combinaci n lineal de estas variables marketvalues sav Archivo de datos sobre las ventas de casas en una nueva urbanizaci n de Algonquin Ill durante los a os 1999 y 2000 Los datos de estas ventas son p blicos nhis2000_subset sav La National Health Interview Survey NHIS encuesta del Centro Nacional de Estad sticas de Salud de EE UU es una encuesta detallada realizada ent
8. o del producto Tal vez sea porque el rango de precios no es tan grande Correlaciones Figura 5 12 Coeficientes de correlaci n R de Pearson Tau de Kendall Tau de Kendall para reservas Esta tabla muestra dos estad sticos la r de Pearson y la tau de Kendall que proporcionan medidas de la correlaci n entre las preferencias observadas y las estimadas 28 Cap tulo 5 La tabla tambi n muestra la tau de Kendall nicamente para los perfiles de reserva Recuerde que los perfiles de reserva cuatro en el ejemplo actual fueron evaluados por los sujetos pero el procedimiento Conjoint no los utiliz para estimar las utilidades En lugar de esto el procedimiento Conjoint calcula las correlaciones entre los rdenes de los rangos observados y pronosticados para estos perfiles como comprobaci n de la validez de las utilidades En numerosos an lisis conjuntos el n mero de par metros es similar al n mero de perfiles evaluados lo que aumenta artificialmente la correlaci n entre las puntuaciones observadas y las estimadas En estos casos las correlaciones para los perfiles de reserva pueden ofrecer una mejor indicaci n del ajuste del modelo No olvide sin embargo que las reservas siempre generar n menores coeficientes de correlaci n Inversiones Al especificar modelos LINEAR para precio sello e importe hemos elegido una direcci n esperada LESS 0 MORE para la relaci n lineal entre el valor de la variable y la pre
9. Diet Journal of the American Medical Association 228 Rosenberg S y M P Kim 1975 The method of sorting as a data gathering procedure in multivariate research Multivariate Behavioral Research 10 Van der Ham T J J Meulman D C Van Strien y H Van Engeland 1997 Empirically based subgrouping of eating disorders in adolescents A longitudinal perspective British Journal of Psychiatry 170 Verdegaal R 1985 Meer sets analyse voor kwalitatieve gegevens en neerland s Leiden Department of Data Theory University of Leiden Copyright SPSS Inc 1989 2010 43 44 Bibliograf a Ware J H D W Dockery A Spiro III F E Speizer y B G Ferris Jr 1984 Passive smoking gas cooking and respiratory health of children living in six cities American Review of Respiratory Diseases 129 archivos de datos en Generar dise o ortogonal 5 archivos de ejemplo posici n 31 CARD en Mostrar el disefio 10 casos de simulacion 3 14 28 en Generar disefio ortogonal 8 casos reservados 2 en Generar disefio ortogonal 8 coeficientes 26 coeficientes de correlaci n 27 disefios ortogonales casos minimos 8 casos reservados 8 generacion 5 18 presentacion 9 21 enfoque de perfil completo 2 factores 2 17 18 formato de lista en Mostrar el dise o 9 formato de un s lo perfil en Mostrar el dise o 9 Generar dise o ortogonal 2 5 18 archivos de datos 5 casos de simulaci
10. Faltan las puntuaciones de los s ntomas para el paciente 71 en el tiempo 2 el paciente 76 en el tiempo 2 y el paciente 47 en el tiempo 3 lo que nos deja 217 observaciones v lidas autoaccidents sav Archivo de datos hipot ticos sobre las iniciativas de un analista de seguros para elaborar un modelo del n mero de accidentes de autom vil por conductor teniendo en cuenta la edad y el g nero del conductor Cada caso representa un conductor diferente y registra el sexo la edad en a os y el n mero de accidentes de autom vil del conductor en los ltimos cinco a os band sav Este archivo de datos contiene las cifras de ventas semanales hipot ticas de CD de m sica de una banda Tambi n se incluyen datos para tres variables predictoras posibles bankloan sav Archivo de datos hipot ticos sobre las iniciativas de un banco para reducir la tasa de moras de cr ditos El archivo contiene informaci n financiera y demogr fica de 850 clientes anteriores y posibles clientes Los primeros 700 casos son clientes a los que anteriormente se les ha concedido un pr stamo Al menos 150 casos son posibles clientes cuyos riesgos de cr dito el banco necesita clasificar como positivos o negativos bankloan_binning sav Archivo de datos hipot ticos que contiene informaci n financiera y demogr fica sobre 5 000 clientes anteriores behavior sav En un ejemplo cl sico Price y Bouffard 1974 se pidi a 52 estudiantes que valoraran las combinaciones de
11. Los resultados del ensayo son ocho tonos de rojo con diferentes intensidades donde los tonos m s oscuros indican una mayor probabilidad de infecci n Se llev a cabo una prueba de laboratorio de 2 000 muestras de sangre de las cuales una mitad estaba infectada con el VIH y la otra estaba limpia hourlywagedata sav Archivo de datos hipot ticos sobre los salarios por horas de enfermeras de puestos de oficina y hospitales y con niveles distintos de experiencia insurance_claims sav Este es un archivo de datos hipot ticos sobre una compa a de seguros que desee generar un modelo para etiquetar las reclamaciones sospechosas y potencialmente fraudulentas Cada caso representa una reclamaci n diferente insure sav Archivo de datos hipot ticos sobre una compa a de seguros que estudia los factores de riesgo que indican si un cliente tendr que hacer una reclamaci n a lo largo de un contrato de seguro de vida de 10 a os Cada caso del archivo de datos representa un par de contratos de los que uno registr una reclamaci n y el otro no agrupados por edad y sexo judges sav Archivo de datos hipot ticos sobre las puntuaciones concedidas por jueces cualificados y un aficionado a 300 actuaciones gimn sticas Cada fila representa una actuaci n diferente los jueces vieron las mismas actuaciones kinship_dat sav Rosenberg y Kim Rosenberg y Kim 1975 comenzaron a analizar 15 t rminos de parentesco t a hermano primos hija padre
12. mero de casos m nimo necesario para el plan ortogonal Si el procedimiento Orthoplan no puede crear al menos el n mero de perfiles requerido para el m nimo generar el mayor n mero posible que se ajuste a los factores y los niveles especificados Tenga en cuenta que el dise o no incluye necesariamente el n mero exacto de casos especificados sino el menor n mero posible de casos del dise o ortogonal tomando este valor como un m nimo Casos reservados Puede definir casos reservados que est n evaluados por sujetos pero no se hayan incluido en el an lisis conjunto m N mero de casos reservados Crea casos reservados adem s de los casos normales del plan Los casos reservados son juzgados por los sujetos pero no se utilizan cuando el procedimiento Conjoint estima las utilidades Puede especificar cualquier un n mero entero positivo menor o igual que el n mero total de casos que se pueden formar a partir de todas las combinaciones posibles de los niveles de factores Los casos reservados se generan mediante otro plan aleatorio diferente del plan experimental de efectos principales Los casos reservados no duplican los perfiles experimentales ni se duplican entre ellos Por defecto no se produce ning n caso reservado Combinar al azar con otros casos Mezcla casos aleatoriamente con casos experimentales Cuando esta opci n no est seleccionada los casos de reserva aparecen individualmente a continuaci n de los casos experimenta
13. n act a bas ndose en esta informaci n incorporando el an lisis en los procesos comerciales Las soluciones de SPSS Inc tratan los objetivos comerciales interconectados en toda una organizaci n centr ndose en la convergencia del an lisis la arquitectura de TI y los procesos comerciales Los clientes comerciales gubernamentales y acad micos de todo el mundo conf an en la tecnolog a de SPSS Inc como ventaja ante la competencia para atraer retener y hacer crecer los clientes reduciendo al mismo tiempo el fraude y mitigando los riesgos SPSS Inc fue adquirida por IBM en octubre de 2009 Para obtener m s informaci n visite http www spss com Asistencia t cnica El servicio de asistencia t cnica est a disposici n de todos los clientes de mantenimiento Los clientes podr n ponerse en contacto con este servicio de asistencia t cnica si desean recibir ayuda sobre la utilizaci n de los productos de SPSS Inc o sobre la instalaci n en alguno de los entornos de hardware admitidos Para ponerse en contacto con el servicio de asistencia t cnica consulte el sitio web de SPSS Inc en http support spss com o encuentre a su representante local a trav s del sitio web http support spss com default asp refpage contactus asp Tenga a mano su identificaci n la de su organizaci n y su contrato de asistencia cuando solicite ayuda Servicio de atenci n al cliente Si tiene cualquier duda referente a la forma de envio o pago p ngase en
14. optimal transformations for multiple regression and correlation Journal of the American Statistical Association 80 Cattin P y D R Wittink 1982 Commercial use of conjoint analysis A survey Journal of Marketing 46 3 Collett D 2003 Modelling survival data in medical research 2 ed Boca Raton Chapman amp Hall CRC Green P E y V Rao 1972 Applied multidimensional scaling Hinsdale Ill Dryden Press Green P E y Y Wind 1973 Multiattribute decisions in marketing A measurement approach Hinsdale Ill Dryden Press Guttman L 1968 A general nonmetric technique for finding the smallest coordinate space for configurations of points Psychometrika 33 Hartigan J A 1975 Clustering algorithms Nueva York John Wiley and Sons Hastie T y R Tibshirani 1990 Generalized additive models Londres Chapman and Hall Kennedy R C Riquier y B Sharp 1996 Practical applications of correspondence analysis to categorical data in market research Journal of Targeting Measurement and Analysis for Marketing 5 McCullagh P y J A Nelder 1989 Modelos lineales generalizados 2nd ed Londres Chapman amp Hall Price R H y D L Bouffard 1974 Behavioral appropriateness and situational constraints as dimensions of social behavior Journal of Personality and Social Psychology 30 Rickman R N Mitchell J Dingman y J E Dalen 1974 Changes in serum cholesterol during the Stillman
15. resolver este problema el enfoque de perfil completo utiliza lo que se denomina un dise o factorial fraccional que presenta una fracci n adecuada de todas las posibles combinaciones de niveles de los factores El conjunto resultante denominado matriz ortogonal est dise ado para recoger los efectos principales de cada nivel de factor Se supone que las interacciones entre los niveles de un factor con los niveles de otro factor carecen de significado Se utiliza el procedimiento Generar dise o ortogonal para generar una matriz ortogonal que suele utilizarse como punto de partida de un an lisis conjunto Tambi n permite generar combinaciones de niveles de factores que se conocen como casos reservados que son evaluados por los sujetos pero no se utilizan para generar el modelo de preferencias En su lugar se utilizan como comprobaci n de la validez del modelo El est mulo experimental Cada conjunto de los niveles de los factores de un dise o ortogonal representa una versi n diferente del producto que se est estudiando y se debe presentar a los sujetos en forma de un perfil de producto concreto Esto ayuda al encuestado a concentrarse nicamente en el nico producto que se desea evaluar en ese momento Los est mulos deben normalizarse asegur ndose de que todos los perfiles presentan un aspecto f sico similar excepto en lo que respecta a las diferentes combinaciones de caracter sticas La creaci n de los perfiles de los productos
16. se simplifica gracias al procedimiento Mostrar el dise o Este procedimiento utiliza el dise o generado por el procedimiento Generar dise o ortogonal o uno introducido por el usuario y genera un conjunto de perfiles de producto en un formato de f cil uso 3 Introducci n al An lisis conjunto Recopilaci n y an lisis de datos Como suele haber muchas variaciones intra sujetos en cuanto a las preferencias la mayor parte del an lisis conjunto se centra en el sujeto nico Para generalizar los resultados se selecciona una muestra aleatoria de los sujetos de la poblaci n de destino de manera que se pueda examinar los resultados de grupo El tama o de la muestra de los estudios conjuntos var a enormemente En un informe Cattin y Wittink 1982 los autores exponen que el tama o de la muestra de los estudios de conjuntos comerciales suele oscilar entre 100 y 1 000 siendo el intervalo entre 300 y 550 el m s t pico En otro estudio Akaah y Korgaonkar 1988 se concluye que el tama o de muestra habitual es menor inferior a 100 Como de costumbre el tama o de la muestra debe ser lo suficientemente grande como para garantizar la fiabilidad Una vez elegida la muestra el investigador administra el conjunto de perfiles o tarjetas a cada encuestado El procedimiento Conjoint permite utilizar tres m todos de registro de datos En el primer m todo se pide a los sujetos que asignen una puntuaci n de preferencia a cada perfil Este
17. tipo de m todo es habitual cuando se utiliza una escala de Likert o cuando se pide a los sujetos que asignen un n mero del 1 al 100 para indicar la preferencia En el segundo m todo se pide a los sujetos que asignen un rango a cada perfil de 1 al n mero total de perfiles En el tercer m todo se pide a los sujetos que ordenen los perfiles seg n la preferencia Este ltimo m todo permite al investigador registrar los n meros de perfil en el orden dado por cada sujeto El an lisis de los datos se realiza con el procedimiento Conjoint disponible s lo con la sintaxis de comandos y da como resultado una puntuaci n de utilidad denominada contribuci n parcial para cada nivel del factor Estas puntuaciones de utilidad an logas a los coeficientes de regresi n proporcionan una medida cuantitativa de la preferencia para cada nivel del factor donde los valores mayores corresponden a una preferencia m s alta Las contribuciones parciales se expresan en una unidad com n lo que permite a adirlas conjuntamente para obtener la utilidad total o la preferencia global de cualquier combinaci n de los niveles de los factores As las contribuciones parciales constituyen un modelo para predecir la preferencia de cualquier perfil de producto incluidos los perfiles que se denominan casos de simulaci n que no se presentan realmente durante el experimento La informaci n que se obtiene a partir de un an lisis conjunto puede aplicarse a una amplia
18. valor deseado en la lista es posible ver las etiquetas de valor seleccionando Etiquetas de valor en el men Ver Repita estos pasos para todas las variables factores gt Seleccione Simulaci n como valor de la variable STATUS_ Escriba un valor entero que se utilizar como identificador para la variable CARD_ Los casos de simulaci n se deben numerar de manera independiente a los dem s casos Figura 5 14 Datos de limpiadores de alfombras incluidos los casos de simulaci n formato marca recio sello importe STATUS CARD AY Bisel 1 59 No Si Dise o 17 B Bisel 1 19 No No Dise o 18 AY Bisel 1 59 Si No Reserva 19 Cc kK2R 1 19 Si No Reserva 20 AY Gloria 1 59 No No Reserva 21 AY Bisel 1 19 No No Reserva 22 Cc kK2R 1 19 No No Simulaci n 1 B Gloria 1 19 Si Si Simulaci n 2 La figura muestra una parte del archivo del plan correspondiente al estudio de los limpiadores de alfombras al que se han a adido dos casos de simulaci n Por comodidad se han incluido en carpet_plan sav El an lisis de los casos de simulaci n se realiza utilizando la misma sintaxis de comandos utilizada anteriormente es decir la sintaxis del archivo conjoint sps De hecho si ejecut la sintaxis descrita anteriormente habr notado que los resultados tambi n inclu an los correspondientes a los casos de simulaci n ya que se hab an incluido en carpet_plan sav Puede elegir entre ejecutar las simulaciones junto con el an lisis inicial com
19. 15 situaciones y 15 comportamientos en una escala de 10 puntos que oscilaba entre 0 extremadamente apropiado y 9 extremadamente inapropiado Los valores promediados respecto a los individuos se toman como disimilaridades behavior_ini sav Este archivo de datos contiene una configuraci n inicial para una soluci n bidimensional de behavior sav brakes sav Archivo de datos hipot ticos sobre el control de calidad de una f brica que produce frenos de disco para autom viles de alto rendimiento El archivo de datos contiene las medidas del di metro de 16 discos de cada una de las 8 m quinas de producci n El di metro objetivo para los frenos es de 322 mil metros breakfast sav En un estudio cl sico Green y Rao 1972 se pidi a 21 estudiantes de administraci n de empresas de la Wharton School y sus c nyuges que ordenaran 15 elementos de desayuno por orden de preferencia de 1 mas preferido a 15 menos preferido Sus preferencias se registraron en seis escenarios distintos de Preferencia global a Aperitivo con bebida s lo breakfast overall sav Este archivo de datos s lo contiene las preferencias de elementos de desayuno para el primer escenario Preferencia global broadband_1 sav Archivo de datos hipot ticos que contiene el n mero de suscriptores por regi n a un servicio de banda ancha nacional El archivo de datos contiene n meros de suscriptores mensuales para 85 regiones durante un p
20. 5 13 10 10 8 21 19 a 4 11 12 Los datos de preferencias recopilados de los sujetos se encuentran en carpet_prefs sav Los datos estan compuestos por las respuestas de 10 sujetos identificadas por un valor nico de la variable ID A los sujetos se les pidi que clasificasen los 22 perfiles de los productos empezando por el que m s se prefiere y terminando por el que menos se prefiere Las variables desde PREF hasta PREF22 contienen los ID de los perfiles de producto asociados es decir el ID de tarjeta de carpet_plan sav El sujeto 1 por ejemplo prefer a al perfil 13 sobre todos los dem s por lo que PREFT tiene el valor 13 El an lisis de los datos es una tarea que requiere utilizar la sintaxis de comandos en concreto el comando CONJOINT La sintaxis de comandos necesaria se incluye en el archivo conjoint sps CONJOINT PLAN especificaci n de archivo DATA especificaci n de archivo SEQUENCE PREF1 TO PREF22 SUBJECT ID FACTORS PACKAGE BRAND DISCRETE PRICE LINEAR LESS SEAL LINEAR MORE MONEY LINEAR MORE PRINT SUMMARYONLY m El subcomando PLAN especifica el archivo que contiene el dise o ortogonal que en este ejemplo es carpet_plan sav m El subcomando DATA especifica el archivo que contiene los datos de preferencias que en este ejemplo es carpet_prefs sav Si elige los datos de preferencias como conjunto de datos activo puede reemplazar la especificaci n del archivo por un aster
21. 5 4 Dise o ortogonal para el ejemplo de limpiadores de alfombras formato i i STATUS AY Gloria 1 19 Si No Dise o 14 B K2R 1 39 Si Si Dise o 15 AY K2R 1 19 No No Dise o 16 AY Bisel 1 59 No Si Dise o 17 B Bisel 1 19 No No Dise o 18 AY Bisel 1 59 Si No Reserva 19 c K2R 1 19 Si No Reserva 20 21 AY Gloria 1 59 No No Reserva 21 22 AF Bisel 1 19 No No Reserva 22 EI disefio ortogonal que aparece en el Editor de datos puede verse con mayor claridad si se muestran las etiquetas de valor en vez de los valores reales de los datos Para ello hay que seleccionar Etiquetas de valor en el menu Ver Las variables del archivo de datos son los factores que se utilizan para especificar el disefio Cada caso representa un perfil de producto del dise o Observe que en el archivo de datos aparecen dos variables adicionales CARD_ y STATUS_ CARD_ asigna un n mero secuencial a cada uno de los perfiles que se utilizan para identificar el perfil STATUS_ indica si un perfil forma parte del dise o experimental los primeros 18 casos es un caso reservado los 4 ltimos casos o un caso de simulaci n que trataremos en un tema posterior de este estudio de caso El dise o ortogonal es un dato de entrada necesario para analizar los datos Por ello deber guardar el dise o en un archivo de datos Por comodidad el dise o actual se ha guardado en carpet_plan sav los dise os ortogonales tambi n se denominan planes Generaci n d
22. abrir una ventana de sintaxis gt Escriba la sintaxis de comandos para el comando CONJOINT gt Resalte el comando en la ventana de sintaxis y pulse en el bot n Ejecutar el tri ngulo que apunta hacia la derecha en la barra de herramientas del Editor de sintaxis Consulte el Manual del usuario del sistema b sico para obtener informaci n sobre c mo ejecutar comandos en las ventanas de sintaxis Requisitos El procedimiento Conjoint requiere dos archivos un archivo de datos y un archivo del plan y la especificaci n de c mo se grabaron los datos por ejemplo cada punto de datos es una puntuaci n de preferencia de 1 a 100 El archivo del plan consta del conjunto de perfiles de productos que van a evaluar los sujetos y se debe generar mediante el procedimiento Generar dise o ortogonal El archivo de datos contiene las clasificaciones o puntuaciones de preferencia de estos perfiles recopilados de los sujetos Los archivos del plan y de los datos se especifican con los subcomandos PLAN y DATA respectivamente El m todo de registro de datos se especifica con los subcomandos SEQUENCE RANK O SCORE La siguiente sintaxis de comandos muestra una especificaci n m nima CONJOINT PLAN CPLAN SAV DATA RUGRANKS SAV SEQUENCE PREF1 TO PREF22 Copyright SPSS Inc 1989 2010 11 12 Cap tulo 4 Especificaci n del archivo del plan y el archivo de datos El comando CONJOINT proporciona distintas opciones para especificar
23. ados de las simulaciones CONJOINT PLAN DATA RUGRANKS SAV RANK RANK1 TO RANK22 SUBJECT ID PRINT SIMULATION SUMMARYONLY Subcomando PLOT El subcomando PLOT controla si los gr ficos se incluyen en el resultado Como en el resultado tabular subcomando PRINT puede controlar si el resultado se limita a los resultados de resumen o incluye los resultados para cada sujeto Por defecto no se genera ning n gr fico En el siguiente ejemplo el resultado incluye todos los gr ficos disponibles CONJOINT PLAN DATA RUGRANKS SAV RANK RANK1 TO RANK22 SUBJECT ID PLOT ALL 15 Ejecuci n de un an lisis conjunto Subcomando UTILITY El subcomando UTILITY escribe un archivo de datos de IBM SPSS Statistics que contiene informaci n detallada sobre cada sujeto Incluye las utilidades para los factores DISCRETE las funciones pendientes y cuadr ticas para los factores LINEAR IDEAL y ANTIIDEAL la constante de regresi n y las puntuaciones de preferencia estimadas Estos valores pueden utilizarse en otros an lisis o para realizar gr ficos adicionales con otros procedimientos En el siguiente ejemplo se crea un archivo de utilidades denominado rugutil sav CONJOINT PLAN DATA RUGRANKS SAV RANK RANK1 TO RANK22 SUBJECT ID UTILITY RUGUTIL SAV Parte Il Ejemplos Cap tulo Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras En un ejemplo muy conocido de an lisis co
24. af helado los encuestados seleccionaron todas las marcas que quedaban descritas por el atributo Las seis marcas se denotan AA BB CC DD EE y FF para mantener la confidencialidad contacts sav Archivo de datos hipot ticos sobre las listas de contactos de un grupo de representantes de ventas de ordenadores de empresa Cada uno de los contactos est categorizado por el departamento de la compa a en el que trabaja y su categor a en la compa a Adem s tambi n se registran los importes de la ltima venta realizada el tiempo transcurrido desde la ltima venta y el tama o de la compa a del contacto creditpromo sav Archivo de datos hipot ticos sobre las iniciativas de unos almacenes para evaluar la eficacia de una promoci n de tarjetas de cr dito reciente Para este fin se seleccionaron aleatoriamente 500 titulares La mitad recibieron un anuncio promocionando una tasa de inter s reducida sobre las ventas realizadas en los siguientes tres meses La otra mitad recibi un anuncio estacional est ndar customer_dbase sav Archivo de datos hipot ticos sobre las iniciativas de una compa a para usar la informaci n de su almac n de datos para realizar ofertas especiales a los clientes con m s probabilidades de responder Se seleccion un subconjunto de la base de clientes aleatoriamente a quienes se ofrecieron las ofertas especiales y sus respuestas se registraron customer_information sav Archivo de datos hipot ticos que
25. bre las iniciativas de una compa a de telecomunicaciones para reducir el abandono de clientes en su base de clientes Cada caso corresponde a un cliente distinto y registra diversa informaci n demogr fica y de uso del servicio telco_extra sav Este archivo de datos es similar al archivo de datos telco sav pero las variables de meses con servicio y gasto de clientes transformadas logar tmicamente se han eliminado y sustituido por variables de gasto del cliente transformadas logar tmicamente tipificadas telco_missing sav Este archivo de datos es un subconjunto del archivo de datos telco sav pero algunos valores de datos demogr ficos se han sustituido con valores perdidos testmarket sav Archivo de datos hipot ticos sobre los planes de una cadena de comida r pida para a adir un nuevo art culo a su men Hay tres campa as posibles para promocionar el nuevo producto por lo que el art culo se presenta en ubicaciones de varios mercados seleccionados aleatoriamente Se utiliza una promoci n diferente en cada ubicaci n y se registran las ventas semanales del nuevo art culo durante las primeras cuatro semanas Cada caso corresponde a una ubicaci n semanal diferente testmarket_1month sav Este archivo de datos hipot ticos es el archivo de datos testmarket sav con las ventas semanales acumuladas para que cada caso corresponda a una ubicaci n diferente Como resultado algunas de las variables que cambiaban semanalmente desapare
26. calidad en una f brica de productos para el cabello Se midieron seis lotes de resultados distintos en intervalos regulares y se registr su pH El intervalo objetivo es de 4 5 a 5 5 ships sav Un conjunto de datos presentados y analizados en otro lugar McCullagh et al 1989 sobre los da os en los cargueros producidos por las olas Los recuentos de incidentes se pueden modelar como si ocurrieran con una tasa de Poisson dado el tipo de barco el per odo de construcci n y el per odo de servicio Los meses de servicio agregados para cada casilla de la tabla formados por la clasificaci n cruzada de factores proporcionan valores para la exposici n al riesgo site sav Archivo de datos hipot ticos sobre las iniciativas de una compa a para seleccionar sitios nuevos para sus negocios en expansi n Se ha contratado a dos consultores para evaluar los sitios de forma independiente quienes adem s de un informe completo han resumido 66 cada sitio como una posibilidad buena media o baja 39 Archivos muestrales smokers sav Este archivo de datos es un resumen de la encuesta sobre toxicoman a 1998 National Household Survey of Drug Abuse y es una muestra de probabilidad de unidades familiares americanas http dx doi org 10 3886 ICPSR02934 As el primer paso de un an lisis de este archivo de datos debe ser ponderar los datos para reflejar las tendencias de poblaci n stroke_clean sav Este archivo de
27. cen y las ventas registradas se convierten en la suma de las ventas realizadas durante las cuatro semanas del estudio tree_car sav Archivo de datos hipot ticos que contiene datos demogr ficos y de precios de compra de veh culos 40 Ap ndice A tree_credit sav Archivo de datos hipot ticos que contiene datos demogr ficos y de historial de cr ditos bancarios tree_missing_data sav Archivo de datos hipot ticos que contiene datos demogr ficos y de historial de cr ditos bancarios con un elevado n mero de valores perdidos tree_score_car sav Archivo de datos hipot ticos que contiene datos demogr ficos y de precios de compra de veh culos tree_textdata sav Archivo de datos sencillos con dos variables dise adas principalmente para mostrar el estado por defecto de las variables antes de realizar la asignaci n de nivel de medida y etiquetas de valor tv survey sav Archivo de datos hipot ticos sobre una encuesta dirigida por un estudio de TV que est considerando la posibilidad de ampliar la emisi n de un programa de xito Se pregunt a 906 encuestados si ver an el programa en distintas condiciones Cada fila representa un encuestado diferente cada columna es una condici n diferente ulcer_recurrence sav Este archivo contiene informaci n parcial de un estudio dise ado para comparar la eficacia de dos tratamientos para prevenir la reaparici n de lceras Constituye un buen ejemplo de datos censurados por interval
28. ciativas de una compa a para recopilar una base de datos de informaci n de encuestas Cada caso corresponde a una ciudad diferente y se registra la identificaci n de la ciudad la regi n la provincia y el distrito demo_cs_2 sav Archivo de datos hipot ticos sobre el segundo paso de las iniciativas de una compa a para recopilar una base de datos de informaci n de encuestas Cada caso corresponde a una unidad familiar diferente de las ciudades seleccionadas en el primer paso y 35 Archivos muestrales se registra la identificaci n de la unidad la subdivisi n la ciudad el distrito la provincia y la regi n Tambi n se incluye la informaci n de muestreo de las primeras dos etapas del dise o demo_cs sav Archivo de datos hipot ticos que contiene informaci n de encuestas recopilada mediante un dise o de muestreo complejo Cada caso corresponde a una unidad familiar distinta y se recopila informaci n demogr fica y de muestreo diversa dmdata sav ste es un archivo de datos hipot ticos que contiene informaci n demogr fica y de compras para una empresa de marketing directo dmdata2 sav contiene informaci n para un subconjunto de contactos que recibi un env o de prueba y dmdata3 sav contiene informaci n sobre el resto de contactos que no recibieron el env o de prueba dietstudy sav Este archivo de datos hipot ticos contiene los resultados de un estudio sobre la dieta Stillman Rickman Mitchell Dingman
29. contacto con su oficina local que encontrar en el sitio Web en http www spss com worldwide Recuerde tener preparado su n mero de serie para identificarse O Copyright SPSS Inc 1989 2010 iii Cursos de preparaci n SPSS Inc ofrece cursos de preparaci n tanto p blicos como in situ Todos los cursos incluyen talleres pr cticos Los cursos tendr n lugar peri dicamente en las principales ciudades Si desea obtener m s informaci n sobre estos cursos p ngase en contacto con su oficina local que encontrar en el sitio Web en http www spss com worldwide Publicaciones adicionales Los documentos SPSS Statistics Guide to Data Analysis SPSS Statistics Statistical Procedures Companion y SPSS Statistics Advanced Statistical Procedures Companion escritos por Marija NoruSis y publicados por Prentice Hall est n disponibles y se recomiendan como material adicional Estas publicaciones cubren los procedimientos estad sticos del m dulo SPSS Statistics Base el m dulo Advanced Statistics y el m dulo Regression Tanto si da sus primeros pasos en el an lisis de datos como si ya est preparado para las aplicaciones m s avanzadas estos libros le ayudar n a aprovechar al m ximo las funciones ofrecidas por IBM SPSS Statistics Si desea informaci n adicional sobre el contenido de la publicaci n o muestras de cap tulos consulte el sitio web de la autora http www norusis com Contenido 1 Introducci n al An lisis conj
30. contiene la informaci n de correo del cliente como el nombre y la direcci n customer_subset sav Un subconjunto de 80 casos de customer_dbase sav customers_model sav Este archivo contiene datos hipot ticos sobre los individuos a los que va dirigida una campa a de marketing Estos datos incluyen informaci n demogr fica un resumen del historial de compras y si cada individuo respondi a la campa a Cada caso representa un individuo diferente customers_new sav Este archivo contiene datos hipot ticos sobre los individuos que son candidatos potenciales para una campa a de marketing Estos datos incluyen informaci n demogr fica y un resumen del historial de compras de cada individuo Cada caso representa un individuo diferente debate sav Archivos de datos hipot ticos sobre las respuestas emparejadas de una encuesta realizada a los asistentes a un debate pol tico antes y despu s del debate Cada caso corresponde a un encuestado diferente debate_aggregate sav Archivo de datos hipot ticos que agrega las respuestas de debate sav Cada caso corresponde a una clasificaci n cruzada de preferencias antes y despu s del debate demo sav Archivos de datos hipot ticos sobre una base de datos de clientes adquirida con el fin de enviar por correo ofertas mensuales Se registra si el cliente respondi a la oferta junto con informaci n demogr fica diversa demo_cs_1 sav Archivo de datos hipot ticos sobre el primer paso de las ini
31. datos hipot ticos contiene el estado de una base de datos m dica despu s de haberla limpiado mediante los procedimientos de la opci n Preparaci n de datos stroke_invalid sav Este archivo de datos hipot ticos contiene el estado inicial de una base de datos m dica que incluye contiene varios errores de entrada de datos stroke_survival Este archivo de datos hipot ticos registra los tiempos de supervivencia de los pacientes que finalizan un programa de rehabilitaci n tras un ataque isqu mico Tras el ataque la ocurrencia de infarto de miocardio ataque isqu mico o ataque hemorr gico se anotan junto con el momento en el que se produce el evento registrado La muestra est truncada a la izquierda ya que nicamente incluye a los pacientes que han sobrevivido al final del programa de rehabilitaci n administrado tras el ataque stroke_valid sav Este archivo de datos hipot ticos contiene el estado de una base de datos m dica despu s de haber comprobado los valores mediante el procedimiento Validar datos Sigue conteniendo casos potencialmente an malos survey_sample sav Este archivo de datos contiene datos de encuestas incluyendo datos demogr ficos y diferentes medidas de actitud Se basa en un subconjunto de variables de NORC General Social Survey de 1998 aunque algunos valores de datos se han modificado y que existen variables ficticias adicionales se han a adido para demostraciones telco sav Archivo de datos hipot ticos so
32. e Ohio con edades de 7 8 9 y 10 a os junto con un registro fijo de si la madre era fumadora durante el primer a o del estudio workprog sav Archivo de datos hipot ticos sobre un programa de obras del gobierno que intenta colocar a personas desfavorecidas en mejores trabajos Se sigui una muestra de participantes potenciales del programa algunos de los cuales se seleccionaron aleatoriamente para entrar en el programa mientras que otros no siguieron esta selecci n aleatoria Cada caso representa un participante del programa diferente Ap ndice Notices Licensed Materials Property of SPSS Inc an IBM Company O Copyright SPSS Inc 1989 2010 Patent No 7 023 453 The following paragraph does not apply to the United Kingdom or any other country where such provisions are inconsistent with local law SPSS INC AN IBM COMPANY PROVIDES THIS PUBLICATION AS IS WITHOUT WARRANTY OF ANY KIND EITHER EXPRESS OR IMPLIED INCLUDING BUT NOT LIMITED TO THE IMPLIED WARRANTIES OF NON INFRINGEMENT MERCHANTABILITY OR FITNESS FOR A PARTICULAR PURPOSE Some states do not allow disclaimer of express or implied warranties in certain transactions therefore this statement may not apply to you This information could include technical inaccuracies or typographical errors Changes are periodically made to the information herein these changes will be incorporated in new editions of the publication SPSS Inc may make improvements and
33. e de manera que cada punto de datos del archivo de datos es un n mero de perfil comenzando por el perfil m s preferido y terminando por el perfil menos preferido As es como se registran los datos si se pide al sujeto que ordene los perfiles del m s preferido al menos preferido El investigador registra el n mero de perfil que aparece primero el n mero de perfil que aparece segundo y as sucesivamente CONJOINT PLAN DATA RUGRANKS SAV SEQUENCE PREF1 TO PREF22 m La variable PREF contiene el n mero de perfil correspondiente al perfil m s preferido entre los 22 perfiles del plan ortogonal La variable PREF22 contiene el n mero de perfil correspondiente al perfil menos preferido del plan Subcomando RANK El subcomando RANK indica que cada punto de datos es una clasificaci n comenzando por la clasificaci n del perfil 1 seguido por la clasificaci n del perfil 2 y as sucesivamente As es como se registran los datos si se solicita al sujeto que asigne un rango a cada perfil que oscila de 1 an donde n es el n mero de perfiles Un rango menor implica una preferencia mayor 13 Ejecuci n de un an lisis conjunto CONJOINT PLAN DATA RUGRANKS SAV RANK RANK1 TO RANK22 m Lavariable RANKI contiene la clasificaci n del perfil 1 de un total de 22 perfiles en el plan ortogonal La variable RANK22 contiene la clasificacion del perfil 22 Subcomando SCORE El subcomando SCORE indica que cada punto de datos e
34. e en Continuar Ahora deber repetir este proceso para los factores restantes marca precio sello e importe Utilice los valores y las etiquetas de la siguiente tabla que incluye los valores que ya ha introducido para formato Nombre del Etiqueta del factor Valores Etiquetas factor formato dise o del producto 1 2 3 A B C marca nombre comercial 1 2 3 K2R Glory Bissell precio precio 1 19 1 39 1 59 1 19 1 39 1 59 sello sello de buen producto para 1 2 no s el hogar importe garant a de devoluci n del 1 2 no s importe Una vez que haya rellenado las especificaciones de los factores gt Enel grupo Archivo de datos deje el valor predeterminado de Crear un nuevo conjunto de datos e introduzca un nombre de conjunto de datos El dise o generado se guardar en un nuevo conjunto de datos en la sesi n actual con el nombre especificado Seleccione Restablecer semilla de aleatorizaci n a y escriba el valor 2000000 20 Cap tulo 5 Para generar un dise o ortogonal es necesario un conjunto de n meros aleatorios Si desea duplicar un dise o en este caso el dise o utilizado para el estudio de caso actual deber establecer el valor de la semilla antes de generar el dise o y volver a establecer este mismo valor cada vez que quiera volver a generar el dise o El dise o utilizado para este estudio de caso se gener con el valor de la semilla de 2000000 Pulse en Opciones Figura 5 3 Cuadro de di log
35. el archivo del plan y el archivo de datos m Puede especificar expl citamente los nombres de archivo de los dos archivos Por ejemplo CONJOINT PLAN CPLAN SAV DATA RUGRANKS SAV m Si s lo se especifica un archivo del plan o un archivo de datos el comando CONJOINT lee el archivo especificado y utiliza el conjunto de datos activo como el otro archivo Por ejemplo si especifica un archivo de datos pero omite el archivo del plan no puede omitir ambos archivos el conjunto de datos activo se utiliza como el plan como se muestra en el siguiente ejemplo CONJOINT DATA RUGRANKS SAV Puede utilizar el asterisco en lugar de un nombre de archivo para indicar el conjunto de datos activo como se muestra en el siguiente ejemplo CONJOINT PLAN CPLAN SAV DATA El conjunto de datos activo se utiliza como los datos de preferencia Tenga en cuenta que no puede utilizar el asterisco para el archivo del plan y el archivo de datos Especificaci n de la forma de registrar los datos Debe especificar la forma en la que se registraron los datos de preferencia Los datos se pueden registrar de tres formas secuencialmente como clasificaciones o como puntuaciones de preferencia Estos tres m todos se indican mediante los subcomandos SEQUENCE RANK y SCORE Debe especificar uno y s lo uno de estos subcomandos como parte de un comando CONJOINT Subcomando SEQUENCE El subcomando SEQUENCE indica que los datos se registraron secuencialment
36. el est mulo experimental Presentaci n del dise o Una vez que ha creado un dise o ortogonal deber utilizarlo para crear los perfiles de los productos que los sujetos evaluar n Puede presentar todos los perfiles en una nica tabla o bien mostrar cada uno de los perfiles en una tabla distinta Para mostrar un dise o ortogonal Elija en los men s Datos gt Dise o ortogonal gt Mostrar 22 Cap tulo 5 Figura 5 5 Cuadro de di logo Mostrar el dise o E Mostrar el dise o Factores STATUS_ CARD_ a Formato Y Listado para el experimentador Perfiles para los sujetos acem J _ penar _ Restatiecer _canceiar_ _ Ayuna _ Seleccione formato marca precio sello e importe como factores La informaci n que contienen las variables STATUS_ y CARD_ se incluye autom ticamente en los resultados por lo que no ser necesario seleccionarla Seleccione Listado para el experimentador en el grupo Formato As se mostrar todo el dise o ortogonal en una nica tabla gt Pulse en Aceptar Figura 5 6 Visualizaci n de dise o ortogonal Dise o con una nica tabla Sello de buen Garant a de Dise o del Nombre producto para devoluci n ID de tarjeta producto comercial Precio el hogar del importe Ar Si No Gloria K2R Gloria Gloria Bisel Bisel Bisel K2R K2R Gloria K2R Gloria Bisel Gloria K2R K2R Bisel Bisel Bisel K2R Gloria Bisel K2R Gloria
37. en este ejemplo mediante las palabras clave IDEAL y ANTIIDEAL m Las palabras clave MORE y LESS a continuaci n de LINEAR indican que se espera que la relaci n tenga una determinada direcci n Como esperamos que se muestre una mayor preferencia hacia los precios m s bajos se utilizar la palabra clave LESS para precio Sin embargo esperamos una mayor preferencia hacia un sello de aprobaci n de buen producto para el hogar o una garant a de devoluci n del importe por lo que se utilizar la palabra clave MORE para sello e importe recuerde que los niveles de ambos factores se establecieron en para no y 2 para s Al especificar MORE 0 LESS no cambian los signos de los coeficientes ni resultan afectadas las estimaciones de las utilidades Estas palabras clave se utilizan sencillamente para identificar a los sujetos cuyas estimaciones no corresponden a la direcci n esperada De manera similar si se elige IDEAL en vez de ANTIIDEAL o viceversa ni las utilidades ni los coeficientes resultan afectados m El subcomando PRINT especifica que los resultados nicamente contienen informaci n acerca del grupo de sujetos considerado de forma global palabra clave SUMMARYONLY La informaci n individual acerca de cada sujeto se suprime Pruebe a ejecutar esta sintaxis de comandos Aseg rese de que ha incluido rutas de acceso v lidas a carpet_prefs sav y carpet_plan sav Para ver una descripci n completa de todas las opciones consulte el co
38. en un formato de borrador que distingue los perfiles de reserva de los perfiles experimentales y enumera perfiles de simulaci n independientemente siguiendo los perfiles experimentales y de reserva m Perfiles para los sujetos Genera perfiles de procedimiento que pueden presentarse a los sujetos Este formato no diferencia los perfiles de resultado y no genera perfiles de simulaci n Si lo desea puede m Pulsar en T tulos para definir los encabezados y pies de los perfiles Copyright SPSS Inc 1989 2010 9 10 Cap tulo 3 Mostrar t tulos de dise os Figura 3 2 Cuadro de di logo Mostrar t tulos de dise os E Mostrar el dise o T tulos T tulo del perfil T tulo del perfil Escriba un t tulo del perfil de hasta 80 caracteres Los t tulos aparecer n en la parte superior del resultado si ha seleccionado Listado para el experimentador y en la parte superior de cada nuevo perfil si ha seleccionado Perfiles para los sujetos en el cuadro de di logo principal Para Perfiles para los sujetos si la secuencia de caracteres especiales CARD se especifica en cualquier parte del t tulo el procedimiento la reemplazar por el n mero de perfil secuencial Esta secuencia de caracteres no se convierte para Listado para el experimentador Pie del perfil Escriba un pie del perfil de hasta 80 caracteres Los pies aparecer n en la parte inferior del resultado si ha seleccionado Listado para el experimentador y
39. er odo de cuatro a os broadband_2 sav Este archivo de datos es id ntico a broadband_1 sav pero contiene datos para tres meses adicionales car_insurance_claims sav Un conjunto de datos presentados y analizados en otro lugar McCullagh y Nelder 1989 estudia las reclamaciones por da os en veh culos La cantidad de reclamaciones media se puede modelar como si tuviera una distribuci n Gamma mediante 33 Archivos muestrales una funci n de enlace inversa para relacionar la media de la variable dependiente con una combinaci n lineal de la edad del asegurado el tipo de veh culo y la antig edad del veh culo El n mero de reclamaciones presentadas se puede utilizar como una ponderaci n de escalamiento car_sales sav Este archivo de datos contiene estimaciones de ventas precios de lista y especificaciones f sicas hipot ticas de varias marcas y modelos de veh culos Los precios de lista y las especificaciones f sicas se han obtenido de edmunds com y de sitios de fabricantes car_sales_uprepared sav Esta es una versi n modificada de car_sales sav que no incluye ninguna versi n transformada de los campos carpet sav En un ejemplo muy conocido Green y Wind 1973 una compa a interesada en sacar al mercado un nuevo limpiador de alfombras desea examinar la influencia de cinco factores sobre la preferencia del consumidor dise o del producto marca comercial precio sello de buen producto para el hogar y garant a de devo
40. estar a clara Seguramente prefiera un asiento amplio Suponga que puede elegir entre distintos precios 225 o 800 Teniendo s lo en cuenta el precio el m s bajo resultar a preferible Por ltimo suponga que puede tomar un vuelo directo que tarde dos horas o un vuelo con una escala que tarda cuatro horas La mayor a de los encuestados elegir an el vuelo directo El inconveniente del enfoque anterior es que las alternativas se presentan en funci n de atributos nicos de uno en uno El an lisis conjunto presenta alternativas entre productos definidos por conjuntos de atributos Esto se ilustra en la siguiente elecci n prefiere un vuelo estrecho cuyo precio es de 225 y que hace una escala o un vuelo espacioso cuyo precio es de 800 y que no hace ninguna escala Si la comodidad el precio y la duraci n son atributos relevantes potencialmente hay ocho productos Producto Comodidad Price Duraci n 1 estrecho 225 2 horas 2 estrecho 225 5 horas 3 estrecho 800 2 horas 4 estrecho 800 5 horas 5 espacioso 225 2 horas 6 espacioso 225 5 horas 7 espacioso 800 2 horas 8 espacioso 800 5 horas Teniendo en cuenta las alternativas anteriores el producto 4 es posiblemente el menos preferido mientras que el 5 seria el mas preferido Las preferencias de los encuestados para el resto de ofertas del producto se determinan de forma impl cita en funci n de lo que resulta importante para el encuestado Copyright SPSS Inc 1989
41. estino del dise o ortogonal Puede guardar el dise o en un nuevo conjunto de datos en la sesi n actual o en un archivo de datos externo m Crear un nuevo conjunto de datos Crea un nuevo conjunto de datos en la sesi n actual que contiene los factores y los casos generados por el plan m Crear nuevo archivo de datos Crea un archivo de datos externo que contiene los factores y los casos generados por el plan Por defecto este archivo de datos recibe el nombre ortho sav y se guarda en el directorio actual Pulse en Archivo para especificar un nombre y destino diferentes para el archivo Restablecer semilla de aleatorizaci n a Restablece la semilla de aleatorizaci n al valor espec fico La semilla puede ser un valor entero comprendido entre 0 y 2 000 000 000 En una sesi n se utiliza una semilla distinta cada vez que se genera un conjunto de n meros aleatorios lo que da lugar a diferentes resultados Si desea duplicar los mismos n meros aleatorios debe establecer el valor de la semilla antes de generar el primer dise o y restablecer la semilla al mismo valor cada vez que genere el dise o 7 Generaci n de un dise o ortogonal Si lo desea puede m Pulsar en Opciones para especificar el n mero de casos m nimo del dise o ortogonal y para seleccionar casos reservados Definici n de valores para un dise o ortogonal Figura 2 2 Cuadro de di logo Generar dise o Definir valores E Generar dise o Definir va
42. ferencia para dicho valor El procedimiento Conjoint realiza un seguimiento del n mero de sujetos cuyas preferencias son opuestas a la relaci n esperada por ejemplo prefieren precios m s altos o prefieren que no haya una garant a de devoluci n del importe A estos casos se les denomina inversiones Figura 5 13 N mero de inversiones por factor y sujeto Factor precio importe sello marca a Md O0O0 000N yN 000w Nyp Esta tabla muestra el n mero de inversiones para cada factor y para cada sujeto Por ejemplo tres sujetos muestran una inversi n respecto al precio Es decir prefieren perfiles de productos con precios superiores Ejecuci n de simulaciones La aut ntica potencia del an lisis conjunto reside en la posibilidad de predecir la preferencia de perfiles de producto que no hayan sido evaluados por los sujetos A estos se les denomina casos de simulaci n Los casos de simulaci n se incluyen como parte del plan junto con los perfiles del dise o ortogonal y todos los perfiles de reserva La manera m s sencilla de introducir casos de simulaci n es utilizar el Editor de datos utilizando las etiquetas de valor creadas al generar el dise o experimental 29 Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras Para introducir un caso de simulaci n en el archivo del plan gt En una nueva fila de la ventana del Editor de datos seleccione una casilla y elija el
43. iquetas de variable y las etiquetas de valor mediante las opciones seleccionadas en los cuadros de di logo Si ya tiene un conjunto de datos activo puede reemplazarlo o bien guardar por separado el dise o ortogonal en un archivo de datos Para crear un dise o ortogonal Elija en los men s Datos gt Dise o ortogonal gt Generar Figura 5 1 Cuadro de di logo Generar dise o ortogonal E Generar dise o ortogonal Etiqueta del factor Dise o del producto Archivo de datos Crear un nuevo conjunto de datos Crear nuevo archivo de datos E Restablecer semilla de aleatorizaci n a opciones gt Introduzca formato en el cuadro de texto Nombre del factor y dise o del producto en el cuadro de texto Etiqueta del factor gt Pulse en A adir Se crear un elemento con la etiqueta formato dise o del producto Seleccione este elemento 19 Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras gt Pulse en Definir valores Figura 5 2 Cuadro de di logo Generar dise o Definir valores E Generar dise o Definir valores Walores y etiquetas para producto Etiqueta Auto relleno Dela gt I gt In CUCU 159 mnt 153 199 10 i Escriba los valores 1 2 y 3 para representar los dise os del producto A B y C Escriba tambi n las etiquetas A B y C gt Puls
44. isco sin comillas m El subcomando SEQUENCE especifica que cada punto de datos de los datos de preferencias es un n mero de perfil comenzando por el perfil que m s se prefiere y terminado por el que menos se prefiere El subcomando SUBJECT especifica que la variable ZD identifica a los sujetos El subcomando FACTORS especifica un modelo que describe la relaci n esperada entre los datos de preferencias y los niveles de los factores Los factores especificados hacen referencia a las variables definidas en el archivo de plan indicado en el subcomando PLAN m La palabra clave DISCRETE se utiliza cuando los niveles de los factores son categ ricos y no se realiza ninguna suposici n acerca de la relaci n existente entre los niveles y los datos ste es el caso de los factores formato y marca que representan al dise o del producto y el nombre comercial respectivamente Se supone DISCRETE si no se etiqueta un factor con alguna de las cuatro alternativas DISCRETE LINEAR IDEAL ANTIIDEAL o no se incluye en el subcomando FACTORS 25 Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras m La palabra clave LINEAR utilizada para los dem s factores indica que se espera que los datos est n relacionados linealmente con el factor Por ejemplo normalmente se espera que la preferencia est relacionada linealmente con el precio Tambi n es posible especificar modelos cuadr ticos que no se utilizar n
45. l modelo es discreto Puede especificar uno de estos cuatro modelos DISCRETE El modelo DISCRETE indica que los niveles de los factores son categ ricos y que no se realiza ninguna suposici n acerca de la relaci n existente entre el factor y las clasificaciones o puntuaciones Este es el m todo por defecto LINEAR El modelo LINEAR indica una relaci n esperada lineal entre el factor y las clasificaciones o puntuaciones Puede especificar la direcci n esperada de la relaci n lineal mediante las palabras clave MORE y LESS MORE indica que los niveles m s altos de un factor ser n los m s preferidos mientras que LESS indica que los niveles m s bajos de un factor ser n los preferidos El hecho de 14 Cap tulo 4 especificar MORE 0 LESSno afecta a las estimaciones de las utilidades Se utilizan para identificar sujetos cuyas estimaciones no coinciden con la direcci n esperada IDEAL El modelo IDEAL indica una relaci n esperada cuadr tica entre el factor y las clasificaciones o puntuaciones Se supone que existe un nivel ideal para el factor y la distancia a este punto ideal en cualquier direcci n se asocia con la preferencia descendente Los factores descritos con este modelo deben tener al menos tres niveles ANTIIDEAL El modelo ANTIIDEAL indica una relaci n esperada cuadr tica entre el factor y las clasificaciones o puntuaciones Se supone que existe un peor nivel para el factor y la distancia a este punto en cualquier di
46. la parte inferior de cada perfil si ha seleccionado Perfiles para los sujetos en el cuadro de di logo principal Para Perfiles para los sujetos si la secuencia de caracteres especiales CARD se especifica en cualquier parte del pie el procedimiento la reemplazar por el n mero de perfil secuencial Esta secuencia de caracteres no se convierte para Listado para el experimentador Funciones adicionales del comando PLANCARDS Con el lenguaje de sintaxis de comandos tambi n podr m Escribir perfiles para sujetos en un archivo externo mediante el subcomando OUTFILE Si desea informaci n detallada sobre la sintaxis consulte la referencia de sintaxis de comandos Command Syntax Reference Cap tulo Ejecuci n de un an lisis conjunto A n no existe una interfaz gr fica de usuario para el procedimiento Conjoint Para obtener un an lisis conjunto debe escribir la sintaxis de comandos para un comando CONJOINT en una ventana de sintaxis y a continuaci n ejecutarla m Si desea obtener un ejemplo de sintaxis de comandos para un comando CONJOINT en el contexto de un an lisis conjunto completo incluida la generaci n y visualizaci n de un dise o ortogonal consulte el cap tulo 5 m Si desea informaci n detallada sobre la sintaxis de comandos acerca del comando CONJOINT consulte Command Syntax Reference Para ejecutar un comando desde una ventana de sintaxis Elija en los men s Archivo gt Nuevo gt Sintaxis Se
47. les Funciones adicionales del comando ORTHOPLAN Con el lenguaje de sintaxis de comandos tambi n podr m A adir el dise o ortogonal al conjunto de datos activo en lugar de crear uno nuevo m Especificar casos de simulaci n antes de generar el dise o ortogonal en lugar de despu s de haber creado el dise o Si desea informaci n detallada sobre la sintaxis consulte la referencia de sintaxis de comandos Command Syntax Reference Cap tulo 3 Presentaci n de un dise o El procedimiento Mostrar el dise o permite imprimir un dise o experimental Puede imprimir el dise o en un formato de lista de borrador o como perfiles que se pueden presentar a los sujetos de un estudio conjunto Este procedimiento puede mostrar dise os creados con el procedimiento Generar dise o ortogonal o cualquier dise o mostrado en un conjunto de datos activo Para mostrar un dise o ortogonal En los men s seleccione Datos gt Dise o ortogonal gt Mostrar Figura 3 1 Cuadro de di logo Mostrar el dise o E Mostrar el dise o Factores STATUS_ CARD_ e Formato IM Listado para el experimentador T Perfiles para los sujetos Cs Can era Comes Can Mueva uno o m s factores a la lista Factores Seleccione un formato para mostrar los perfiles en el resultado Formato Puede elegir una o m s de las siguientes opciones de formato m Listado para el experimentador Muestra el dise o
48. lincuentes se seleccionaron de una muestra de departamentos seg n el plan de muestreo especificado en recidivism_cs csplan Como este plan utiliza un m todo de probabilidad proporcional al tama o PPS tambi n existe un archivo que contiene las probabilidades de selecci n conjunta recidivism_cs_jointprob sav rfm_transactions sav Archivo de datos hipot ticos que contiene datos de transacciones de compra incluida la fecha de compra los art culos adquiridos y el importe de cada transacci n salesperformance sav Archivo de datos hipot ticos sobre la evaluaci n de dos nuevos cursos de formaci n de ventas Sesenta empleados divididos en tres grupos reciben formaci n est ndar Adem s el grupo 2 recibe formaci n t cnica el grupo 3 un tutorial pr ctico Cada empleado se someti a un examen al final del curso de formaci n y se registr su puntuaci n Cada caso del archivo de datos representa a un alumno distinto y registra el grupo al que fue asignado y la puntuaci n que obtuvo en el examen satisf sav Archivo de datos hipot ticos sobre una encuesta de satisfacci n llevada a cabo por una empresa minorista en cuatro tiendas Se encuest a 582 clientes en total y cada caso representa las respuestas de un nico cliente screws sav Este archivo de datos contiene informaci n acerca de las caracter sticas de tornillos pernos clavos y tacos Hartigan 1975 shampoo_ph sav Archivo de datos hipot ticos sobre el control de
49. lo de aprobaci n y una garant a de devoluci n del importe la utilidad total ser a 0 367 0 017 8 811 4 000 2 500 12 870 10 909 Coeficientes Figura 5 10 Coeficientes precio 5 542 sello 2 000 importe 1 250 Esta tabla muestra los coeficientes de regresi n lineal para los que se han especificado los factores como LINEAR para los modelos IDEAL y ANTIIDEAL tambi n habr a un t rmino cuadr tico La utilidad de un determinado nivel de factor se determina multiplicando el nivel por el coeficiente Por ejemplo la tabla de utilidades mostraba la utilidad pronosticada 6 595 para un precio de 1 19 ste es sencillamente el valor del nivel de precio 1 19 multiplicado por el coeficiente de precio 5 542 27 Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras Importancia relativa El rango de los valores de utilidad de mayor a menor para cada factor proporciona una medida de lo importante que es un determinado factor respecto a la preferencia global Los factores que presentan mayores rangos de utilidad desempe an un papel m s importante que los que tienen rangos menores Figura 5 11 Valores de importancia formato marca precio sello importe Puntuaci n promediada de la importancia Esta tabla ofrece una medida de la importancia relativa de cada factor denominado valor o puntuaci n de importancia Los valores se calculan tomando el rango de utilidad
50. lores Walores y etiquetas para producto UNI I In 169 Ion CLOUT 19 19 IN I Debe asignar valores a cada nivel de los factores o factor seleccionado El nombre del factor aparecer despu s de Valores y etiquetas para Escriba cada valor del factor Puede decidir asignar las etiquetas descriptivas de los valores Si no asigna etiquetas a los valores las etiquetas que corresponden a los valores se asignar n autom ticamente es decir un valor de 1 se asignar a una etiqueta de 1 un valor de 3 se asignar a una etiqueta de 3 y as sucesivamente Auto relleno Permite rellenar autom ticamente los cuadros Valor con valores consecutivos que comiencen por 1 Escriba el valor m ximo y pulse en Rellenar para rellenar los valores 8 Cap tulo 2 Opciones del dise o ortogonal Figura 2 3 Cuadro de di logo Generar dise o ortogonal Opciones E Generar dise o ortogonal Opciones Generar como m nimo Casos reservados 4 Numero de casos reservados T Combinar al azar con otros casos a cc Capas Generar como m nimo Especifica un n mero de casos m nimo para el plan Seleccione un n mero entero positivo menor o igual que el n mero total de casos que se pueden formar de todas las combinaciones posibles de los niveles de factores Si no especifica expl citamente el n mero de casos m nimo que se crear se generar el n
51. luci n del importe Hay tres niveles de factores para el dise o del producto cada uno con una diferente colocaci n del cepillo del aplicador tres nombres comerciales K2R Glory y Bissell tres niveles de precios y dos niveles no o s para los dos ltimos factores Diez consumidores clasificaron 22 perfiles definidos por estos factores La variable Preferencia contiene el rango de las clasificaciones medias de cada perfil Las clasificaciones inferiores corresponden a preferencias elevadas Esta variable refleja una medida global de la preferencia de cada perfil carpet_prefs sav Este archivo de datos se basa en el mismo ejemplo que el descrito para carpet sav pero contiene las clasificaciones reales recogidas de cada uno de los 10 consumidores Se pidi a los consumidores que clasificaran los 22 perfiles de los productos empezando por el menos preferido Las variables desde PREF1 hasta PREF22 contienen los ID de los perfiles asociados como se definen en carpet_plan sav catalog savEste archivo de datos contiene cifras de ventas mensuales hipot ticas de tres productos vendidos por una compa a de venta por cat logo Tambi n se incluyen datos para cinco variables predictoras posibles catalog_seasfac savEste archivo de datos es igual que catalog sav con la excepci n de que incluye un conjunto de factores estacionales calculados a partir del procedimiento Descomposici n estacional junto con las variables de fecha que lo acompa an
52. mando CONJOINT en Command Syntax Reference Referencia de sintaxis de comandos Puntuaciones de utilidad Figura 5 9 Puntuaciones de utilidad Estimaci n de la utilidad Error t pico formato AY Bt ct K2R Gloria Bisel precio 1 19 1 39 1 59 sello No Si importe No Si Constante 26 Cap tulo 5 Esta tabla muestra las puntuaciones de utilidad las contribuciones parciales y los errores t picos de cada nivel de factor Mayores valores de utilidad indican una mayor preferencia Tal como se esperaba hay una relaci n inversa entre el precio y la utilidad en la que los mayores precios corresponden a una menor utilidad valores grandes negativos indican una menor utilidad La presencia de un sello de aprobaci n o una garant a de devoluci n del importe corresponden a una mayor utilidad como hab amos previsto Como todas las utilidades se expresan en una unidad com n es posible sumarlas para obtener la utilidad total de cualquier combinaci n Por ejemplo la utilidad total de un limpiador con un dise o del producto B marca K2R precio 1 19 y sin sello de aprobaci n ni garant a de devoluci n del importe es utilidad formato B utilidad K2R utilidad 1 19 utilidad sin sello utilidad sin devoluci n del importe constante o 1 867 0 367 76 595 2 000 1 250 12 870 11 759 Si el limpiador tuviera el dise o del producto C marca Bissell precio 1 59 un sel
53. n infarto de miocardio IM o ataque al coraz n Cada caso corresponde a un paciente distinto y registra diversas variables relacionadas con su estancia hospitalaria patlos_sample sav Este archivo de datos hipot ticos contiene los registros de tratamiento de una muestra de pacientes que recibieron trombol ticos durante el tratamiento del infarto de miocardio IM o ataque al coraz n Cada caso corresponde a un paciente distinto y registra diversas variables relacionadas con su estancia hospitalaria polishing sav Archivo de datos Nambeware Polishing Times Tiempo de pulido de metal de la biblioteca de datos e historiales Contiene datos sobre las iniciativas de un fabricante de cuberter as de metal Nambe Mills Santa Fe N M para planificar su programa de producci n Cada caso representa un art culo distinto de la l nea de productos Se registra el di metro el tiempo de pulido el precio y el tipo de producto de cada art culo poll_cs sav Archivo de datos hipot ticos sobre las iniciativas de los encuestadores para determinar el nivel de apoyo p blico a una ley antes de una asamblea legislativa Los casos corresponden a votantes registrados Cada caso registra el condado la poblaci n y el vecindario en el que vive el votante poll_cs_sample sav Este archivo de datos hipot ticos contiene una muestra de los votantes enumerados en poll_cs sav La muestra se tom seg n el dise o especificado en el archivo de
54. njunto Green y Wind 1973 una compa a interesada en sacar al mercado un nuevo limpiador de alfombras desea examinar la influencia de cinco factores sobre la preferencia del consumidor dise o del producto marca comercial precio sello de buen producto para el hogar y garant a de devoluci n del importe Hay tres niveles de factores para el dise o del producto cada uno con una diferente colocaci n del cepillo del aplicador tres nombres comerciales K2R Glory y Bissell tres niveles de precios y dos niveles no o s para los dos ltimos factores La siguiente tabla muestra las variables utilizadas en el estudio de limpiadores de alfombras con sus etiquetas de variable y valores Tabla 5 1 Variables en el estudio de limpiadores de alfombras Nombre de variable Etiqueta de variable Etiqueta de valor formato dise o del producto A B C marca nombre comercial K2R Glory Bissell precio precio 1 19 1 39 1 59 sello sello de buen producto para el hogar no si importe garant a de devoluci n del importe no si Puede que haya otros factores y niveles de los factores que sirvan para caracterizar a los limpiadores de alfombras pero para la administraci n s lo stos son de inter s Hay un punto importante en el an lisis conjunto S lo se desea elegir aquellos factores variables independientes que se considera que m s afectar n a la preferencia del sujeto la variable dependiente Mediante el an lisis conjunto se desarr
55. ntes incluida la cantidad que invierten en comestibles durante esa semana guttman sav Bell Bell 1961 present una tabla para ilustrar posibles grupos sociales Guttman Guttman 1968 utiliz parte de esta tabla en la que se cruzaron cinco variables que describ an elementos como la interacci n social sentimientos de pertenencia a un grupo proximidad f sica de los miembros y grado de formalizaci n de la relaci n con siete grupos sociales te ricos incluidos multitudes por ejemplo las personas que acuden a un partido de f tbol espectadores por ejemplo las personas que acuden a un teatro o de una conferencia p blicos por ejemplo los lectores de peri dicos o los espectadores de televisi n muchedumbres como una multitud pero con una interacci n mucho m s intensa grupos primarios ntimos grupos secundarios voluntarios y la comunidad moderna confederaci n d bil que resulta de la proximidad cercana f sica y de la necesidad de servicios especializados health_funding sav Archivo de datos hipot ticos que contiene datos sobre inversi n en sanidad cantidad por 100 personas tasas de enfermedad ndice por 10 000 personas y visitas a centros de salud ndice por 10 000 personas Cada caso representa una ciudad diferente 36 Ap ndice A hivassay sav Archivo de datos hipot ticos sobre las iniciativas de un laboratorio farmac utico para desarrollar un ensayo r pido para detectar la infecci n por VIH
56. o Generar dise o ortogonal Opciones E Generar dise o ortogonal Opciones Generar como m nimo Casos reservados Y N mero de casos reservados F Combinar al azar con otros casos Gra ce Can En el cuadro de texto Generar como m nimo escriba 18 Por defecto se generan el n mero m nimo de casos necesarios para una matriz ortogonal Este procedimiento determina el n mero de casos que es necesario administrar para que sea posible estimar las utilidades Tambi n puede especificar el n mero m nimo de casos que se generar n como hemos hecho anteriormente Tal vez le interese hacerlo as porque el n mero m nimo por defecto de casos sea demasiado peque o para ser til o porque existan consideraciones del dise o experimental que requieran un determinado n mero m nimo de casos Seleccione N mero de casos reservados y escriba 4 Los casos reservados son juzgados por los sujetos pero no se utilizan en el an lisis conjunto para estimar las utilidades Se utilizan como comprobaci n de la validez de las utilidades estimadas Los casos reservados se generan mediante otro plan aleatorio diferente del plan ortogonal experimental Pulse en Continuar en el cuadro de di logo Generar dise o ortogonal Opciones Pulse en Aceptar en el cuadro de di logo Generar dise o ortogonal 21 Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras Figura
57. o hemos hecho aqu o ejecutar las simulaciones posteriormente simplemente incluyendo los casos de simulaci n en el archivo del plan y volviendo a ejecutar CONJOINT Si desea obtener m s informaci n consulte la entrada correspondiente al comando CONJOINT en la referencia de sintaxis de comandos de SPSS Command Syntax Reference Probabilidades de preferencias de las simulaciones Figura 5 15 Resultados de la simulaci n Utilidad Bradley a de tarjeta m xima Terry Luce Logit 30 0 43 1 30 9 70 0 56 9 69 1 Esta tabla ofrece las probabilidades pronosticadas de elegir cada uno de los casos de simulaci n como el que m s se prefiere seg n tres modelos diferentes de probabilidad de elecci n El modelo de utilidad m xima determina la probabilidad como el n mero de encuestados que se pronostica que elegir n el perfil dividido por el n mero total de encuestados Para cada encuestado la elecci n pronosticada es sencillamente el perfil con la mayor utilidad total El modelo de Bradley Terry Luce BTL determina la probabilidad como la relaci n de la utilidad de un perfil 30 Cap tulo 5 respecto a todos los perfiles de simulaci n promediada en todos los encuestados El modelo logit es simular al BTL pero utiliza el logaritmo natural de las utilidades en vez de las utilidades En los 10 sujetos de este estudio los tres modelos indican que se preferir a el perfil de simulaci n 2 Ap ndice A Archivos muest
58. ollar un modelo de la preferencia del cliente basado en estos cinco factores Este ejemplo utiliza la informaci n de los siguientes archivos de datos carpet_prefs sav contiene los datos recopilados de los sujetos carpet_plan sav contiene los perfiles de los productos sobre los que se ha realizado la encuesta conjoint sps contiene la sintaxis de comandos necesaria para ejecutar el an lisis Si desea obtener m s informaci n consulte el tema Archivos muestrales en el ap ndice A en IBM SPSS Conjoint 19 Copyright SPSS Inc 1989 2010 17 18 Cap tulo 5 Generaci n de un dise o ortogonal El primer paso de un an lisis conjunto consiste en crear las combinaciones de los niveles de los factores que se presentan como perfiles de los productos a los sujetos Ya que incluso un n mero peque o de factores y unos cuantos niveles para cada factor pueden producir un n mero desmesurado de posibles perfiles de productos es necesario generar un subconjunto representativo denominado matriz ortogonal El procedimiento Generar dise o ortogonal crea una matriz ortogonal tambi n denominada dise o ortogonal y almacena la informaci n en un archivo de datos A diferencia de la mayor a de los procedimientos no es necesario disponer de un conjunto de datos activo antes de ejecutar el procedimiento Generar dise o ortogonal Si no tiene ning n conjunto de datos activo tiene la posibilidad de crear uno generar los nombres de variable las et
59. or changes in the product s and or the program s described in this publication at any time without notice Any references in this information to non SPSS and non IBM Web sites are provided for convenience only and do not in any manner serve as an endorsement of those Web sites The materials at those Web sites are not part of the materials for this SPSS Inc product and use of those Web sites is at your own risk When you send information to IBM or SPSS you grant IBM and SPSS a nonexclusive right to use or distribute the information in any way it believes appropriate without incurring any obligation to you Information concerning non SPSS products was obtained from the suppliers of those products their published announcements or other publicly available sources SPSS has not tested those products and cannot confirm the accuracy of performance compatibility or any other claims related to non SPSS products Questions on the capabilities of non SPSS products should be addressed to the suppliers of those products This information contains examples of data and reports used in daily business operations To illustrate them as completely as possible the examples include the names of individuals companies brands and products All of these names are fictitious and any similarity to the names and addresses used by an actual business enterprise is entirely coincidental COPYRIGHT LICENSE This information contains sample application programs in s
60. os y se ha presentado y analizado en otro lugar Collett 2003 ulcer_recurrence_recoded sav Este archivo reorganiza la informaci n de ulcer_recurrence sav para permitir modelar la probabilidad de eventos de cada intervalo del estudio en lugar de s lo la probabilidad de eventos al final del estudio Se ha presentado y analizado en otro lugar Collett et al 2003 verd1985 sav Archivo de datos sobre una encuesta Verdegaal 1985 Se han registrado las respuestas de 15 sujetos a 8 variables Se han dividido las variables de inter s en tres grupos El conjunto 1 incluye edad y ecivil el conjunto 2 incluye mascota y noticia mientras que el conjunto 3 incluye m sica y vivir Se escala mascota como nominal m ltiple y edad como ordinal el resto de variables se escalan como nominal simple virus sav Archivo de datos hipot ticos sobre las iniciativas de un proveedor de servicios de Internet ISP para determinar los efectos de un virus en sus redes Se ha realizado un seguimiento aproximado del porcentaje de tr fico de correos electr nicos infectados en sus redes a lo largo del tiempo desde el momento en que se descubre hasta que la amenaza se contiene wheeze_steubenville sav Subconjunto de un estudio longitudinal de los efectos sobre la salud de la poluci n del aire en los ni os Ware Dockery Spiro II Speizer y Ferris Jr 1984 Los datos contienen medidas binarias repetidas del estado de las sibilancias en ni os de Steubenvill
61. ource language which illustrate programming techniques on various operating platforms You may copy modify and distribute these sample programs in any form without payment to SPSS Inc for the purposes of developing Copyright SPSS Inc 1989 2010 41 42 Ap ndice B using marketing or distributing application programs conforming to the application programming interface for the operating platform for which the sample programs are written These examples have not been thoroughly tested under all conditions SPSS Inc therefore cannot guarantee or imply reliability serviceability or function of these programs The sample programs are provided AS IS without warranty of any kind SPSS Inc shall not be liable for any damages arising out of your use of the sample programs Trademarks IBM the IBM logo and ibm com are trademarks of IBM Corporation registered in many jurisdictions worldwide A current list of IBM trademarks is available on the Web at http www ibm com legal copytrade shmtl SPSS is a trademark of SPSS Inc an IBM Company registered in many jurisdictions worldwide Adobe the Adobe logo PostScript and the PostScript logo are either registered trademarks or trademarks of Adobe Systems Incorporated in the United States and or other countries Intel Intel logo Intel Inside Intel Inside logo Intel Centrino Intel Centrino logo Celeron Intel Xeon Intel SpeedStep Itanium and Pentium are trademarks o
62. para cada factor por separado y dividi ndolo por la suma de los rangos de utilidad de todos los factores Por tanto los valores representan porcentajes y tienen la propiedad de que suman 100 Es importante resaltar que los c lculos se realizan por separado para cada sujeto y a continuaci n los resultados se promedian respecto a todos los sujetos Observe que mientras que los coeficientes de regresi n y las utilidades de resumen o globales de los dise os ortogonales son iguales con o sin un subcomando SUBJECT las importancias en general son diferentes Para los resultados de resumen sin un subcomando SUBJECT es posible calcular directamente las importancias a partir de las utilidades de resumen al igual se puede hacer con cada uno de los sujetos Sin embargo cuando se utiliza un subcomando SUBJECT las importancias de los sujetos individuales se promedian y estas importancias promediadas en general no coincidir n con las calculadas mediante las utilidades de resumen Los resultados muestran que el dise o del producto tiene la mayor influencia sobre la preferencia global Por tanto existe una gran diferencia en la preferencia entre los perfiles de producto que utilizan el dise o m s deseado y los que contienen el menos deseado Los resultados tambi n muestran que la garant a de devoluci n del importe desempe a el papel menos importante respecto a la preferencia global El precio desempe a un papel significativo pero no tanto como el dise
63. plan poll csplan y este archivo de datos registra las probabilidades de inclusi n y las ponderaciones muestrales Sin embargo tenga en cuenta que debido a que el plan muestral hace uso de un m todo de probabilidad proporcional al tama o PPS tambi n existe un archivo que contiene las probabilidades de selecci n conjunta poll_jointprob sav Las variables adicionales que corresponden a los datos demogr ficos de los votantes y sus opiniones sobre la propuesta de ley se recopilaron y a adieron al archivo de datos despu s de tomar la muestra property_assess sav Archivo de datos hipot ticos sobre las iniciativas de un asesor del condado para mantener actualizada la evaluaci n de los valores de las propiedades utilizando recursos limitados Los casos corresponden a las propiedades vendidas en el condado el a o anterior Cada caso del archivo de datos registra la poblaci n en que se encuentra la propiedad el ltimo asesor que visit la propiedad el tiempo transcurrido desde la ltima evaluaci n la valoraci n realizada en ese momento y el valor de venta de la propiedad property_assess_cs sav Archivo de datos hipot ticos sobre las iniciativas de un asesor de un estado para mantener actualizada la evaluaci n de los valores de las propiedades utilizando recursos limitados Los casos corresponden a propiedades del estado Cada caso del archivo de datos registra el condado la poblaci n y el vecindario en el que se encuentra la propiedad
64. poco razonable dado el gran n mero de perfiles El procedimiento Generar dise o ortogonal es un conjunto reducido de perfiles de producto lo suficientemente peque o como para incluirse en una encuesta y lo suficientemente grande como para evaluar la importancia relativa de cada factor Para generar un dise o ortogonal Elija en los men s Datos gt Dise o ortogonal gt Generar Copyright SPSS Inc 1989 2010 5 6 Cap tulo 2 gt Figura 2 1 Cuadro de di logo Generar dise o ortogonal FFA Generar dise o ortogonal Etiqueta del factor Dise o del producto asear Archivo de datos Crear un nuevo conjunto de datos Crear nuevo archivo de datos F Restablecer semilla de aleatorizaci n a ice fo Restatiecer cancer ayu Defina al menos un factor Escriba un nombre en el cuadro de texto Nombre de factor Los nombres de los factores pueden ser cualquier nombre de variable v lido excepto status_ o card_ Tambi n se puede asignar una etiqueta de factor opcional Pulse en A adir para a adir el nombre de factor y una etiqueta opcional Para eliminar un factor selecci nelo de la lista y pulse en Eliminar Para modificar un nombre de factor o etiqueta selecci nelo de la lista modifique el nombre o la etiqueta y pulse en Cambiar Puede definir valores para cada factor seleccionando el factor y pulsando en Definir valores Archivo de datos Permite controlar el d
65. r registered trademarks of Intel Corporation or its subsidiaries in the United States and other countries Linux is a registered trademark of Linus Torvalds in the United States other countries or both Microsoft Windows Windows NT and the Windows logo are trademarks of Microsoft Corporation in the United States other countries or both UNIX is a registered trademark of The Open Group in the United States and other countries Java and all Java based trademarks and logos are trademarks of Sun Microsystems Inc in the United States other countries or both This product uses WinWrap Basic Copyright 1993 2007 Polar Engineering and Consulting http www winwrap com Other product and service names might be trademarks of IBM SPSS or other companies Adobe product screenshot s reprinted with permission from Adobe Systems Incorporated Microsoft product screenshot s reprinted with permission from Microsoft Corporation ere Bibliograf a Akaah I P y P K Korgaonkar 1988 A conjoint investigation of the relative importance of risk relievers in direct marketing Journal of Advertising Research 28 4 Bell E H 1961 Social foundations of human behavior Introduction to the study of sociology Nueva York Harper amp Row Blake C L y C J Merz 1998 UCI Repository of machine learning databases Available at http www ics uci edu mlearn MLRepository html Breiman L y J H Friedman 1985 Estimating
66. rales Los archivos muestrales instalados con el producto se encuentran en el subdirectorio Samples del directorio de instalaci n Hay una carpeta independiente dentro del subdirectorio Samples para cada uno de los siguientes idiomas Ingl s franc s alem n italiano japon s coreano polaco ruso chino simplificado espa ol y chino tradicional No todos los archivos muestrales est n disponibles en todos los idiomas Si un archivo muestral no est disponible en un idioma esa carpeta de idioma contendr una versi n en ingl s del archivo muestral Descripciones A continuaci n se describen brevemente los archivos muestrales usados en varios ejemplos que aparecen a lo largo de la documentaci n accidents sav Archivo de datos hipot ticos sobre una compa a de seguros que estudia los factores de riesgo de edad y g nero que influyen en los accidentes de autom viles de una regi n determinada Cada caso corresponde a una clasificaci n cruzada de categor a de edad y g nero adl sav Archivo de datos hipot ticos relativo a los esfuerzos para determinar las ventajas de un tipo propuesto de tratamiento para pacientes que han sufrido un derrame cerebral Los m dicos dividieron de manera aleatoria a pacientes mujeres que hab an sufrido un derrame cerebral en dos grupos El primer grupo recibi el tratamiento f sico est ndar y el segundo recibi un tratamiento emocional adicional Tres meses despu s de los tratamientos se pun
67. re la poblaci n civil de Estados Unidos Las encuestas se realizaron en persona a una muestra representativa de las unidades familiares del pa s Se recogi tanto la informaci n demogr fica como las observaciones acerca del estado y los h bitos de salud de los integrantes de cada unidad familiar Este archivo de datos contiene un subconjunto de informaci n de la encuesta de 2000 National Center for Health Statistics National Health Interview Survey 2000 Archivo de datos y documentaci n de uso p blico Fip ftp cdc gov pub Health_Statistics NCHS Datasets NHIS 2000 Fecha de acceso 2003 37 Archivos muestrales ozono sav Los datos incluyen 330 observaciones de seis variables meteorol gicas para pronosticar la concentraci n de ozono a partir del resto de variables Los investigadores anteriores Breiman y Friedman 1985 Hastie y Tibshirani 1990 han encontrado que no hay linealidad entre estas variables lo que dificulta los m todos de regresi n t pica pain_medication sav Este archivo de datos hipot ticos contiene los resultados de una prueba cl nica sobre medicaci n antiinflamatoria para tratar el dolor artr tico cr nico Resulta de particular inter s el tiempo que tarda el f rmaco en hacer efecto y c mo se compara con una medicaci n existente patient_los sav Este archivo de datos hipot ticos contiene los registros de tratamiento de pacientes que fueron admitidos en el hospital ante la posibilidad de sufrir u
68. recci n se asocia con la preferencia ascendente Los factores descritos con este modelo deben tener al menos tres niveles La siguiente sintaxis de comandos proporciona un ejemplo con el subcomando FACTORS CONJOINT PLAN DATA RUGRANKS SAV RANK RANK1 TO RANK22 SUBJECT ID FACTORS PACKAGE BRAND DISCRETE PRICE LINEAR LESS SEAL LINEAR MORE MONEY LINEAR MORE m Observe que tanto package como brand estan modelados como discretos Subcomando PRINT El subcomando PRINT permite controlar el contenido del resultado tabular Por ejemplo si tiene un numero elevado de sujetos puede limitar el resultado s lo a los resultados de resumen omitiendo el resultado detallado para cada sujeto como se muestra en el siguiente ejemplo CONJOINT PLAN DATA RUGRANKS SAV RANK RANK1 TO RANK22 SUBJECT ID PRINT SUMMARYONLY Tambi n puede seleccionar si el resultado incluye el an lisis de los datos experimentales los resultados para cualquier caso de simulaci n incluido en el archivo del plan ambos o ninguno Los casos de simulaci n no est n evaluados por los sujetos pero representan perfiles de producto que son de su inter s El procedimiento Conjoint utiliza el an lisis de los datos experimentales para realizar predicciones a cerca de la preferencia relativa para cada perfil de simulaci n En el siguiente ejemplo se suprime el resultado detallado de cada sujeto y el resultado se limita a los result
69. rente gt Pulse en el bot n Recuperar cuadros de di logo y elija Mostrar el dise o gt Anule la selecci n de Listado para el experimentador y seleccione Perfiles para los sujetos gt Pulse en Aceptar Figura 5 7 Visualizaci n de dise o ortogonal Dise o de tabla m ltiple N mero de perfil 1 Sello de buen Garant a de Dise o del Nombre producto para devoluci n ID de tarjeta producto comercial Precio el hogar del importe AE N mero de perfil 2 Sello de buen Garantia de Dise o del Nombre producto para devoluci n ID de tarjeta producto comercial Precio el hogar del importe AEE La informaci n correspondiente a cada perfil de producto aparecer en una tabla diferente Adem s no se podr n distinguir los casos reservados de los dem s por lo que no habr que preocuparse de eliminar los identificadores de los casos reservados como ocurr a con el dise o con una nica tabla Ejecuci n del an lisis Ha generado un dise o ortogonal y ha aprendido a mostrar los perfiles de los productos asociados Ya est preparado para aprender a ejecutar un an lisis conjunto 24 Cap tulo 5 Figura 5 8 Datos de preferencias para el ejemplo de limpiadores de alfombras ID PREF1 PREF2 PREF3 PREF4 PREFS PREF6 PREF 1 13 15 1 20 14 7 11 2 2 15 7 18 2 12 3 11 3 3 2 18 14 6 22 13 20 4 4 13 10 20 4 2 18 16 5 5 13 18 2 0 20 15 9 6 6 15 2 3 12 18 7 20 a 7 13 7 15 8 2 3 10 8 8 15 7 13 4 6 16 8 9 9 20 9 10 1 4
70. s una puntuaci n de preferencia asignada a los perfiles comenzando con la puntuaci n del perfil 1 seguida por la puntuaci n del perfil 2 y as sucesivamente Este tipo de datos puede generarse por ejemplo pidiendo a los sujetos que asignen un n mero del 1 al 100 para mostrar su preferencia por el perfil Una puntuaci n mayor implica una preferencia mayor CONJOINT PLAN DATA RUGRANKS SAV SCORE SCORE1 TO SCORE22 m Lavariable SCORE contiene la puntuaci n para el perfil 1 y la variable SCORE22 contiene la puntuaci n para el perfil 22 Subcomandos opcionales El comando CONJOINT ofrece varios subcomandos opcionales que proporcionan control y funcionalidad adicionales superiores a los requeridos Subcomando SUBJECT El subcomando SUBJECT permite especificar una variable del archivo de datos para utilizarla como identificador para los sujetos Si no especifica ninguna variable de sujetos el comando CONJOINT supone que todos los casos del archivo de datos vienen de un sujeto El siguiente ejemplo especifica que la variable ZD del archivo rugranks sav se utiliza como identificador de sujeto CONJOINT PLAN DATA RUGRANKS SAV SCORE SCORE1 TO SCORE22 SUBJECT ID Subcomando FACTORS El subcomando FACTORS permite especificar el modelo que describe la relaci n esperada entre los factores y las clasificaciones o puntuaciones Si no especifica ning n modelo para un factor CONJOINT supone que e
71. t eens 25 CoeficienteS ooo 26 Importancia relativa 0 ee ee eee e en ene e nee enees 27 GorrelacioneS tooo aita a atad ra Baa hai aapea Bod aha enc a at ote ae a a 27 INVEST ES aii ea a ata eT aa a a aati e R a U E dew Wades a a ac daw et oie haan en OROA AAN 28 Ejecuci n de simulaciones nsan naana aune 28 Probabilidades de preferencias de las simulaciones 0 0 0 cece eee eee eens 29 Ap ndices A Archivos muestrales 31 B Notices 41 Bibliograf a 43 ndice 45 vi Cap tulo Introducci n al An lisis conjunto El an lisis conjunto es una herramienta de investigaci n de mercados para desarrollar un dise o de productos eficaz Mediante el an lisis conjunto el investigador puede responder preguntas como las siguientes Qu atributos de producto son importantes para el consumidor y cu les son irrelevantes Cu les son los niveles de atributos de producto m s atractivos para el consumidor y cu les son los menos atractivos Cu l es la cuota de mercado de preferencia de los productos de los competidores en comparaci n con nuestro producto propuesto o existente La ventaja del an lisis conjunto reside en que solicita al encuestado que elija del mismo modo que se supone que lo har el consumidor al comparar las caracter sticas Por ejemplo suponga que desea reservar un vuelo Tiene la opci n de sentarse en un asiento estrecho o en uno amplio Si esta fuera la nica consideraci n la elecci n
72. tuaron las capacidades de cada paciente para realizar actividades cotidianas como variables ordinales advert sav Archivo de datos hipot ticos sobre las iniciativas de un minorista para examinar la relaci n entre el dinero invertido en publicidad y las ventas resultantes Para ello se recopilaron las cifras de ventas anteriores y los costes de publicidad asociados aflatoxin sav Archivo de datos hipot ticos sobre las pruebas realizadas en las cosechas de ma z con relaci n a la aflatoxina un veneno cuya concentraci n var a ampliamente en los rendimientos de cultivo y entre los mismos Un procesador de grano ha recibido 16 muestras de cada uno de los 8 rendimientos de cultivo y ha medido los niveles de aflatoxinas en partes por mill n PPM aflatoxin20 sav Este archivo de datos contiene las medidas de aflatoxina de cada una de las 16 muestras de los rendimientos 4 y 8 procedentes del archivo de datos aflatoxin sav anorectic sav Mientras trabajaban en una sintomatolog a estandarizada del comportamiento anor xico bul mico los investigadores Van der Ham Meulman Van Strien y Van Engeland 1997 realizaron un estudio de 55 adolescentes con trastornos de la alimentaci n conocidos Cada paciente fue examinado cuatro veces durante cuatro a os lo que representa un total O Copyright SPSS Inc 1989 2010 31 32 Ap ndice A de 220 observaciones En cada observaci n se puntu a los pacientes por cada uno de los 16 s ntomas
73. unto 1 Enfoque de perfil COMplet0 o ooooooooooor een en tenn e ene n eens 2 Matriz ortogonal 0 ee ee enn ene ene n ees 2 El est mulo experimental 0 0 teen ence en eens 2 Recopilaci n y an lisis de datos 00 0 cece teens 3 Parte Manual del usuario 2 Generaci n de un dise o ortogonal 5 Definici n de valores para un dise o ortogonal 0 0 ccc cee teens 7 Opciones del dise o ortogonal 0 ccc eee 8 Funciones adicionales del comando ORTHOPLAN 0 0 0 c cece eee eee 8 3 Presentaci n de un dise o 9 Mostrar t tulos de dise os o o ooooooooooo ee eee eee eens 10 Funciones adicionales del comando PLANCARDS 0 0 0 0 ccc eee eae 10 4 Ejecuci n de un an lisis conjunto 11 ReqQuisit0S sza is ida a adi Dive Ub 4d da a ee deeded ee 11 Especificaci n del archivo del plan y el archivo de dat0S o oooooooooo 12 Especificaci n de la forma de registrar los dat0S o oooooooooonroooooo 12 Subcomandos opcionales o oooococ o 13 Parte Il Ejemplos 5 Uso del an lisis conjunto para modelar la preferencia por los limpiadores de alfombras 17 Generaci n de un dise o ortogonal ooococccccco eee 18 Generaci n del est mulo experimental Presentaci n del dise O ooo ooooooo o 21 Ejecuci n del an liSiS oooocoococooor een eee e eee e eee 23 Puntuaciones de Utilidad 0 0 0 0 ect nen
74. variedad de preguntas de investigaci n de mercado Se puede utilizar para investigar reas como el dise o de productos la cuota de mercado la publicidad estrat gica el an lisis de costes y beneficios y la segmentaci n del mercado Aunque el enfoque de este manual se centra en las aplicaciones de investigaci n de mercado el an lisis conjunto puede ser til en casi cada campo cient fico o empresarial donde resulta importante medir las percepciones o juicios de la gente Parte l Manual del usuario Cap tulo Generaci n de un dise o ortogonal El procedimiento Generar dise o ortogonal genera un archivo de datos que contiene un dise o ortogonal de efectos principales que permite contrastar estad sticamente varios factores sin contrastar cada combinaci n de niveles del factor Este dise o puede mostrarse con el procedimiento Mostrar el dise o y el archivo de datos puede utilizarse por otros procedimientos como el Conjoint Ejemplo Una nueva compa a a rea de bajo coste est interesada en determinar la importancia relativa de distintos factores en su oferta para clientes potenciales El precio es claramente un factor fundamental pero qu ocurre con el resto de factores como el tama o del asiento el n mero de escalas y el hecho de que se incluya o no una bebida o aperitivo La posibilidad de realizar una encuesta para clasificar los perfiles de producto que representen todas las combinaciones de factores resulta
75. y Dalen 1974 Cada caso corresponde a un sujeto distinto y registra sus pesos antes y despu s de la dieta en libras y niveles de triglic ridos en mg 100 ml dvdplayer sav Archivo de datos hipot ticos sobre el desarrollo de un nuevo reproductor de DVD El equipo de marketing ha recopilado datos de grupo de enfoque mediante un prototipo Cada caso corresponde a un usuario encuestado diferente y registra informaci n demogr fica sobre los encuestados y sus respuestas a preguntas acerca del prototipo german_credit sav Este archivo de datos se toma del conjunto de datos German credit de las Repository of Machine Learning Databases Blake y Merz 1998 de la Universidad de California Irvine grocery_1month sav Este archivo de datos hipot ticos es el archivo de datos grocery_coupons sav con las compras semanales acumuladas para que cada caso corresponda a un cliente diferente Algunas de las variables que cambiaban semanalmente desaparecen de los resultados y la cantidad gastada registrada se convierte ahora en la suma de las cantidades gastadas durante las cuatro semanas del estudio grocery_coupons sav Archivo de datos hipot ticos que contiene datos de encuestas recopilados por una cadena de tiendas de alimentaci n interesada en los h bitos de compra de sus clientes Se sigue a cada cliente durante cuatro semanas y cada caso corresponde a un cliente semana distinto y registra informaci n sobre d nde y c mo compran los clie

IBM SPSS Conjoint 19 - Universidad Complutense de Madrid

Contents

Download Pdf Manuals

Related Search

Related Contents