ASESORAMIENTO ESTADÍSTICO

ASESORAMIENTO

ESTADÍSTICO

Proyecto “App Deportiva”

Informe final resumido

Autora: Sánchez-Álvarez, Leticia

01

02

03

04

05

CONTENIDO

06

07

08

09

10

Ficha técnica

Análisis unidimensional

Inferencia estadística

Análisis factorial


Análisis clúster


Análisis discriminante


Análisis de regresión


SEM

Bibliografía

Cuestionario

Título del proyecto: App Deportiva

Objetivo principal:

Medir el impacto de la gamificación en los componentes de co-creación de valor a través de la experiencia del cliente y cómo esto influye en el diseño de servicios

Ámbito de estudio: Usuarios habituales de aplicaciones deportivas

Método de recogida de datos:

Cuestionario estructurado y autoadministrado de forma online

Tamaño de la muestra:

304 unidades

Periodo de ejecución:

11/11/2020 – 24/03/2021

FICHA TÉCNICA

Cuestionario estructurado y autoadministrado por el usuario de forma

online, compuesto por un total de 8 preguntas:

Código Etiqueta Tipo de pregunta

P1 Sexo Dicotómica

P2 Edad Elección simple

P3 Horas de práctica semanal Elección simple

P4 Utilización apps móviles Dicotómica

P5 Tipo de apps Elección múltiple-mixto

P6 Apps deportivas Elección múltiple-mixto

SEL_APP Nike+ / Garmin Elección simple

P7 Matriz de ítems acuerdo/desacuerdo Elección simple

Alfa de Cronbach

Este índice mide la confiabilidad del tipo

consistencia interna de una escala, es decir,

evalúa la correlación que existe entre los

ítems de un instrumento (Cortina, 1993).

En este caso, el valor obtenido es α = 0,958, el cual supera el valor mínimo

aceptado para suponer una buena fiabilidad del cuestionario.

KMO y Test de Bartlett

El índice de Kaiser-Meyer-Olkin (KMO)

mide la adecuación de la muestra, indicando

qué tan apropiado es aplicar el análisis

factorial sobre los datos. Mientras que, el

Test de Esfericidad de Bartlett se utiliza para comprobar que las variables no

están correlacionadas en la población (Montoya-Suárez, 2007). De este

modo, el índice KMO presenta un valor de 0,961 y el Test de Esfericidad de

Bartlett rechaza la hipótesis nula, por lo que se continúa con el análisis.

CUESTIONARIO

FIABILIDAD DEL

CUESTIONARIO

VALIDACIÓN DEL CUESTIONARIO

Análisis Factorial

Para comprobar la validez de constructo del cuestionario aplicamos el

Análisis Factorial Exploratorio (AFE). Donde se ha seleccionado el método

de componentes principales (ACP), con selección del número de factores

mediante la regla de Kaiser y, rotando los ejes a través de rotaciones

ortogonales Varimax (Kaiser, 1958).

El AFE determina la existencia de

tres factores para un total de

inercia explicada del 59%, siendo

el primer factor el que más

porcentaje aporta al total

explicado (48,3%). Se recomienda

que la solución factorial explique,

al menos, un 50% de la

variabilidad total (Merenda,

1997). Esto nos lleva a una buena

solución.

La tabla de la derecha muestra la

matriz de componentes rotados,

donde comprobamos que todas

las variables afectan en cierta

forma a los tres componentes.

La primera componente es

representada mayoritariamente

por el bloque de gamificación. El

bloque de diseño de servicios

sería el que más pesa dentro de la

segunda componente. Y en la

tercera componente, tanto en

bloque de co-creación como el de

diseño de servicios pesan

principalmente dentro de la

misma.

Así, queda validado el cuestionario, ya que los tres factores se pueden

identificar prácticamente con los tres bloques temáticos planteados que

giran en torno a la gamificación, la co-creación y el diseño de servicios.

Comp. 1 2 3

G

am

ific

aci

ón

1 0,632 0,195 0,361 2 0,578 0,027 0,493 3 0,721 0,126 0,322 4 0,582 0,444 0,079 5 0,620 0,114 0,430 6 0,652 0,172 0,405 7 0,542 0,529 0,179 8 0,532 0,450 0,159

C

o-c

rea

ció

n

9 0,560 0,458 0,257 10 0,462 0,464 0,371 11 0,525 0,382 0,315 12 0,361 0,365 0,584 13 0,574 0,399 0,283 14 0,449 0,289 0,524 15 0,309 0,435 0,526 16 0,203 0,337 0,661 17 0,265 0,480 0,486

D

iseñ

o d

e s

erv

icio

s

18 0,252 0,368 0,572 19 0,269 0,559 0,427 20 0,204 0,759 0,127 21 0,331 0,631 0,196 22 0,396 0,460 0,355 23 0,115 0,780 0,214 24 0,068 0,751 0,258 25 0,182 0,347 0,674 26 0,367 0,059 0,740 27 0,387 0,169 0,742

Obtenemos un vistazo general sobre las características demográficas de la

población objeto de estudio a través de las preguntas P1, P2 y P3 del

cuestionario.

La muestra logra una significativa representatividad

de la población, ya que posee equidad tanto en sexo

como en edad. Así, se encuentra compuesta por un 52%

de hombres y un 48% de mujeres. Mientras que, cada uno

de los cinco rangos de edad se hallan integrados por

aproximadamente un 20% de la muestra.

Menos del 15% de los encuestados practican más de 10 horas de deporte a la

semana, por el contrario, la mayoría invierte entre 6 y 10 horas

semanalmente.

Nike+, Mi fit y Garmin son el top 3 de las aplicaciones

deportivas más usadas por los usuarios. En caso de tener

que elegir entre Nike+ y Garmin, el 64,5% de los

encuestados muestran preferencia por Nike+.

Los tres bloques temáticos de valoración (gamificación, co-creación y diseño

de servicios) presentan para cada uno de los ítems, unos histogramas con

asimetría negativa, por lo que los datos se concentran a la derecha de la

media. Es decir, todos los ítems recogen unas valoraciones

mayoritariamente positivas.

Gamificación Co-creación Diseño de servicios

Media del bloque 3,9 3,8 3,8

Mayor frecuencia de valoraciones

4 4 4

ANÁLISIS

UNIDIMENSIONAL

Ítems mejor valorados por los encuestados

- “Me divierte superar los retos que plantea la aplicación”

- “Recibir recompensas me anima a seguir participando”

- “El contenido que ofrece la aplicación me anima a seguir

participando”

- “Mediante la aplicación, el usuario tiene muchas opciones para

decidir cómo vivir la experiencia de la práctica deportiva”

- “La aplicación facilita al cliente información útil para mejorar los

resultados”

- “La aplicación es fácil de usar”

- “Me gusta usar la aplicación con frecuencia”

Ítems peor valorados por los encuestados

- “Siento que recibo un trato especial por ser usuario de la

aplicación”

- “A través de la aplicación, facilito información a la empresa sobre

mis gustos y preferencias”

- “A través de la aplicación, la empresa promueve activamente el

diálogo con el cliente para aprender más sobre sus necesidades,

qué quiere y cómo lo quiere”

- “El diseño de la aplicación me hace sentir parte de la compañía”

- “La empresa y yo mantenemos contacto para diseñar

conjuntamente mi experiencia deportiva”

- “Siento que participo en el diseño del servicio”

Nota: La mayoría de los ítems mejor valorados se encuentran en el bloque

de gamificación. En cambio, los ítems peor valorados pertenecen al

bloque de diseño de servicios.

Correlaciones significativas estudiadas a través de la chi-cuadrado de

Pearson y la prueba exacta de Fisher (Díaz de Rada, 2009).

■ Sexo (P1) y horas de práctica semanal (P3)

■ Sexo (P1) y selección de aplicación (SELL_APP)

■ Edad (P2) y selección de aplicación (SELL_APP)

INFERENCIA

ESTADÍSTICA

Entre 1-5 horas de entreno semanal

Mujeres

Entre 6-10 horas o más de 10 horas de entreno semanal

Hombres

NIKE + GARMIN

Mujeres Hombres

NIKE + GARMIN

Menores de 20 hasta 39 años

Desde 40 años hasta mayores de 50

■ Edad (P2) y bloque de gamificación (GA)

■ Edad (P2) y bloque de diseño de servicios (DI)

■ Horas de práctica semanal (P3) y bloque de co-creación (CO)

Mayoritariamente valoraciones entre 3 y 4









Entre 1 y 10 horas de entreno

Más de 10 horas de entreno


Contrastes de hipótesis (H1, H2, H3) mediante pruebas no paramétricas.

{ 𝐻0 ≡ 𝑙𝑜𝑠 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝐺𝐴 𝑦 𝐶𝑂 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝐻1 ≡ 𝑙𝑜𝑠 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝐺𝐴 𝑦 𝐶𝑂 𝑛𝑜 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠

Valor gl Sig.

asintótica (2 caras)

Sig. exacta (2

caras)

Sig. exacta (1 cara)

Chi-cuadrado de Pearson 118,867 1 0,000

Razón de verosimilitud 109,964 1 0,000

Prueba exacta de Fisher 0,000 0,000

Asociación lineal por lineal 118,476 1 0,000

En la prueba exacta de Fisher se rechaza la hipótesis nula de independencia,

con un coeficiente de contingencia de phi = 0,625. De esta forma, podemos

decir que todas las mecánicas emocionales de la gamificación planteadas

influyen positivamente en las dimensiones de co-creación de valor a través

de la experiencia de usuario.

H1 Las mecánicas emocionales de la gamificación influyen positivamente en las dimensiones de co-creación de valor a través de la experiencia de usuario ✓

H1a La mecánica utilitaria favorece positivamente las dimensiones de co-creación de valor ✓

H1a1 La mecánica utilitaria favorece positivamente el diálogo ✓

H1a2 La mecánica utilitaria favorece positivamente el acceso ✓

H1a3 La mecánica utilitaria favorece positivamente la transparencia ✓

H1a4 La mecánica utilitaria favorece positivamente los riesgos ✓

H1b La mecánica social favorece positivamente las dimensiones de co-creación de valor ✓

H1b1 La mecánica social favorece positivamente el diálogo ✓

H1b2 La mecánica social favorece positivamente el acceso ✓

H1b3 La mecánica social favorece positivamente la transparencia ✓

H1b4 La mecánica social favorece positivamente los riesgos ✓

H1c La mecánica hedónica favorece positivamente las dimensiones de co-creación de valor ✓

H1c1 La mecánica hedónica favorece positivamente el diálogo ✓

H1c2 La mecánica hedónica favorece positivamente el acceso ✓

H1c3 La mecánica hedónica favorece positivamente la transparencia ✓

H1c4 La mecánica hedónica favorece positivamente los riesgos ✓

H1

Concretamente, la asociación es significativamente positiva (✓) entre cada

una de las mecánicas (utilitaria, social y hedónica) y las diferentes

dimensiones de co-creación de valor (dialogo, acceso, transparencia y

riesgos). Siendo la mecánica social la que mayor relación presenta con el

diálogo (H1b1), con un coeficiente de contingencia de 0,558.

{ 𝐻0 ≡ 𝑙𝑜𝑠 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝐶𝑂 𝑦 𝐷𝐼 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝐻1 ≡ 𝑙𝑜𝑠 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝐶𝑂 𝑦 𝐷𝐼 𝑛𝑜 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠

Valor gl Sig.

asintótica (2 caras)

Sig. exacta (2

caras)

Sig. exacta (1 cara)



Prueba exacta de Fisher 0,000 0,000


En la prueba exacta de Fisher se rechaza la hipótesis nula de independencia,

con un coeficiente de contingencia de phi = 0,667. De esta forma, podemos

decir que todas las dimensiones de co-creación de valor a través de la

experiencia de usuario influyen positivamente en el diseño de servicios.

H2 Las dimensiones de co-creación de valor influyen positivamente en el diseño de servicios ✓

H2a El diálogo influye positivamente en el diseño de servicios ✓

H2a1 El diálogo influye positivamente en la responsabilidad compartida ✓

H2a2 El diálogo influye positivamente en la autonomía ✓

H2a3 El diálogo influye positivamente en la usabilidad ✓

H2b La transparencia influye positivamente en el diseño de servicios ✓

H2b1 La transparencia influye positivamente en la responsabilidad compartida ✓

H2b2 La transparencia influye positivamente en la autonomía ✓

H2b3 La transparencia influye positivamente en la usabilidad ✓

H2c El acceso influye positivamente en el diseño de servicios ✓

H2c1 El acceso influye positivamente en la responsabilidad compartida ✓

H2c2 El acceso influye positivamente en la autonomía ✓

H2

H2c3 El acceso influye positivamente en la usabilidad ✓

H2d Los riesgos influyen positivamente en el diseño de servicios ✓

H2d1 Los riesgos influyen positivamente en la responsabilidad compartida ✓

H2d2 Los riesgos influyen positivamente en la autonomía ✓

H2d3 Los riesgos influyen positivamente en la usabilidad ✓


una de las dimensiones de co-creación de valor (dialogo, acceso,

transparencia y riesgos) y los distintos niveles de diseño de servicios

(responsabilidad compartida, autonomía y usabilidad). Siendo la usabilidad

la que mayor relación presenta con los riesgos (H2d3), con un coeficiente de

contingencia de 0,569.

{ 𝐻0 ≡ 𝑙𝑜𝑠 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝐺𝐴 𝑦 𝐷𝐼 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝐻1 ≡ 𝑙𝑜𝑠 𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝐺𝐴 𝑦 𝐷𝐼 𝑛𝑜 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠

Valor gl Sig. asintótica

(2 caras)




En la prueba de la chi-cuadrado de Pearson se rechaza la hipótesis nula de

independencia, con un coeficiente de contingencia de 0,608. De esta forma,

podemos decir que todas las mecánicas emocionales de la gamificación

influyen positivamente en el diseño de servicios.

H3 Las mecánicas emocionales de la gamificación influyen positivamente en el diseño de servicios ✓

H3a La mecánica utilitaria favorece positivamente en el diseño de servicios ✓

H3a1 La mecánica utilitaria favorece positivamente en la responsabilidad compartida ✓

H3a2 La mecánica utilitaria favorece positivamente en la autonomía ✓

H3a3 La mecánica utilitaria favorece positivamente en la usabilidad ✓

H3b La mecánica social favorece positivamente en el diseño de servicios ✓

H3

H3b1 La mecánica social favorece positivamente en la responsabilidad compartida ✓

H3b2 La mecánica social favorece positivamente en la autonomía ✓

H3b3 La mecánica social favorece positivamente en la usabilidad ✓

H3c La mecánica hedónica favorece positivamente en el diseño de servicios ✓

H2c1 La mecánica hedónica favorece positivamente en la responsabilidad compartida ✓

H2c2 La mecánica hedónica favorece positivamente en la autonomía ✓

H2c3 La mecánica hedónica favorece positivamente en la usabilidad ✓


una de las mecánicas (utilitaria, social y hedónica) y los distintos niveles de

diseño de servicios (responsabilidad compartida, autonomía y usabilidad).

Siendo la mecánica hedónica la que mayor relación presenta junto con la

usabilidad (H3b3), con un coeficiente de contingencia de 0,581.

Para poder concluir en qué medida influyen cada uno de los bloques,

realizamos el Índice de relación Parcial (IRP).

𝐼𝑅𝑃 (𝑔𝑎𝑚𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛) =0,455 ∗ 221 + 0,522 ∗ 83

304= 0,47

𝐼𝑅𝑃 (𝑐𝑜 − 𝑐𝑟𝑒𝑎𝑐𝑖ó𝑛) =0,268 ∗ 240 + 0,185 ∗ 64

304= 0,25

𝐼𝑅𝑃 (𝑑𝑖𝑠𝑒ñ𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠) =0,418 ∗ 238 + 0,417 ∗ 66

304= 0,42

En los tres casos, el IRP es notablemente menor que el indicador obtenido

en la relación directa por cada par de bloques, lo que implica que los tres

bloques son influyentes entre sí (Díaz de Rada, 2009).

Conclusión: Todos contrastes de hipótesis realizados son significativos, es

decir, no existe independencia entre los ítems de los bloques de valoración.

Además, a través de los residuos se verifica la influencia positiva de cada uno

de los bloques sobre el resto. Por tanto, cuando las valoraciones son positivas

en un bloque, también lo son en el resto.

Análisis Factorial Exploratorio

Mediante el Análisis Factorial Exploratorio (AFE) estudiamos las

dimensiones entre distintas variables. En este caso, la idoneidad del modelo

viene avalada por el índice de Kaiser-Meyer-Olkin (KMO), el cual toma el

valor 0.961, y el test de esfericidad de Bartlett, el cual es significativo. Esto

nos permite suponer una excelente adecuación muestral para llevar a cabo

el AFE (Montoya-Suárez, 2007).

Para este análisis de ha seleccionado el método de componentes principales

(ACP), con selección del número de factores mediante la regla de Kaiser y,

rotando los ejes a través de rotaciones ortogonales Varimax (Kaiser, 1958). A

través del gráfico de sedimentación podemos detectar visualmente el

número de factores, tomando los factores con autovalores mayores que 1.

ANÁLISIS

FACTORIAL

El AFE determina la existencia de

tres factores para un total de

inercia explicada del 59%, siendo

el primer factor el que más

porcentaje aporta al total

explicado (48,3%). Se recomienda

que la solución factorial explique,

al menos, un 50% de la

variabilidad total (Merenda,

1997). Esto nos lleva a una buena

solución.

La tabla de la derecha muestra la

matriz de componentes rotados,

donde comprobamos que todas

las variables afectan en cierta

forma a los tres componentes.

El bloque de gamificación

muestra una mayor carga

factorial en la primera

componente, con un 44%. El

bloque de diseño de servicios es el

que más pesa dentro de la

segunda componente, con un

46% de representatividad. Por

último, el bloque de co-creación

presenta una mayor carga en la

tercera componente, con un 38%.

Análisis Factorial Confirmatorio

El Análisis Factorial Confirmatorio (AFC) permite contrastar un modelo

construido a priori. Existirá un ajuste óptimo cuando haya una

correspondencia perfecta entre la matriz reproducida por el modelo y la

matriz de observaciones. Para su comprobación, utilizamos las medidas de

ajuste absoluto e incremental.

Comp. 1 2 3

G

am

ific

aci

ón

1 0,632 0,195 0,361 2 0,578 0,027 0,493 3 0,721 0,126 0,322 4 0,582 0,444 0,079 5 0,620 0,114 0,430 6 0,652 0,172 0,405 7 0,542 0,529 0,179 8 0,532 0,450 0,159

C

o-c

reaci

ón

9 0,560 0,458 0,257 10 0,462 0,464 0,371 11 0,525 0,382 0,315 12 0,361 0,365 0,584 13 0,574 0,399 0,283 14 0,449 0,289 0,524 15 0,309 0,435 0,526 16 0,203 0,337 0,661 17 0,265 0,480 0,486

D

ise

ño

de

se

rvic

ios

18 0,252 0,368 0,572 19 0,269 0,559 0,427 20 0,204 0,759 0,127 21 0,331 0,631 0,196 22 0,396 0,460 0,355 23 0,115 0,780 0,214 24 0,068 0,751 0,258 25 0,182 0,347 0,674 26 0,367 0,059 0,740 27 0,387 0,169 0,742

El p-valor es menor que 0,001 en la prueba

de la chi-cuadrado, por tanto, se rechaza la

hipótesis nula. Cabe mencionar que, este

test es sensible a tamaños de muestras

grandes, por lo que, no debemos basar la

idoneidad del modelo solo en este

estadístico.

El error cuadrático medio de aproximación

(RMSEA) debe ser menor que 0,08. Como

este supuesto se cumple, podemos

confirmar que nuestros datos están bien

modelados (Steiger, 1990).

Adicionalmente, el índice de ajuste

comparativo (CFI) (Bentler P. M., 1990), el

índice de ajuste normado (NFI) (Bentler &

Bonett, 1980) y el índice de ajuste

incremental (IFI) (Bollen, 1989) ofrecen

unos valores elevados muy próximos a 0,9,

lo que refuerza la solución encontrada.

Gráfico Path del modelo validado

MEDIDAS DE AJUSTE

ABSOLUTO

MEDIDAS DE AJUSTE INCREMENTAL

p-valor 𝝌𝟐 < 0,001

RMSEA = 0,077

CFI = 0,880

NFI = 0,826

IFI = 0,880

El Análisis Clúster (AC) es una técnica multivariante con el objetivo de

clasificar los elementos de un estudio formando grupos que sean lo más

homogéneos posible dentro de los mismos y heterogéneos entre sí.

Una vez aplicado el análisis sobre los datos (sólo los

bloques de valoración), encontramos que el mayor

valor de la razón de medidas de distancia se da en

el clúster número 3. Por tanto, se han detectado 3

clústeres mediante el análisis.

La distribución de los clústeres es

equitativa, agrupándose en el clúster

1 la mayoría de valoraciones 4, en el

clúster 2 la mayoría de valoraciones

5 y en el clúster 3 la mayoría de

valoraciones 1, 2 y 3.

Obtenemos una estructura óptima

de clústeres sólo si tenemos en

cuenta los 3 bloques de valoración

(Rubio-Hurtado & Vilà-Baños, 2017).

Conclusión: Se generan 3 clústeres, donde observamos una tendencia en los

usuarios de valorar los 3 bloques de la misma forma. Es decir, en el primer

clúster se agrupan los usuarios que han respondido en estos tres bloques

mayoritariamente con una valoración de 4, en el segundo clúster

encontramos los encuestados que han valorado estos bloques

principalmente con un 5, y por último, en el tercer clúster se localizan el

resto de usuarios que han respondido mayormente con valoraciones 1, 2 o 3.

ANÁLISIS CLÚSTER

ANÁLISIS CLÚSTER

BIETÁPICO

Clúster 125,3%

Clúster 340,5%

Clúster 234,2%

El Análisis Discriminante (AD) es un método de clasificación supervisado

de variables cualitativas en el que dos o más grupos son conocidos a priori y

nuevas observaciones se clasifican en uno de ellos en función de sus

características.

Estudiamos cómo se comportan los tres bloques de valoración en función de

cada una de las variables (P1, P2, P3 y SELL_APP), analizando el poder

discriminante de las variables mediante el estadístico Lambda de Wilks y

comparando la igualdad de matrices de covarianzas con la prueba M de Box

(Torrado-Fonseca & Berlanga-Silvente, 2013).

Sexo (P1)

La variable sexo no tiene poder discriminatorio sobre ninguno de los bloques, ya que, en los tres casos el p-valor de la prueba es mayor que 0,05.

Selección de aplicación (SELL_APP)

La variable selección de aplicación no tiene poder discriminatorio sobre ninguno de los bloques, ya que, en los tres casos el p-valor es mayor que 0,05.

Lambda de Wilks

F df1 df2 Sig.

GA 0,990 2,902 1 302 0,089

CO 0,999 0,325 1 302 0,569

DI 0,996 1,360 1 302 0,244

Lambda de Wilks

F df1 df2 Sig.

GA 0,998 0,557 1 302 0,456

CO 0,995 1,594 1 302 0,208

DI 1,000 0,096 1 302 0,757

ANÁLISIS

DISCRIMINANTE

Edad (P2)

Sólo el bloque de gamificación presenta un p-valor menor que 0,05. Por lo que, realizamos la prueba M de Box de igualdad de matrices de covarianzas.

Como el p-valor es menor que 0,05 las covarianzas de los grupos no son iguales, por lo que no es aplicable el análisis discriminante en estos datos.

Horas de práctica semanal (P3)

Sólo el bloque de co-creación presenta un p-valor menor que 0,05. Por lo que, realizamos la prueba M de Box de igualdad de matrices de covarianzas.

Como el p-valor es menor que 0,05 las covarianzas de los grupos no son iguales, por lo que no es aplicable el análisis discriminante en estos datos.

Conclusión: Al no cumplirse los supuestos planteados, no es aplicable el

análisis discriminante en nuestros datos.

Lambda de Wilks

F df1 df2 Sig.

GA 0,959 3,236 4 299 0,013

CO 0,974 1,993 4 299 0,096

DI 0,975 1,894 4 299 0,111

F df1 df2 Sig.

M de Box

5,391 4 129692,378 0,000

Lambda de Wilks

F df1 df2 Sig.

GA 0,986 2,063 2 301 0,129

CO 0,976 3,690 2 301 0,026

DI 0,993 1,075 2 301 0,343

F df1 df2 Sig.

M de Box

4,058 2 109552,017 0,017

La Regresión Logística es un tipo de análisis de regresión utilizado para

predecir el resultado de una variable categórica en función de las variables

predictoras. En este caso, aplicamos la Regresión Logística Ordinal (RLO)

por la naturaleza de nuestras variables dependientes.

Incluimos como factores del modelo el bloque de co-creación (CO), el bloque de diseño de servicios (DI) y la variable P1 (sexo).

El p-valor del ajuste del modelo solo con la constante es menor que 0,05,

es decir, se rechaza la hipótesis nula de adecuación del modelo. Así, el ajuste

del modelo mejora con los factores introducidos de forma significativa.

A través de las pruebas de bondad de ajuste se pretende comprobar si los

datos observados son incompatibles con el modelo ajustado, teniendo en

cuenta que estas estadísticas son sensibles a las celdas vacías no las

tomaremos como concluyentes.

La prueba de líneas paralelas sirve para validar el procedimiento de la

RLO, donde el supuesto del modelo queda validado con el no rechazo de la

hipótesis nula (Hosmer , Lemeshow, & Sturdivant, 2013).

Conclusión: La variable dependiente: bloque de gamificación es explicada por los factores: bloque de co-creación (CO), bloque de diseño de servicios (DI) y la variable sexo (P1), explicando un 63,9% de la variabilidad del modelo según la prueba de Nagelkerke.

Sig.

Ajuste del modelo solo con la constante 0,000

Prueba de bondad de ajuste: Pearson 1,000

Prueba de bondad de ajuste: Desvianza 1,000

Prueba de líneas paralelas 0,062

ANÁLISIS

DE REGRESIÓN

VARIABLE DEPENDIENTE:

BLOQUE DE GAMIFICACIÓN

Incluimos como factores del modelo el bloque de gamificación (GA), el bloque de diseño de servicios (DI) y la variable SELL_APP (selección de aplicación).

Conclusión: La variable dependiente: bloque de co-creación es explicada por los factores: bloque de gamificación (GA), bloque de diseño de servicios (DI) y la variable SELL_APP (selección de aplicación), explicando un 69,8% de la variabilidad del modelo según la prueba de Nagelkerke.

Incluimos como factores del modelo el bloque de gamificación (GA) y el bloque de co-creación (CO).

Conclusión: La variable dependiente: bloque de diseño de servicios es explicada por los factores: bloque de gamificación (GA) y bloque de co-creación (CO), explicando un 66,7% de la variabilidad del modelo según la prueba de Nagelkerke.

Sig.





Sig.






BLOQUE DE CO-CREACIÓN


BLOQUE DE DISEÑO DE SERVICIOS

Las valoraciones que los usuarios han otorgado en el bloque de gamificación son explicadas a través de su sexo y las valoraciones dadas en los bloques de co-creación y diseño de servicios. Es decir, la opinión de los encuestados respecto a las mecánicas emocionales de la gamificación es explicada por su sexo, las dimensiones de co-creación de valor a través de experiencias y el diseño de los servicios.

Las valoraciones que los usuarios han otorgado en el bloque de co-creación son explicadas a través de la selección de aplicación y las valoraciones dadas en los bloques de gamificación y diseño de servicios.

Es decir, la opinión de los encuestados respecto a las dimensiones de co-creación de valor a través de experiencias es explicada por la selección de aplicación realizada (Nike+/Garmin), las mecánicas emocionales de la gamificación y el diseño de los servicios. Las valoraciones que los usuarios han otorgado en el bloque de diseño de servicios son explicadas a través de las dadas en los bloques de gamificación y co-creación. Es decir, la opinión de los encuestados respecto al diseño de servicios es explicada por las mecánicas emocionales de la gamificación y las dimensiones de co-creación de valor a través de experiencias.

El modelo de ecuaciones estructurales (SEM) está compuesto por la interacción generada entre los tres bloques de valoración (GA, CO y DI), integrados por cada uno de los ítems recogidos en el cuestionario. A su vez, incluimos las variables

explicativas encontradas en el análisis

de regresión. En el caso del bloque de

gamificación, la variable sexo y, en el

caso del bloque de co-creación, la

variable de selección de aplicación.

El p-valor es menor que 0,001 en la prueba

de la chi-cuadrado, por tanto, se rechaza la

hipótesis nula. Cabe mencionar que, este

test es sensible a tamaños de muestras

grandes, por lo que, no debemos basar la

idoneidad del modelo solo en este

estadístico.

El error cuadrático medio de aproximación

(RMSEA) debe ser menor que 0,08 y el

residuo estandarizado cuadrático medio

(SRMR) es aproximadamente 0,05. Como

estos supuestos se cumplen, podemos

confirmar que nuestros datos están bien

modelados (Steiger, 1990).

Adicionalmente, el índice de ajuste

comparativo (CFI) (Bentler P. M., 1990), el

índice de ajuste normado (NFI) (Bentler &

Bonett, 1980) y el índice de ajuste

incremental (IFI) (Bollen, 1989) ofrecen

unos valores elevados muy próximos a 0,9,

lo que refuerza la solución encontrada.

SEM

#measurement model (AFC)

GA =~ P7_1 + P7_2 + P7_3 + P7_4 + P7_5 +

P7_6 + P7_7 + P7_8

CO =~ P7_9 + P7_10 + P7_11 + P7_12 +

P7_13 + P7_14 + P7_15 + P7_16 +

P7_17

DI =~ P7_18 + P7_19 + P7_20 + P7_21 +

P7_22 + P7_23 + P7_24 + P7_25 +

P7_26 + P7_27

#structural model (regressions)

GA ~ DI + CO + P1

CO ~ GA + DI + SELL_APP

DI ~ GA + CO

MEDIDAS DE AJUSTE

ABSOLUTO

MEDIDAS DE AJUSTE INCREMENTAL

p-valor 𝝌𝟐 < 0,001

RMSEA = 0,072

SRMR = 0,054

CFI = 0,879

NFI = 0,818

IFI = 0,880

Gráfico Path del modelo validado

Conclusión: Teniendo en cuenta los resultados obtenidos en los contrastes

de hipótesis, las correlaciones, el análisis factorial y el análisis de regresión,

se ha llegado al modelo de ecuaciones estructurales planteado.

Los valores numéricos que podemos observar en el diagrama Path

corresponden a las estimaciones estandarizadas de la interacción entre

elementos en el SEM. Unos valores altos presentarán una asociación mayor.

De esta forma, vemos como se cumplen las 3 hipótesis del modelo

planteadas, ya que, los bloques objeto de estudio presentan unas

asociaciones positivas:

o Las mecánicas emocionales de la gamificación influyen positivamente en las dimensiones de co-creación de valor a través de la experiencia de usuario.

o Las dimensiones de co-creación de valor influyen positivamente en el diseño de servicios.

o Las mecánicas emocionales de la gamificación influyen positivamente en el diseño de servicios.

□ Bentler, P. M. (1990). Comparative fit indexes in structural models.

Psychological bulletin, 107(2), 238-246.

□ Bentler, P. M., & Bonett, D. G. (1980). Significance tests and goodness

of fit in the analysis of covariance structures. Psychological bulletin,

88(3), 588-606.

□ Bollen, K. A. (1989). A new incremental fit index for general

structural equation models. Sociological methods & research, 17(3), 303-

316.

□ Cortina, J. M. (1993). What is coefficient alpha? An examination of

theory and applications. Journal of Applied Psychology, 78(1), 98–104.

□ Díaz de Rada, V. (2009). Análisis de datos de encuesta. Editorial UOC.

□ Hosmer , D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied

logistic regression. John Wiley & Sons.

□ Kaiser, H. F. (1958). The varimax criterion for analytic rotation in

factor analysis. Psychometrika, 23(3), 187-200.

□ Merenda, P. (1997). A guide to the proper use of Factor Analysis in

the conduct and reporting of research: pitfalls to avoid. Measurement

and Evaluation in counseling and Development, 30(3), 156-164.

□ Montoya-Suárez, O. (2007). Application of the factorial analysis to

the investigation of markets. Scientia et technica, (35), 281-286.

□ Rubio-Hurtado, M. J., & Vilà-Baños, R. (2017). The analysis of two-

step clusters with SPSS. REIRE, Revista d’Innovació i Recerca en

Educació, 10(1), 118-126.

□ Steiger, J. H. (1990). Structural model evaluation and modification:

An interval estimation approach. Multivariate behavioral research,

25(2), 173-180.

□ Torrado-Fonseca, M., & Berlanga-Silvente, V. (2013). Análisis

Discriminante mediante SPSS . REIRE, Revista d’Innovació i Recerca en

Educació, 6(2), 150-166.

BIBLIOGRAFÍA

ASESORAMIENTO

ESTADÍSTICO

Proyecto “App Deportiva”

Informe final resumido

Autora: Sánchez-Álvarez, Leticia

ASESORAMIENTO ESTADÍSTICO

Documents

Transcript of ASESORAMIENTO ESTADÍSTICO