Análisis conjunto

...

b) Modelos Compensatorios (Fishbein & Ajzen, 1975): están relacionados con los modelos Multiatributo y suponen que los distintos niveles de atributo pueden compensarse unos con otros, haciendo posible la existencia de diferentes productos con una utilidad total semejante para los consumidores. Esto se debe a que los distintos niveles de atributo de un objeto actúan conjuntamente en la mente del consumidor. El algoritmo Conjoint se representa del siguiente modo: U = f ( ,..., ) [pic 1][pic 2]

La utilidad corresponderá al valor que el individuo atribuya a un producto a través de la combinación de factores (atributos), de tal manera que ese valor sea el máximo para la elección realizada dentro del conjunto de opciones (Ben-Akiva & Lerman, 1985). Es decir, el nivel de utilidad obtenido es una combinación adecuada de atributos, ponderados por la importancia relativa de cada uno en la contribución de la utilidad total de un bien particular (Ortúzar, 2000).

En la práctica, el investigador les pide a los sujetos que ordenen un conjunto de tarjetas, en las cuales figuran niveles de atributos que constituyen determinado producto. A partir de esos niveles de atributo y del orden de esas tarjetas, se calcula la importancia que cada atributo posee al momento de la elección de un determinado producto. Simultáneamente, se conoce la utilidad parcial asociada a los diferentes niveles de atributo de los productos analizados. De esta forma, es posible conocer las configuraciones de los niveles de atributo que aumentan o disminuyen el atractivo de un determinado producto (Rial, Ferreira & Varela, 2010).

Existen dos principales metodologías en el Análisis Conjunto:

1. Análisis Conjunto Tradicional: usando perfiles completos;

2. Análisis de Elección Experimental (Louviere, 1988): se elige la alternativa preferida.

Cuando se recurre al Análisis Conjunto en que se utilizan perfiles completos se les pide a los sujetos que ordenen un conjunto de perfiles desde el más preferido al menos preferido; Este método es el más usado actualmente, ya que presenta mayor realismo pues se le pide al sujeto que elija la alternativa que prefiere entre un conjunto reducido de perfiles. Este tipo de elección se asemeja a las que tiene una persona en la vida diaria.

Cuando existe sobrecarga de información existen dos formas de solucionar el problema:

Diseños Factoriales Fraccionados Ortogonales que son utilizados para reducir el número de tarjetas a ser presentadas a los sujetos. Presentar un gran número de perfiles sería demasiado cansado para los sujetos y el análisis de tantos datos sería muy complejo para el propio investigador. Para ello, se aplican los diseños factoriales fraccionados que, teniendo un número de combinaciones más limitado, tienen la misma eficacia. Ésta resulta de las varianzas y covarianzas de las estimativas y aumenta siempre que disminuye la varianza. De acuerdo a Addelman un diseño factorial fraccionado ortogonal existe independencia de los efectos estimables. Un diseño es considerado ortogonal cuando la ocurrencia conjunta de cualquiera de los niveles de los atributos es igual al producto de sus frecuencias marginales; por otro lado, un diseño es considerado equilibrado cuando los niveles de atributos aparecen dentro de cada factor el mismo número de veces.

b) Métodos Alternativos: Enfoques Auto-explicados, Análisis Conjunto Híbrido y Análisis Conjunto Adaptativo (ACA) utilizados para reducir el número de factores existentes en cada tarjeta. Es preferible que se utilicen no más de seis (6) atributos en cada tarjeta presentada a los sujetos. Aunque existen casos en los cuales se trabaja con 25 o más atributos. Con los enfoques Auto-explicados: el sujeto comienza por evaluar cada nivel de cada atributo en una escala de deseo con clases (por ejemplo de 0 a 10, donde 10 es el más deseado y 0 el menos deseado). Después se le pide al sujeto que distribuya, por ejemplo, 100 puntos por cada atributo, para conocer la importancia relativa. Según Leigh, MacKay & Summers (1984), al multiplicar los pesos de las importancias de los atributos por los valores de deseabilidad de cada nivel de atributo, se obtiene la Utilidad Parcial.

En los Modelos Híbridos, cada sujeto evalúa un número limitado de perfiles (de 3 a 9), obtenidos de un conjunto mucho mayor. Green & Krieger (1996) alargaron el radio de acción de los modelos híbridos para que fuera posible estimar las utilidades de forma individual.

Por su parte el Análisis Conjunto Adaptativo (ACA) es un programa informático que se presenta como una alternativa al Análisis Conjunto Tradicional de perfiles completos, y fue desarrollado por Johnson en 1987. De acuerdo a este, el Análisis Conjunto Adaptativo se inicia con la identificación de los atributos más importantes para el sujeto y, en base a esos atributos, se realiza un conjunto de comparaciones para obtener las utilidades individuales.

Cuando la variable dependiente asume la naturaleza de intervalo, se utiliza generalmente:

- Regresión por Mínimos Cuadrados Ordinarios (OLS): permite conocer los errores estandarizados para los parámetros estimados;

- Regresión por Minimización de la Suma de Errores Absolutos: pudiera ser más sólido que la OLS y además permite al investigador establecer restricciones a priori en los parámetros estimados (Green & Srinivasan, 1978).

Como se mencionó anteriormente, el análisis conjunto busca encontrar una serie de valores llamados utilidades parciales o partworth, que relacionan los niveles de los atributos con las preferencias de los consumidores. Se considera que la preferencia de un individuo por un estímulo se obtiene sumando las utilidades parciales asignadas a los niveles de los factores que constituyen dicho estimulo.

[pic 3]

En donde:

Yt=evaluación de preferencia sobre el estímulo i. (El estímulo es el valor que se otorga a la combinación del i-atributo y el j-nivel).

un término constante (Este término es necesario ya que la regresión no comienza forzosamente en el origen, aparte este término es constante por lo tanto se sumará en cada estímulo).[pic 4]

βj utilidad o partworth asociado al j-ésimo nivel del i-ésimo atributo.

=1 Xij si el j-ésimo nivel del atributo i está presente en el estímulo t.