ASESORAMIENTO
ESTADÍSTICO
Proyecto “App Deportiva”
Informe final resumido
Autora: Sánchez-Álvarez, Leticia
Página 1
01
02
03
04
05
CONTENIDO
06
07
08
09
10
Ficha técnica
Análisis unidimensional
Inferencia estadística
Análisis factorial
Análisis unidimensional
Análisis clúster
Análisis unidimensional
Análisis discriminante
Análisis unidimensional
Análisis de regresión
Análisis unidimensional
SEM
Bibliografía
Cuestionario
Página 2
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
Página 3
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
Página 4
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
Página 5
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
Página 6
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.
Página 7
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
Página 8
■ 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
Menores de 20 hasta 29 años
Desde 30 años hasta mayores de 50
Mayoritariamente valoraciones entre 4 y 5
Mayoritariamente valoraciones entre 3 y 4
Menores de 20 hasta 29 años
Desde 30 años hasta mayores de 50
Mayoritariamente valoraciones entre 4 y 5
Mayoritariamente valoraciones entre 3 y 4
Entre 1 y 10 horas de entreno
Más de 10 horas de entreno
Mayoritariamente valoraciones entre 4 y 5
Página 9
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
Página 10
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)
Chi-cuadrado de Pearson 135,441 1 0,000
Razón de verosimilitud 118,274 1 0,000
Prueba exacta de Fisher 0,000 0,000
Asociación lineal por lineal 134,996 1 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
Página 11
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 ✓
Concretamente, la asociación es significativamente positiva (✓) entre cada
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)
Chi-cuadrado de Pearson 178,662 4 0,000
Razón de verosimilitud 172,214 4 0,000
Asociación lineal por lineal 132,695 1 0,000
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
Página 12
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 ✓
Concretamente, la asociación es significativamente positiva (✓) entre cada
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.
Página 13
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
Página 14
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
Página 15
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
Página 16
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%
Página 17
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
Página 18
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
Página 19
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
Página 20
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.
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 0,984
Sig.
Ajuste del modelo solo con la constante 0,000
Prueba de bondad de ajuste: Pearson 0,110
Prueba de bondad de ajuste: Desvianza 0,999
Prueba de líneas paralelas 0,689
VARIABLE DEPENDIENTE:
BLOQUE DE CO-CREACIÓN
VARIABLE DEPENDIENTE:
BLOQUE DE DISEÑO DE SERVICIOS
Página 21
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.
Página 22
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
Página 23
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.
Página 24
□ 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
Página 25
ASESORAMIENTO
ESTADÍSTICO
Proyecto “App Deportiva”
Informe final resumido
Autora: Sánchez-Álvarez, Leticia