Escalado Mutidimensional
En muchos problemas, como por
ejemplo los que con frecuencia se presentan en las Ciencias del Comportamiento,
los datos que se manejan no aparecen en forma de la habitual matriz de datos
correspondiente a la observación de p variables en los n individuos de la
muestra, sino que suelen aparecer en la denominada matriz de proximidades
entre determinados elementos, término que engloba al de matriz de distancias
y al de matriz de similaridades según se considere una u otra
característica contrapuesta entre los elementos en análisis. Esta matriz de
proximidades puede proceder directamente del experimento realizado o ser la de
correlación (o covarianza) de los elementos analizados.
El Escalado Multidimensional (Multidimensional Scaling en
terminología inglesa), es una técnica estadística utilizada para descubrir
estructuras o patrones que puedan existir en la matriz de proximidades. En
particular, la dimensión en la que se basaron las comparaciones que dieron lugar
a la matriz de proximidades (por ejemplo, en cuántas variables estaba pensando
el entrevistando cuando se le preguntó sobre la distancia que separaba a dos
países determinados). Esto permitirá representar los elementos en análisis, en
especial si esa dimensión es 2.
En ocasiones, por las razones que se analizan en el capítulo, a esta técnica se
la ha denominado también Análisis de Coordenadas Principales.
El descubrimiento de las estructuras que pudiera esconder la matriz de
proximidades observada y, en particular, las dimensiones en las cuales se
basaron los individuos para hacer similares sus opiniones, se consigue con la
representación de la matriz de proximidades mediante un modelo geométrico.
El propósito del Escalado
Multidimensional es el de determinar: (a) la dimensión del modelo (es
decir, el valor de k < p, a ser posible igual a 2) que proporcione un ajuste
satisfactorio y, (b) las coordenadas de los puntos en dicho espacio
de manera que, al representarlos, los puntos más cercanos corresponderán a los
elementos más similares. De esta manera, se visualiza mejor la matriz de
proximidades y su estructura.