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.