Documente Academic
Documente Profesional
Documente Cultură
Captulo 4
Captulo 4
59
Captulo 4
subjetivas, preferencias y juicios de disimilaridad que los entrevistados ofrecen respecto a objetos o conceptos. Otras de las ventajas de las EMD reside en que stas pueden tratar datos de disimilaridad procedentes de mltiples fuentes, como es el caso de
mltiples evaluadores o mltiples sujetos evaluados por un cuestionario.
Un ejemplo puede simplificar lo expuesto. La denominacin
de Coche del ao parte, precisamente, de la aplicacin de las
EMD. Cmo percibe el pblico las diferencias entre distintos
coches? Si disponemos de datos de valoraciones (de similaridad)
emitidas por los sujetos sobre las diferentes marcas y modelos de
coches, se puede utilizar el escalamiento multidimensional para
identificar las dimensiones que describan las preferencias de los
consumidores. El precio y el tamao de los vehculos suelen ser
las dos dimensiones que explican las similaridades de las que
informan los encuestados y, en consecuencia, en torno a estos
dos conceptos establecen sus jerarqua de preferencias.
Las EMD se apoyan en lo que se conoce como criterio de
orden dbil. Este criterio establece que si la semejanza entre un
par de objetos (i y j) de un conjunto de n, es mayor que la
semejanza entre otro par de objetos (k y l) a nivel grfico la distancia entre i y j ser menor que la distancia entre k y l. Lo que
se busca es encontrar un conjunto de puntos en un espacio de
dimensin mnima tales que las distancias entre los pares de puntos, dij, (datos de disimilaridad) estn monotnicamente relacionados con los datos que miden la proximidad de los datos en el
sentido de que:
dij < dkl para todo sij > skl
En este captulo vamos a ver:
1. Estadsticos para valorar la bondad de ajuste de los datos.
2. El proceso para llegar a la obtencin de la dimensionalidad subyacente.
3. La representacin grfica o mtrica de los datos sobre el
espacio conceptual (normalmente de dos o tres dimensiones).
4. Interpretacin del espacio mtrico, o escala, obtenido.
60
Captulo 4
61
Captulo 4
3. Obtencin de la dimensionalidad
En EMD la decisin acerca del nmero de factores a conservar depende del marco terico con el que se haya iniciado la aplicacin de esta tcnica y, en consecuencia, del conocimiento que
el propio investigador tenga acerca del propio tema objeto de
anlisis.
Como norma general, y en lo que respecta a las EMD (este
no es el caso en el anlisis factorial), nos ceiremos al menor
nmero de dimensiones, lo que implica que en nmero no excedern de tres: a menor nmero de dimensiones ms fcil la interpretacin; aunque tambin es cierto que a mayor nmero de
dimensiones mejor es el ajuste.
Pese a que la pericia y conocimiento del investigador sea en
este caso determinante, podremos utilizar los estadsticos s-stress
y stress como criterios a la hora de delimitar el nmero de
dimensiones. Por su parte, la representacin grfica de la nube
de puntos tambin nos puede servir para este propsito.
62
Captulo 4
corresponden a objetos que poseen ms de una particular e identificable propiedad, pudiendo concluir en que la citada propiedad
en importante es los procesos que dan lugar a los datos.
No debemos olvidar que el objetivo de esta tcnica de investigacin es el de identificar las dimensiones subyacentes para,
posteriormente, ordenar de mayor a menor los elementos asociados a cada dimensin segn la escala y la puntuacin factorial
obtenida.
Figura 2
63
Captulo 4
Figura 3
64
Captulo 4
Figura 4
4 paso: Una vez que ya contamos con una matriz de distancias y no de datos reales, debemos solicitar al programa que
genere a partir de sta el modelo. Para ello accedemos al subcuadro de dilogo de Modelo cliqueando uno de los dos botones
de comando que aparecen en la derecha del cuadro de dilogo
principal de EMD. All seleccionaremos: el Nivel de medida (que
en nuestro caso concreto debe ser el ordinal); el Modelo de escalamiento (normalmente distancia eucldea); y, el nmero mximo
y mnimo de Dimensiones (que como ya sabemos no debe exceder de 3) (figura 4).
En funcin de las especificaciones introducidas en este cuadro de dilogo, el programa calcular los distintos estadsticos
vinculados a la valoracin de bondad de ajuste de las variables, a
saber: s-stress (en el ejemplo que recogemos en la seccin de
Resultados y tras las especificaciones mencionadas, el programa
ha utilizado 9 iteraciones hasta alcanzar un s-stress de 0.00100);
stress (en nuestro ejemplo con 9 estmulos, dos dimensiones, un
streess de 0.05181 y teniendo en cuenta las tablas que antes
mencionamos, podemos considerar que el ajuste es bueno); y,
RQS (que al arrojar un valor alto,0.99006, nos permite concluir
que el ajuste alcanzado es bueno).
Determinados Criterios como: el Nmero mximo de iteraciones (30); el valor de Convergencia de s-stress (0.001); y el
Valor mnimo de s-stress (0.005); as como el tipo de salida con
las que queremos que nos Muestre el programa los resultados
arrojados por el anlisis (Grficos y/o Matrices), se debe concretar en el subcuadro de dilogo de Opciones que aparece una
vez que hemos cliqueando en el citado botn de comando en el
cuadro de dilogo principal de las EMD (figura 5).
Figura 5
5 paso: Ratificado el ajuste del modelo, pasamos a interpretar grficamente los datos obtenidos en la dimensionalidad de las
variables. En funcin de las dimensiones obtenidas y las puntuaciones obtenidas por cada variable en cada dimensin, volvemos
a calcular la matriz de distancias y establecemos grficamente en
una escala, en nuestro ejemplo de dos dimensiones, la posicin
de cada una de las variables.
65
Captulo 4
6. Bibliografa Comentada
La aplicacin de las EMD en las Ciencias Sociales se
encuentra muy generalizada. Buena muestra de ello es el importante volumen de investigaciones, que desde distintas reas de
conocimiento, han aplicado esta tcnica en la resolucin de sus
objetivos. Nosotros recogemos tres de ellas.
Bigne, J. Enrrique y Vila, Natalia (1998): Eficacia de la tcnica de EMD en la medicin del posicionamiento: una aplicacin
en los servicios, ESIC Market, n 100, pp. 71-90.
En este artculo se ratifica la idoneidad de las EMD
como tcnica que permite visualizar la posicin relativa
de una oferta de servicios frente a los competidores una
vez adoptado el posicionamiento elegido. Se hace hincapi en que las EMD representan en un mapa las posiciones de distintas ofertas competidoras cuya proximidad estar en funcin del grado en que compitan.
Colodrn, Mara y Montorio, Ignacio (1998): La imagen de
las personas mayores mediante una tarea de asociacin de atributos en familiares cuidadores, Revista de psicologa social, n
13, pp. 389-398.
Este trabajo estudia la relacin entre las imgenes que
los cuidadores informales mantienen sobre el grupo de
personas mayores en general y sobre el familiar mayor
al quien cuidan en particular. Una muestra de 95 sujetos agrup 30 adjetivos segn un criterio espontneo de
similaridad (estos adjetivos haban sido obtenidos a partir de los utilizados por otra muestra de 100 sujetos que
describieron a personas con distintas caractersticas).
Mediante el escalamiento multidimensional de la matriz
de proximidades se obtuvo una solucin tridimensional
que diferenci las adjetivos en cuatro grupos.
Posteriormente, una muestra de 62 cuidadores seleccionaron de entro los 30 adjetivos aquellos con los que
identificaban a una persona mayor, en general, y con los
que identificaban a su familiar mayor. Los resultados
muestran que mientras los cuidadores muestran un
mismo nmero de caractersticas positivas para describir a las personas mayores y a su familiar, eligen un
66
Captulo 4
7. Resultados
Los resultados que aparecen a continuacin hacen referencia
a la aplicacin de las las escalas multidimensionales en la pregunta que recoge la posicin de los encuestados, dentro de una
escala, respecto a nueve cuestiones relacionadas con la discriminacin. El inters reside, pues, en identificar las dimensiones (o
grupos de variables) implcitas en la citada pregunta para, y a partir de sus respectivas puntuaciones factoriales y segn la escala
de cada dimensin, ordenar de mayor a menor cada uno de los
items asociados a cada una de las dimensiones identificadas.
Una vez anotadas todas las especificaciones sealadas el
programa presenta dos tablas con carcter exclusivamente informativo. La primera de ellas hace un resumen global de los datos implicados en el anlisis; mientras que la
segunda hace lo propio respecto a cada una de las variables seleccionadas.
El anlisis, propiamente, empieza con la matriz de distancias. Al respecto cabe recodar que el clculo de esta
matriz es fundamental pues: las EMD solo trabajan a partir de stas y las EMD definen las dimensiones a partir de
las proximidad que manifiesten los datos.
67
Captulo 4
Data Options
Number of Rows (Observations/Matrix)
Number of Columns (Variables)
Number of Matrices
Measurement Level
Data Matrix Shape
Type
Approach to Ties
Conditionality
Data Cutoff at
68
9
9
1
Ordinal
Symmetric
Dissimilarity
Leave Tied
Matrix
,000000
Captulo 4
Model Options
Model
Maximum Dimensionality
Minimum Dimensionality
Negative Weights
Euclid
2
2
Not Permitted
Output Options
Job Option Header
Data Matrices
Configurations and Transformations
Output Dataset
Initial Stimulus Coordinates
Printed
Printed
Plotted
Not Created
Computed
Algorithmic Options
Maximum Iterations
Convergence Criterion
Minimum S-stress
Missing Data Estimated by
Tiestore
30
,00100
,00500
Ulbounds
36
,000
45,837
49,092
49,840
45,067
61,498
46,648
62,618
47,434
6
6
7
8
9
,000
63,953
46,551
63,624
2
,000
53,879
55,127
36,579
63,253
42,485
62,498
44,710
7
,000
64,008
44,068
,000
34,699
51,971
63,151
49,417
57,088
58,992
,000
52,564
59,850
49,598
54,397
58,292
,000
65,276
,000
63,427
44,193
63,214
47,064
,000
69
Captulo 4
S-stress
1
2
3
4
5
6
7
8
9
Improvement
,05047
,03673
,03041
,02644
,02387
,02221
,02088
,01982
,01905
,01374
,00633
,00396
,00258
,00166
,00133
,00106
,00076
For matrix
,05181
RSQ =
,99006
70
Stimulus
Name
P55A
P55B
P55C
P55D
P55E
P55F
P55G
P55H
P55I
,8549
,0761
,8840
,4739
-,0846 -1,4147
-,4075 -1,2406
,8711
,2357
-2,0213
,7994
,9463
,0795
-2,0771
,1579
1,0342
,8328
Captulo 4
,000
,434
1,762
1,858
,434
2,948
,460
2,948
,778
6
6
7
8
9
,000
3,045
,460
3,045
2
,000
2,122
2,162
,309
2,948
,399
2,948
,434
7
,000
3,045
,434
,000
,309
1,907
2,948
1,815
2,525
2,525
,000
1,953
2,601
1,858
2,162
2,525
,000
3,184
1
5
,000
2,948
,434
2,948
,619
,000
71
Captulo 4
72