ESTADISTICA ESPAÑOLA

Vol. 36, Núm. 135, 1994, págs. 99 a 114

Análisis de proximidades :
desarrollo , progresos y aplicaciones

por
A. M. MARTIN CASADO y M. P. GALIND© VILLARDON
Departamento de Estadística y Matemática Aplicadas
Universidad de Satamanca

RESUMEN

Este trabajo constituye una revisión bibliográfica del desarrollo y

avances del análisis de proximidades o representación multidimen-
sional mediante escafas (multidimensional scaling, en inglés}. Abar-
ca referencias desde la primera contríbucíón teórica, realizada por
Stumpf en 1880, hasta las de desarrollos más recientes, agrupados
en cinco tendencias principales. EI trabajo finaliza con diversas citas
bibliográficas correspondientes a aplicaciones de la técnica a distin-
tos campos.

Pa/abras c/ave: Análisis de proximidades, análisis métrico, análisis

nv métrico, análisis a tres vías.

Clasificación AMS: 62-03, 62 H 99 .

1. INTRODUCCION

La representación multidimensional mediante escalas o análisis de proximi-

dades (en inglés, multidimensívnal scaling o, en siglas, MDS) es una denomina-
ción genérica que incluye a diversas técnicas que permiten la representación
1(NI t.ti I,•^I^I^ [ Il ,^^ f tif':^ti^ )l..•^

espacial, en forma de mapa, de las proximidades entre objetos y el análisis de

estructuras a través de esta representación (Schiffman et al., 1981). Su objetivo
es encontrar el número de dimensiones adecuado a los datos y localizar los es-
tímulos (u objetos percibidos) sabre cada dimensión, calculando sus coordena-
das, de modo que las distancias entre ellos se adapten tan estrechamente como
sea posible a las proximidades entre los objetos o a transformaciones de ellas.

Los procedimientos utilízados representan los objetos juzgados experimen-

taimente similares por puntos cercanos en la representación espacial resultante,
mientras que los objetos juzgados disimílares son representados por puntos aie-
jados. Además, estos procedimientos proporcionan un espacio que descubre
relaciones relevantes a los observadores y/o la estructura subyacente en los
datos.
EI inconveniente principal es el del consumo de tiempo requerido para la ma-
nipulación algebraica de las matrices de datos. En este sentido, los progresos
fundamentales hubieran sido de poco interés sin el concurso del ordenador. Sin
embargo, pocos modelos de representación plantean problemas serios para la
tecnología informática actual (Torgerson, 1986).

Este artículo es una revisión del desarrollo, avances y bibliografía del MDS,
uno de los campos del Análisis Multivariante menos estudiado en nuestro país,
aunque no faiten rneritorias aportaciones (Cuadras y Ruiz-Rivas, 1980; Cua-
dras, 1981).

2. ARTICULOS DE ESPECIAL INTERES

EI MDS es conocido desde hace mucho tíempo. La prímera contribución im-

portante a nivel teórico es, posiblemente, la realizada por C. Stumpf (1880) en
su libro Tonpsychologie, vols. I y II (cit. en De Leeuw y Heiser, 1982), en el que
definió la distancia psicológica entre objetos como el grado de desemejanza
percibido entre ellos.
Los estudios iniciales de Sturnpf, sin embargo, no se plasmaron en procedi-
mientos prácticos de MDS y lo mismo ocurrió con los trabajos teóricos posterio-
res (^ber áhnlichkeit bei gesehenen figuren de Goldmeier (1937) y Neural me-
chanisms for the concepts of difference and similarity de Landahl (1945).

EI desarrollo del método fue conseguido por la escuela de Thurstone. Aun-

que la primera exposición completa de un método de MDS fue la publicación
Multídimensiona/ scaling: l. Theory and method de W. Torgerson (i 952), Kling-
berg (1941) realizó ya entonces un MDS tosco con datos referentes al grado de
hostilidad entre naciones, utilizando para ello un método basado en el artículo
Multidimensional psychophysics de Richardson (1938).
 ;^N;11.Itilti [)E: f'R()X11^t11).^1,f)t:^ f)t^:ti;^fZR()I.t.t>, t'tt()(^flf^:5()S l -^Nt,l( :^(^I()tit-,^ ^(1)

Tanto Klingberg como Torgerson usaron un teorema demostrado por Young

y Householder (1938), que establece la condición necesaria y suficiente para
que un conjunto de números represente las distancias entre un conjunto de pun-
tos en un espacio euclídeo, determina la dimensión del espacio euclídeo que
contiene a tales puntos e indica cómo obtener las proyecciones de los puntos
en ese espacio.

Torgerson, por otra parte, describió el primer procedimiento sistemático para

obtener la representación multidimensional de puntos a partir de distancias me-
didas con error. Esta fue la principal contribución de su trabajo, aunque tambi+én
expuso los tres pasos básicos implicados en el MDS:

En el primero, se obtiene una escala de distancias relativas entre todos los

pares de estímulos. EI punto cero es arbitrario y, por tanto, una distancia relati-
va no es una distancia en el sentido usual del término, sino que es una distancia
menos una constante desconocida.

En el segundo paso, se estima la constante desconocida y las distancias re-

lativas pueden transformarse en absolutas, lo que equivale a fijar el punto cero.

Finalmente, en el tercer y último paso, se determina el número de dimensio-

nes del espacio necesario para hacer patentes estas distancias absolutas y se
obtienen las proyecciones de los estímulos sobre los ejes de este espacio.

Aunque Torgerson obtuvo soluciones de los tres problernas, la del tercero

fue la que consiguió aceptación más amplia. Así, el método propuesto por este
autor está considerado como el primer procedimiento métrico del MDS que ofre-
ce la posibilidad de determinar la representación multidimensional de los puntos
a partir de distancias euclídeas medidas con error.

A este respecto, Messick (1956) señaló que los datos no euclídeos dan lugar
a una constante aditiva grande y ésta, a su vez, a un gran número de dimensiones.

Messick y Aabelson (1956) proporcionaron un procedimiento, bien funda-

mentado matemáticamente y mejor que el ofrecido por Torgerson, para estimar
la constante aditiva. En su trabajo demostraron, mediante un ejemplo numérico,
que la elección de un valor particular de la constante aditiva afecta teóricamente
a la representación multidimensional de los estímulos y consiguieron determinar
el mejor valor de la constante, siguiendo el mismo criterio que Torgerson de mi-
nimizar el número de dimensiones del espacio euclídeo resultante.

Aproximadamente a la vez que Torgerson estaba trabajando sobre su proce-

dimiento para el modelo euclídeo, Attneave (1950) propuso un modelo alternati-
vo no euclídeo, ahora conocido como el modelo métrico de Manhattan o«ciu-
dad». Aunque este fue el primer trabajo con un espacio no euclídeo, Attneave
no desarrolló un procedimiento para determinar el número de dimensiones y la
I^I? k^tir ^^t^1^l^c ^^ I ^+F^,->ticat ,l

localización de los puntos de tai espacio, limitándose a aplicar tal modelo a una
situación empírica en la que las dimensiones eran conocidas a priori.

En la década de 1950, Coombs comenzó a desarrollar su teoría de datos

(Coombs, 1950), con una influencia importante en años sucesivos. Coombs,
Bennett y Hays (Bennett y Hays, 1960; Hays y Bennett, 1961; Coombs, 1964)
desarrollaron métodos de MDS totalmente no métricos en los que, conocida la
ordenación entre las distancias, se obtiene una representación en dirnensión re-
ducida de los puntos-estímulos, que quedan clasíficados ordinalmente a lo iar-
go de cada dimensión. No obstante, los procedimientos de MDS sugeridos por
Coambs y colaboradores no fueron acogidos con gran entusiasmo y tuvieron
poca aplicación, debído a que proporcionaban fundamentalmente representacio-
nes no métricas de datos no métricos (cit. en De Leeuw y Heiser, 1982).

Otra importante e influyente línea de desarrollo a nivel histórico es la ex-

puesta en los trabajos de L. Guttman (1941, 1944, 1946, 1950), en los que se
obtienen representaciones métricas a partir de datos no métricos. Estos traba-
jos, junto con los de Coombs, constituyeron las prímeras tentativas de MDS no
métrico, aunque, como los de este última, no fueron muy usados.

EI progreso más notable en MDS no métrico se produjo con la publicación

The ana/ysis of proximitíes: Mu/tidimensional scaling with an unknown distance
function de R. N. Shepard (1962). EI método introducido por Shepard permite
obtener una configuración euclídea en un espacio de dimensión reducida de for-
ma que las distancias entre los puntos de esta configuración y las medidas de
proximidad inicialmente dadas estén relacionadas mediante una función que
preserva el orden de los datos. Por tanto, es un método de gran generaiidad
que permite representar datos en el caso de que las d'+stancias entre los objetos
se definan de forma imprecisa, dudosa o claramente no métrica (cit. en Cua-
dras, 1981).

EI único supuesto establecido en este enfoque estriba en admitir que la fun-

ción que reiaciona las rnedidas de proximidad iniciales y las distancias en la
configuración resultante ha de ser una función monótona. Shepard fijó sus obje-
tivos en la consecución de los siguientes requisitas: 1) el número mínimo de di-
mensiones del espacio euclídeo necesario para que las distancias en este espa-
cio estén monótonamente relacionadas con las medidas de proximidad dadas;
2) un conjunto de coordenadas ortogonales para los puntos en este espacio, y
3) un diagrama que ponga de manifiesto la verdadera forma de la función inicial-
mente desconocida, aunque supuestamente monótona, que relacione las medi-
das de proximidad con las distancias {diagrama de Shepard).

La importancia de esta contribución no reside sólo en la demostración de la

posibilidad de obtener una representación en un espacio euclídeo a partir de
medidas de proximidad definidas tan sólo en un nivel ordinal, sino también en la
 ,^^NALISIS [)E: F'R(^XIMtUAhE^:^S l)F:S:^RFt^>1.1,O. YR('x;kf_tiO^ ti' ^^F'I_t( ^,^c^Ii ^tiF-.ti

considerable influencia que ejerció en la investigación posterior. Adernás, cons-

tituyó la clave de la aceptación del MDS, que pasó de ser un procedimiento de
análisis de datos escasamente conocido a convertirse en un procedirniento am-
pliamente aplicado en disciplinas muy diversas.

De los activos estudios realizados a partir de los de Shepard, los primeros y

más importantes articulos publicados fueron Mu/tidimensional scaling by optimi-
zing goodness of fit to a nonmetric hypothesis y Nonmetric multidimensional
scaling: A numerical method de J. B. Kruskal (1964a, b).
Kruskal orientó el problema del MDS de un modo diferente a Shepard, enfo-
que que ha sido adoptado en investigaciones ulteriores (cit. en Young y Hamer,
1987) .
Consideró el MDS como un problema de ajuste estadístico. Como Shepard,
adoptó como objetivo principal la consecución de una relación monótona entre
las medidas de proximidad y las distancias de la configuración. Sin embargo,
mientras que Shepard propuso una medida de desviación de la mono#onía pero
le dio una importancia secundaria para detectar el punto final en el proceso ite-
rativo de la obtención de la solución, Kruskal dio una medida cuantitativa de no
monotonía (el stress) y definió la solución como la configuración de puntos con
mejor ajuste, es decir, como la configuración que minimiza el stress. Para la de-
terminación de tal configuración, utilizó el «mé#odo del gradiente» o«método del
mayor descenso» (method of steepest descent).
Aunque la principal contribución de Kruskal fue proporcionar una orientación
fructífera y general para resolver problemas de análisis de datos no métricos,
una importante característica de su trabajo es la de perrnitir analizar matrices de
datos incompletos, mientras que todos los procedimientos previos requerían que
los datos analizados no tuvieran elementos faltantes. También, el procedimiento
de Kruskal constituyó el primer algoritmo capaz de obtener representaciones en
espacios no euclídeos (ofreciendo la posibilidad de indícar un valor de la cons-
tante p de la métrica de Minkowski), mientras que los anteriores estaban restrin-
gidos al espacio euclídeo.
La siguiente publicación destacable fue A general nonrnetric technique for
finding the smallest coordinate space for a configuration of points de L. Guttman
(1968).
La aportación fundamental de este autor fue la riqueza de detalles acerca de
los conceptos del algoritmo y la introducción de terminología y notación útil,
aunque tarnbién introdujo bastante confusión (cit. en De Leeuw y Heiser, 1982).
Este articulo constituyó un intento de recoger todos los aspectas del MDS no
métrico y, como tal, fue más ambicioso que las aportaciones previas pero nece-
sariamente incompleto, incitando a otros investigadores a ahondar en los puntos
que quedaron sólo parcialmente contestados en su trabajo.
^()-.^ t.`^I ^^l)ItiIIt ,^ t.tif',1ti1)6 -1

EI procedimiento sugerido por Guttman difiere en algunos aspectos impor-

tantes del propuesto por Kruskal, aunque ambos métodos tienen tantas caracte-
rísticas comunes que construyen aproximadamente la misrna representación a
partir de los mismos datos.
AI igual que en el enfoque de Kruskal, Guttman determinó un coeficiente de
no monotonía, el coeficiente de «alejamienta» (coefficient of alienation), y fijó el
objetivo en su minimización. No obstante, la diferencia esencial radica en que
Guttman se apoyó para la definición de su coeficiente en la transformación «de
las imágenes ordenadas» (rank-image transformation), mientras que Kruskal
propuso la realización de una regresión monótona de las distancias sobre las
medidas de proxirnidad y el uso de la varianza residual, convenientemente nor-
malizada, como medida cuantitativa de no monotonia (stress).
A continuación, deben mencionarse brevernente una serie de investigacio-
nes centradas en cuestiones sobre las propiedades estadísticas del MDS no
métrico, todas ellas referentes a estudios de simulación. Básicamente, hay tres
ramas.
La primera (Young, 1970; Sherman, 1972; Cohen y Jones, 1974; Isaac y
Poor, 1974) estudia el grado de definición métrica proporcionado por el MDS no
métrico (grado de acierto en la obtención de una solución medida en escala de
razón) como una función de: 1) la cantidad de error contenida en un conjunto de
datos; 2) el número de puntos en tal conjunto, y 3} el número de dimensiones de
la configuración resultante.
La segunda (Klahr, 1969; Stenson y Knoll, 1969; Spence y Ogilvie, 1973) tra-
ta de obtener el valor esperado de la medida de bondad de ajuste, a partir de
los datos aleatorios simulados, a fin de desarrollar contrastes de significación
para la bondad de ajuste de una solución particular obtenida mediante MDS no
métríco.
Por último, la tercera rama (Spence y Graef, 1974) se encarga de la determi-
nación del número de dirnensiones adecuado a un conjunto de datos.
Una de las principales limitaciones de los procedimientos expuestos hasta
aquí consiste en que éstos solamente permiten analizar una matriz de datos.
Pero, ^,qué ocurriría si se tuvieran varias matrices de datos, quizá de varios indi-
viduos? Los desarrollos discutidos admiten dos posibilidades (cit. en Young y
Hamer, 1987): a) promediar todas las matrices para obtener una matriz única; y
b) analizar cada matriz separadamente. También pueden combinarse ambas.
Sin embargo, sería muy conveniente disponer de un procedimiento que fuera
capaz de analizar varias matrices de datos simultáneamente. Esta fue la idea
que condujo al desarrollo del MDS a tres vías.
EI primer método de MDS a tres vías es el de los «puntos de vista», pro-
puesto por Tucker y Messick (1963).
 ANAI,I^Iti l)F^ F'k()XI!^11I^^^C)E-:^: UE^.^:1kk()1_I^(). F'Ftcx ^ FtF^.tit^ti 1 ^^'l Ic ^^c I^^`I ti

En este procedimiento, la matriz de proximidades de partida es una matriz X

de orden [n(n -1)/2j x N cuyas filas son todos los pares posibles de n estímulos
y sus columnas los N individuos. A partir de X es calculada una matriz P= XtX
de orden N x N, que es analizada factorialmente para obtener un espacio de su-
jetos en el que se intentan identificar conglomerados. Cada uno de estos con-
glomerados representa un «punto de vista», que puede ser considerado corno
un promedio de los juicios de los sujetos pertenecientes a dicho conglomerado.
Cada «punto de vista» se analiza, entonces, mediante alguno de los métodos
de MDS disponibles.
La crítica principal a esta técnica radica en que no describe las diferencias
individuales de una manera concisa, ya que finaliza con una representación di-
ferente para cada «punta de vista». Asimismo, este enfoque es un análisis fac-
torial seguido de un MDS, no un MDS a tres vías en el sentido estricto (Yaung y
Hamer, 1987).

EI siguiente método de MDS a tres vías fue propuesto por McGee (1968).
Este procedimiento, capaz de analizar simultáneamente varias matrices de da-
tos, aportó la posibilidad de elegir una transformación monótona distinta para
cada matriz o única para todas ellas y posibilitó la determinacián de una sola re-
presentación multidimensional o de una para cada individuo.
EI paso más importante e influyente en el desarrollo del MDS a tres vías fue
descrito en el articulo Analysis of individua/ dífferences in multidimensional scal-
ing via an N-way genera/ization of Eckart-Young descomposition de Carroll y
Chang (1970}, en el que proponen un modelo, considerado como uno de los
más importantes dentro del MDS a tres vías (Arabie et al., 1987}, que recibe la
denominación de «modelo euclídeo ponderado» o INDSCAL (de INdividual Dif-
ferences SCALing).

EI modelo propuesto es apropiado cuando puede suponerse que los sujetos

difieren en la importancia que dan cada uno de ellos a los atributos que contri-
buyen a sus juicios de semejanza. Este rnodelo representa la estructura de los
estímuios compartida por el grupo de sujetos en un espacio de estímulos con-
junto, en el que cada estímulo es representado por un punto. Además, se obtie-
ne un espacio común de atributos, con tantas dimensiones como atributos se-
leccionados por uno de los sujetos como mínimo, donde quedan reflejadas las
diferencias individuales a través de pesos o ponderaciones que operan en cada
dimensión. Los pesos son interpretados como la importancia o relevancia de
cada dimensión para cada individuo o sujeto.

Para lograr ambas representaciones, el procedimiento propuesto por Carroll

y Chang obtiene dos matrices rectangulares X=(x;k) y W=(wks), donde x;k es la
coordenada del estímulo i en la dimensión k y wks es el peso o ponderación del
sujeto s a lo largo de la dimensión k, de tal forma que b;^s = [^k wks (x^k-- x^k}2]'^2,
1Of, f^^.^,r.^>t^i^;^n^^^^ E^^:^F^,^w^,[.^t

donde b;^s es la desemejanza juzgada por el sujeto s entre el par de estímulos (i,
/^ . Además, si WS es la matriz diagonal de los pesos del sujeto s y XS =(x;ks),
siendo x,ks la coordenada para el sujeto s del estímulo i en la dimensión k, los
elementos de XS se suponen relacionados con los elementos de X mediante la
expresión XS = XWS (Davison, 1983).

Realmente, este modelo tenía un precedente propuesto por otros dos inves-
tigadores ( Bíoxom, 1968; Horan, 1969). Sin embargo, la explicación de que el
artículo de Carroll y Chang lograse un impacto más notable fue ei desarrolio
concomitante de un algoritmo de cálculo para implementar el modelo, evaluado
extensamente en su trabajo, y que ha mostrado eficiencia en numerosas aplica-
ciones.
Muchos de los desarrollos anteriores fueron consolidados en un enfoque uni-
ficado por Takane, Young y De Leeuw (1977); estos autores suministraron el
primer algoritmo capaz de realizar tanto el análisis métrico como el no métrico
según el modelo euclídeo ponderado o el simple. EI procedimiento, denominado
ALSCAL (de alternating least squares scaling) perfeccioná el ajuste del modelo
a los datos mediante una variante del método de los mínimos cuadrados, que es
convergente, muy rápida y relativamente libre del problema de los mínimos lo-
cales.

3. DESARROLLOS RECIENTES

Los progresos posteriores en MDS pueden ser agrupados en cir^co tenden-

cias principales:
1) Introducción de restricciones sobre los parámetros del modelo: IVIDS
restringido (Restricted multidimensional scaling). En estos trabajos se suponen
conocimientos adicionales a los que eran considerados en los enfoques anterio-
res [acerca de la configuración(es) resultante(s), sobre su relación funcional con
los datos o respecto al diseño de los mismos]; tales conocimientos adicionales
son incorporados como restricciones sobre los parámetros del modelo. En esta
línea están los trabajos de De Leeuw (1977); Bentler y Weeks (1978); Bloxom
(1978); Carroll, Pruzansky y Kruskal (1980); De Leeuw y Heiser (1980), Lee y
Bentler (1980); Weeks y Bentler (1982); Lingoes y Borg (1983), y Mathar (1990).
2) Empleo del método de estimación de máxima verosimilitud en MDS.
Esta orientación introduce la ventaja de permítir la transformación del MDS
como método descriptivo (exploratorio) a métoda inferencial (confirmatorio) y,
consiguientemente, conlleva la posibilidad de realización de contrastes de signi-
ficación. Existen dos líneas de investigación: la desarrollada por Ramsay (1977;
1978; 1980a, b; 1982; Winsberg y Ramsay, 1983) y la desarrollada por Takane
(1987a, b; 1980; 1981; 1982; Takane y Carroll, 1981; Takane y Sergent, 1983}.
 AN^^I.ISIti L)F: PR()X[ti11UA[)F:S L)E:SAFtk()l.l_(1. F'Ftt)(;Rk^.ti()ti ti,^1'I.1t .^^t Ic)^;[ ^ 1(17

También Zinnes y MacKay (1983) han trabajado en esta línea. Además, en este
punto conviene también citar el trabajo de Brady (1985), en el que aparece por
vez primera un tratamiento sistemático de las propiedades estadísticas de los
estimadores de los diversos métodos no métricos de MDS.
3) Estudio de la robustez («fiabilidad») del MDS frente a datos «excepcio-
nales» (autliers) (Null y Sarle, 1982; Spence, 1982; Heiser, 1987; Spence y Le-
wandowsky, 1989). En este sentido, hay que señalar que el artículo de Sibson
{1978) constituye el primer estudio sobre la robustez de los métodos métricos
de M DS.
4) Desarrollo del MDS no euclídeo. A este respecto, es pertinente citar los
trabajos de Winsberg y Carroll (1989a, b). Estos investigadores proponen para
una única matriz de medidas de proximidad un modelo espacial euclídeo con di-
mensiones comunes a todos los estímulos y específicas para cada uno de ellos,
aconsejando su utilización cuando los datos sean conceptuales (opuestos a per-
ceptuales). También hay que destacar en este punto los trabajos de Heiser
{1989), donde se aplica el modelo de métríca «ciudad» a una extensión del mo-
delo INDSCAL; Heiser (1991), donde se ofrece una solución mediante una ge-
neralización del modelo SMACOF al problema surgido cuando las pseudodistan-
cias en el MDS son negativas; y Arabie (1991), en el que se revisa la situación
actual de las técnicas de MDS y se comparan las diversas soluciones que pro-
porcionan según se utilicen diversas métricas.
5) Tratamiento de datos de proximidad según el enfoque de Tversky (De
Sarbo, Howard y Jedidi, 1991; De Sarbo, Jedidi y Steckel, 1991; Jedidi y De
Sarbo, 1991; De Sarbo, Johnson, Manrai y Edwards, 1992). La novedad funda-
mental en este enfoque estriba en su flexibilidad para medir datos de semejanza
sobre un conjunto amplio de estímulos y juicios.
Finalmente, debemos señalar que la actualidad del MDS es patente por las
numerosas publicaciones aparecidas en los últimos años, que describen el uso
de esta modalidad de Análisis Multivariante en diversos campos, tales como
Psicología (Birnbaum et al., 1989; Iwakuma y Makita, 1989; Janal et al., 1991;
Nosofsky, 1991), Física (Cameron, 1987; Leurgans y Ross, 1992), Política (East-
erling, 1987), Marketing (Hoffman y Perreault, 1987), Farmacología (Kumor et
al., 1990), Acústica (Ueda y Akagi, 1990) o Medicina (Morrison, 1990; Mason et
al., 1991 ; Shinozaki et al., 1992).

AGRADECIMIENTOS

Los autores de este trabajo agredecen los comentarios, sugerencias e indi-

caciones recibidos tras la revisión de este trabajo, los cuales han contribuido sin
duda a mejorarlo.
 E^^_^,^I AI)Iti I I(^^`^•^ E^ tiF' ^ti^ )L ^^

BIBLIOGRAFIA

ARABiE, P. (1991): «Was Euclid an unnecessariiy sophisticated psychologist?»,

Psychornetrika, 56, 567-587.

ARABfE, P.; CARROLL, J. D., y DE SARBO, W. S. {19$7) : Three-Way Scaling and

Clustering, Sage Publications, Inc.
ATTNEAVE, F. (1950}: « Dimensians of similarity», Amer. J. Psychol., 63, 516-556.

BENNET, J. F., y HAYS, W. L. (1960): «Multidimensional unfoldíng, determining the

dimensionality of ranked preference data», Psychometrika, 25, 27-43.

BENTLER, P. M., y WEEKS, D. G. (1978): «Restricted multidimensional scaling mo-

dels», Journal of Mathematica/ Psycho/ogy, 17, 138-151.

BIRNBAUM, M. H.; ANDERSON, C. J., y HYNAN, L. G . (1989): «Two operations for

"ratios" and "differences" of dístances on the mental map», J. Exp. Psychol.
[Hum. Percept. J, 15, 785-796.

BLOxoM, B. { 1968) : Individual differences in mu/tidimensional scaling, Research

Bul(etin, 68, 45, Educationai Testing Service.
(1978): «Constrained multidimensional scaling in N spaces», Psychometrika,
43, 397-408.

BRADY, H. E. (1985): «Statistical consistency and hypothesis testing for nonme-

tric multidimensional scaling», Psychometrika, 50, 509-537.

CAMERON, J. A. (1987): «Nuclear Physics: Pattern Recognition in Nuclear Gam-

ma-ray Spectra», Multidimensional Scalíng: History, Theory and Applica-
tions, F. W. Young y R. Harner (eds.), Lawrence Erlbaum Associates, Publis-
hers.

CARROLL, J. D., y CNANG, J. J. (1970): «Anaiysis of individuat differences in multi-

dimensional scaling via an N-way generalization of Eckart-Young descompo-
sition», Psychometrika, 35, 283-319.

A general
CARROLL, J. D.; PRUZANSKY, S., y I'CRUSKAL, J. B. (1980): « CANDELlC:
approach to muttidimensional analysis of many-way arrays with linear cons-
traints on parameters», Psychometrika, 45, 3-24.
COHEN, H. S., y JONES ,L. E. (1974): «The effects of random error and subsam-
pling of dimensions on recovery of configurations by non-metric multidimen-
sional scaling», Psychometrika, 39, 69-90.
CooMBS, C. H. (1950): «Psychological scaling without a unit of ineasurement»,
Psychol. Rev., 57, 148-158.
(1964) : A Theary of Data, Wiley.
 ;^N,^^l.l^l5 I^t^. 1'k^^X1^^11U;^[^F^;^ I^Fti^^Ftk^^>l,l.i). f'k(^t^KF^titrs 1^^i^l 1^:^^^^^1^ ^ til^ti 1(1^I

CUADRAS, C. M. (1981): Métodos de Análisis Multivariante, Ed. Universitaria de

Barcelona.

CUADRAS, C. M., y Rulz-RIVAs, C. (1980y. «Una contribución al análisis de proxi-

midades» , Pub. Mat. UAB, 22, 103-106.

DAVISON, M. L. (1983): Multidimensional Scaling, John Wiley.

DE LEEUw, J. (1977): Applications of Convex Analysis to Multidimensional Sca-

ling, Recent Developments in Statistics, Eds. J. R. Barra et al., North-Ho-
Iland.

DE LEEUw, J., y HEISER, W. (1980): Multidimensional Scaling with Restrictions on

the Configuration, Multivariate Analysis V, Ed. P. R. Krishnaiah, North-Ho-
Iland.

(1982): Theory of Multidimensional Scaling, Handbook of Statistics, Vol. 2,

285-316.

DE SARBO, W. S.; HOWARD , D. J., y JEDIDI ,

K. (1991): «Multiclus: A new rnethod
for simultaneosuly performing MDS and Cluster Analysis», Psychometrika,
56, 121-136 .

DE SARBO, W. S.; JEDIDI, K., y STECKEL, J. H. (1991): «A stochastic MDS proce-

dure for the empirical determination of convex indifference curves for prefe-
rence/choice analysis», Psychometrika, 56, 279-301.

. (1992): «Tsca-
DE SARBO, W. S.; JOHNSON, M. D.; MANRAI, L. A., y EDWARDS, E. A
le: A new MDS procedure based on Tversky's contrast model», Psychometri-
ka, 57, 43-69.
EASTERLING, D_ V. (1987): «Political Science: Using the Generalized Euclidean
Model to Study Ideological Shifts in the U.S. Senate», Multidimensiana/ Sca-
ling: History, Theory and App/ications, F. W. Young y R. Hamer (eds.), Law-
rence Erlbaum Associates, Publishers.

GOLDMEIER, E. (1937): «l^ber ^hnlichkeit bei gesehenen figuren, Psychol., Fors-

chung, 21, 146-208.

GUTTMAN, L. (1941) :«The quantification of a class of attributes: a theory and

method of scale construction», The Prediction of Personal Adjustment, Ed.
P. Horst, Social Science Research Council.
(1944): «A basis for scaling qualitative data», Amer. Sociol. Rev., 9, 139-150.
(1946): «An approach for quantifying paired comparisons and rank order»,
Ann. Math. Statist., 17, 144-163 .
(1950): «The principal components of scale analysis», Measurement and
Prediction, Ed. S. A. Stouffer, Princeton University Press.
 E^.ti t:^[^tti ^ ^c'-^ E^^^ ^ ,^ti^ ^^.;^

-(1968): <tA general nonmetric technique for finding the smallest coordinate
space for a configuration of points», Psychometrika, 33, 469-506.

HAYS, W. L., y BENNET, J. F. (1961): «Multidimensional unfolding: determining

configuration from complete rank order preference data», Psychor»etrika, 26,
221-238.

HElSER, W. J. (1987): «Nlultidimensiona! scaling with least absolute residuals»,

presentado en la First Conference of International Federatían of Classsifica-
tion Societies, Aachen, República Federal de Alemania.
(1989): «The City-block Model for Three-way Multidimensional Scaling»,
Multiway Data Analysis, R. Coppi et al. (eds.}, North-Holland.

(1991): «A generaliied majorization method for least squared multidimensio-

nal scaling of pseudodistances that may be negative», Psychometrika, 56,
7-27.

HOFFMAN, D. L., y PERREAULT, W. D. (1987): «Market Research: Consumer Prefe-

rence and Perception», Multidimensional Scaling: History, Theory and Appli-
cations, F. W. Young y R. Hamer (eds.), Lawrence Erlbaum Associates, Pu-
blíshers.

HaRAN, C. B. (1969): «Multidimensional scaling: Combining observations when in-

dividuals have different perceptual structures», Psychometrika, 34, 139-165.

IsaAC, P. D., y PooR, D. (1974): «On the determination of appropriate dimensio-

nality in data with error», Psychometrika, 39, 91-109.

IWAKUMA, S., y MAKITA , H. (1989): «The individual structure of self-image: An

analysis of interrelations among WAI responses of university students»,
Shinrigaku Kenkyu, 60, 237-244.

JANAL, M. iV.; CLARK, W. C., y CARROLL, .J. D .

(1991): «Multidimensional scaling of
painful and innocuous electrocutaneous stimuli : Reliabiiity and individual dif-
ferences>^, Percept. Psychophys., 50, 108-116.
JEDIDI, K., y DE SARBO, W. S. (1991): «A stochastic MDS pracedure for the spa-
tial representation of three-mode, three-way pick Any/J data», Psychometri-
ka, 56, 471-494.

KLAHR, D. (1969): «Monte Carlo investigation of statistical significance of Krus-

kal's nonmetric scaiing procedure», Psychometrika, 34, 319-333.
KLINBERG, F. L. (1941): «Studies in measurement of the relations between sove-
reign states», Psychometrika, 6, 335-352.

KRUSKAL, J. B. (1964a): «Multidimensional scaling by optimizing goodness of fit

to a nonmetric hypothesis», Psychometrika, 29, 1-27.
 .1NAl.l^;lti [.)h: I'R()XI!^11I^^^I^E•.ti. 1)E^ti:^Rk(al_t_(). f'R(^(;kE-^^c^ti ti^1N1 l( ^^( Ica^;f ti

(1964b): «Nonmetric multidimensional scaling: A numerical method», Psy-

chometrika, 29, 115-129.

i'CUMOR, %C. M.; GLARK, W. C.; JANAL, M. N., j/ HAERT2EN, C. A . (1990): «Multidi-
mensionai scaling of subjective judgments of drug similarities among ketocy-
clazocine, morphine, cyclazocine, naloxone and placebo», Pharmacal. Bio-
chem. Behav., 35, 397-404.

LANDAHL , H. D. (1945): «Neural mechanisms for the concepts of difference and

similarity», Bull. Math. Biophysics, 7, 83-88.

LEE, S.-Y., y BENTLER , P. M. (1980}: «Functional relations in multidimensional

scaling», British Journal of Mathematical and Statistical Psycholvgy, 33 , 142-
150.

LEURGANS , S., y Ross, R. T. (1992): «Multilinear models: Applications in Spec-

troscopy», Statistica/ Science, 3, 289-319.
LINGOES, J. G., y BORG, I. {1983): «A quasi-statistica{ model for choosing bet-
ween alternative configurations derived from ordinally canstrained data», Bri-
tish Journal of Mathematical and Statistical Psychology, 36, 36-53.

MASON, J. W.; KOSTEN, T. R., y GILLER, E. L. (1991): «Multidimensional hormonal

discrimination of paranoid schizophrenic from bipolar manic patients», Biol.
Psychiatry, 29, 457-466.

MATHAR, R. (1990): «MDS with constraints on the configuration», Journal of Mul-

tivariate Ana/ysis, 33, 151-156.

McGEE, V. E. (1968): «Multidimensional scaling of n sets of similarity measures:

A nonmetric individual differences approach», Multivariate 8ehavoria/ Re-
search, 3, 233-248.

MESSicK, S. J. (1956): «Some recent theoretical developments in multidimensio-

nal scaling», Ed. Psychol. Meas., 16, 82-100.
MESSicK, S. J., y ABELSON , R. P. (1956): «The additive constant problem in multi-
dimensional scaling», Psychometrika, 21, 1-15.

MORRISON , P. (1990): «Performance of some of the better cochlear-implant pa-

tients» , J. Sppech Hear Res., 32, 887-91 1.
NosoFSKY, R. M. (1991): «Test of an exemplar model for relating perceptual
classification and recognition rnemory», J. Exp. Psychol. ^Hum. Percept.J, 17,
3-27.

NuLL, C. H., y SARLE, W. (1982): «Robust muitidimensional scaling», inforrne

presentado a la Joint Meeting of the Psychometric and Classification Socie-
ties, Montreal, Canadá.
 F^`^1 ^^!)t^!!(`^^ } ^{'^\tiO1 ^1

RAMSAY, J. O. (1977): «Maximum likelihood estimation in multidimensional sca-

ling>^, Psychornetrika, 42, 241-266.
-- (1978): «Confidence regions for multidimensionai scaling analysis», Psycho-
metrika, 43, 145-160.

(1980a): «Some small sample results for maximum likelihood estimation in

multidimensional scaling», Psychometrika, 45, 139-144.

(19$Ob): «The j oint analysis of direct ratings, pairwise preferences, and d'+ssi-
milarities», Psychometrika, 45, 149-165.

(1982}: =<Same statistical approaches to multidimensional scaling», J. R. Sta-

tist. Soc. A. , 145, 285-312.

RICHARDSON , M. W. (1938): «Multidimensional psychophysics», Psychological

Bulletin, 35, 659-660.

Introduction to Mu/tidi-
SCHlFFMAN, S. S.; REYNOLDS, M. L., y YOUNG, F. W. (1981 ) :
mensional Scaling. Theory, Methods and Applications, Academic Press.

SHEPARD, R. N. (1962): «The analysis of proximities: Multidimensional scaling

with an unknown distance function. Parts I, II», Psychornetrika, 27, 125-140,
219-246.

SHERMAN, C. R. (1972): «Nonmetric multidimensional scaling: A Monte Carlo

study of the basic parameters», Psychometrika, 37, 323-355.

M., y KATO, K. (1992}: «Multivariate analysis of serum tu-

SHINOZAKI, T.; CHIGIRA ,
mor markers for diagnosis of skeletal metastases», Cancer, 69, 108-112.

SiBSON, R. (1978): «Studies in the rAbustness of multídimensional scaling: Pro-

crustes statistics», J. R. Statist. Soc. B., 40, 234-238.

SPENCE, I. (19$2): «Robust multidimensional scaling», informe presentado a la

Joint Meeting of the Psychometric and Classification Societies, Montreal, Ca-
nadá.

SPENCE, I., y.GRAEF , J. (1974); «The determination of the underlying dimensiona-

lity of an empírically obtained matrix of proximities», Multivariate Behavioral
Research, 9, 331-342.

SPENCE ,I., y LEWANDOWSKY , S. (1989): «Robust multidímensional scaling», Psy-

chometrika, 54, 501-513.

SPENCE, !., y Oc^^v^E, J. C. (1973): «A table of expected stress values for random
rankings in nonmetric multidímensional scaling», Multivariate Behavioral Re-
search, 8, 511-517.
 ^^N:-^l.l`;Iti I)f f'kOX11^11U^^1.)t-.S^ t)f-.ti^^kF^t)f_l_^). F'kO(^kt_.ti^ ^ ti ^ ^^f'f lf ^^^(^I(>tif^^

STENSON , H. H., y KNOLL , R. L. (1969): «Goodness of fit for random rankings in

Kruskal's nonmetric scaling procedure», Psychologica! Bulletin, 7, 122-126.

STUMPF, C. (1880): Tonpsychologie. Vols I and Il, Teubner.

TAKANE, Y. (1978a): «A maximum likelihood method for nonmetric multidimensio-

nal scaling: I. The case in which all empirical pairwise orderings are indepen-
dent-theory» , Japanese Psycho/ogical Research, 20, 7-17.

(1978b): «A maximum likelihood method for nonmetric rnultidimensional sca-

ling: II. The case in which all empirical pairwise orderings are independent-
evaluations», Japanese Psycho/ogical Research, 20, 105-114.

(1980): «Maximum likelihood estimate in the generalized case of Thurstone's

model of comparative judgment», Japanese Psycho/ogícal Research, 22,
188-196.

(1981): «Multidimensional successive categories scaling: A Maximum like-

lihood method», Psychometrika, 46, 9-28.

(1982): «Maximum likelihood additivity analysis», Psychometrika, 47, 225-

241.

TAKANE, Y., y CARROLL , J. D. (1981): «Nonmetric maximum likelihood rnultidimen-

sional scaling from directional rankíngs of similarities», Psychometrika, 46,
389-405.

TAKANE, Y., y SERGENT ,J. (1983): «Multidimensional scaling models for reaction
times and same-different judgments», Psychometrika, 48, 393-424.

TAKANE, Y.; YouNG, F. W., y DE LEEUw, J. (1977): «Nonmetric individual differen-

ces multidimensional scaling: An alternating least squares method with opti-
mal scaling features», Psychometrika, 42, 7-67.

TORGERSON , W. S. (1952): «Multidimensional scaling: I. Theory and methads»,

Psychometrika, 17, 401-419.

(1986): «Scaling and Psychometrika: Spatiaf and alternative representations

of similarity data», Psychometrika, 51, 57-63.

TucKER, L. R., y MESSicK, S. J. (1963): «An individual differences for multidimen-

sional scaling», Psychometrika, 28, 333-367.

UEDA, K., y AKAGI , M. (1990): «Sharpness and amplitude envelopes of broad-

band noise», J. Acoust. Soc. Am., 87, 814-819.

a., y BENTLER ,
WEEKS, D. C^ P. M. (1982): «Restricted multidimensional scaling mo-
dels for asymmetric proximities», Psychometrika, 47, 201-208.
 f:ti'1 ^^[)IS'f'1('.-1 E^tiP^>!tit)!.A

WINSBERG , S., y CARROLL , J. D. (1989a): «A quasi-nonmetric method for multidi-

mensional scaling via an extended Euclidean mode!», Psychometrika, 54,
217-229.

(1989b): «A quasi-nonmetríc method for multidímensíonal scaling of multiway

data via a restricted case of an extended INDSCAL model», Multiway Data
Analysis, R. Coppi et al. (eds.), North-Holland.
S., y RAnnsaY, J. 4. (1983): «Monotone spline transformations for d'+-
WINSBERG ,
mension reduction», Psychometrika, 48, 575-595.
YouNG, F. W. (1970): « Nonmetric multidimensional scaling: Recovery of inetric
information», Psychometrika, 35, 455-474.

YouNG, F. W., y HaMER, R. (eds.) (1987): Multidimensiona/ Scaling: History,

Theory and Applications, Lawrence Erlbaum Associates, Publishers.
YouNG, G., y HOUSEHO^.DER , A. S. (1938): «Díscussion of a set of points in terms
of their mutual distances», Psychometrika, 3, 19-22.
ZlNNES, J. L., y MACKAY, D. B. (1983): «Probabilistic multidimensional scaling:
Complete and incomplete data», Psychometrika, 48, 24-48.

MULTIDIMENSiONAL SCALING: DEVELOPMENT, ADVANCES

AND APPLICATIONS

SUMMARY

This paper is a review of literature about the development and

advances of multidimensional scaling. It covers references from the
fírst theoretical contribution, due to Stu mpf (1880), to mare recent
developments, grouped into five main tendencies. The paper conclu-
des with several references to applications of multidímensíonal sca-
ling to different fields.

Key words: Multidirnensional scaling, Metric multidimensional sca-

ling, Non metric multidimensional scaling, Analysis of Individual
Differences.

AMS Classification: 62-03, 62H99.