Familia de métodos de ordenación que construyen una configuración de puntos en un espacio geométrico (usualmente euclidiano) cuyas distancias por pares reproducen, lo más fielmente posible, una matriz observada de similaridades o disimilitudes entre elementos; variantes incluyen MDS clásica (métrica), basada en descomposición de una matriz de distancias doblemente centrada, y MDS no métrica, que busca una transformación monótona entre las disimilitudes observadas y las distancias ajustadas minimizando una función de stress.

Principio

MDS busca coordenadas de puntos que minimicen una pérdida (stress) entre las distancias modeladas y las disimilitudes observadas; el tipo escogido (métrico vs no métrico), la función de stress y la dimensionalidad determinan el equilibrio fidelidad–interpretabilidad.

Demostración

Escenario ilustrativo: consumidores valoran la similitud percibida entre diez modelos de teléfono. El analista calcula una matriz de disimilitud a partir de las valoraciones, ejecuta MDS no métrica en dos dimensiones minimizando el estrés de Kruskal y obtiene un mapa donde la proximidad indica agrupamientos percibidos (por ejemplo, orientados al precio vs orientados a características); las dimensiones deben interpretarse con cautela por ser rotaciones arbitrarias.

Aplicación incorrecta

Aplicar MDS métrico a datos puramente ordinales sin transformaciones monótonas, sobreinterpretar los ejes o forzar un número insuficiente de dimensiones de modo que el stress sea elevado y los patrones sean artefactos.

Consecuencia

Si se aplica correctamente, MDS revela estructura perceptual o relacional entre elementos y facilita la generación de hipótesis sobre dimensiones subyacentes; mal aplicada, puede producir mapas inestables o espurios que confunden la interpretación sobre dimensiones latentes.

Inversión

Cuando las disimilitudes son ruidosas, no estacionarias entre subconjuntos o derivadas de relaciones asimétricas, las soluciones MDS estándar son inestables o inapropiadas; alternativas como métodos no métricos, MDS ponderada, análisis de Procrustes o técnicas centradas en estructura local (t‑SNE, UMAP) pueden ser preferibles según el objetivo.

Límite

Claramente dentro: matrices simétricas de similitud/disimilitud entre elementos comparables para inferir un espacio perceptual o relacional de baja dimensión. Caso límite: proximidades asimétricas requieren variantes MDS especializadas. Claramente fuera: datos multivariados de atributos en bruto donde PCA o análisis factorial son las herramientas de ordenación estándar si la norma euclidiana de atributos es apropiada.

Tensión semántica

Fidelidad a las disimilitudes observadas (bajo stress) ↔ parsimonia e interpretabilidad (pocas dimensiones); reducir el stress puede exigir más dimensiones, disminuyendo la interpretabilidad.

Síntesis

MDS traduce la similitud en proximidad espacial: convierte juicios por pares en coordenadas que hacen visible la estructura latente, pero las dimensiones requieren interpretación contextual y no son únicas (rotación/reflexión/escala).