Multidimensional Scaling

-2 3 -1 0 1 2
Dimension 1
DietPepsi
RCCola
Yukon
Dr.Pepper
Shasta
CocaCola
DietDr.Pepp er
Tab
PepsiCola DietRite

Jos Luis Vicente Villardn
Dpto. de Estadstica
Multidimensional Scaling
(MDS)
Se trata de una tcnica que representa medidas de la
disimilitud (similitud) entre pares de objetos como
distancias entre puntos en un espacio multidimensional
de baja dimensin.

La representacin en baja dimensin permite la
inspeccin visual de la estructura de los datos.
-Escalado Multidimensional.
-Anlisis de Proximidades.
Mapa Perceptual - Configuracin eucldea
MDS
A=(o
ij
) =
objetos
1
2
.
.
.
r
.
.
.
n
o
11
o
12
... o
1s
... o
1n
o
21
o
22
... o
2s
... o
2n
o
r 1
o
r 2
... o
r s
... o
r n
o
n1
o
n2
... o
ns
... o
nn
1 2 ... s ... n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Juicios de similaridad
disimilaridad o
preferencia.
*
*
7*
2 *
4*
*
*
1
3
5
6
distancias
Dim. perceptual 1
Usos del MDS
Tcnica Exploratoria: Datos no conectados con una teora
explicita para predecir sus magnitudes o patrones.

Contraste de hiptesis estructurales: Datos
procedentes de una teora previa.

Exploracin de estructuras psicolgicas: Bsqueda
de las dimensiones subyacentes en un conjunto de tems.

Modelos de juicio de similaridad: El propio MDS puede
servir como un modelo matemtico para los juicios de similitud de un
conjunto de sujetos.

Crimen en USA
Juicios de similitud entre naciones
Obtencin de los Datos
Los datos de preferencia implican que los estmulos deben ser juzgados en trminos de relaciones de
dominancia, es decir, los estmulos son ordenados en trminos de preferencia por alguna propiedad.

ORDENACIN DIRECTA: Cada individuo ordena los objetos desde el ms preferido hasta el menos
preferido.
Si el mayor valor se corresponde con el ms preferido: MEDIDA DE PREFERENCIA
Si el mayor valor se corresponde con el menos preferido: MEDIDA DE NO PREFERENCIA

COMPARACIN POR PAREJAS: Se le presentan al individuo todos los posibles pares de objetos, y se
le pregunta cul es el que prefieren de cada par.


o
ij
Vas y Modos
TERMINOLOGA
TERMINOLOGA
OBJETO: Una cosa o un evento (una manzana).
ESTIMULO: Un objeto percibido (una manzana degustada).
ATRIBUTO: Caracterstica de un estmulo (contenido en azcar).
SOBRE LOS DATOS
SOBRE LOS DATOS
Algunos ejemplos
Varios sujetos juzgan el parecido de
parejas de alimentos:
TRES VIAS, DOS MODOS
Varios sujetos juzgan el parecido de
parejas de alimentos, antes y
despus de una campaa
publicitaria:
CUATRO VIAS, TRES MODOS
Algunos ejemplos 2
Varios sujetos evalan varios
alimentos en diferentes escalas de
valor:
TRES VIAS, TRES MODOS
.
E1 E2 ... En
A1
A2
As
.
.
.
S1 S2 Sr ...
E1 E2 ... En
A1
A2
As
.
.
.
E1 E2 ... En
A1
A2
As
.
.
.
Nivel de medida de los datos
Nominal: los datos son categoras sin ningn orden
preestablecido.

Ordinal: Los datos categricos se disponen en orden de
magnitud.

Intervalo: Las medidas se sitan en una escala de manera que
se manifiesten las magnitudes de las diferencias entre los
objetos. Sin embargo, este tipo de escalas no tienen un cero
real.

Razn: Las medidas se disponen en una escala de modo que la
posicin a lo largo de la escala represente la magnitud absoluta
del atributo. S existe un cero verdadero.
Definicin del problema
Supongamos que tenemos un conjunto de n objetos y una for ma de determi nar la
disimil aridad entre cada par A = o
ij
: i, j = 1,K , n

; el MDS trata de bus car una

configuraci n


X= x
ia
: i =1,K ,n;a =1,K ,m | | de n puntos en el es pacio Eucl deo m dimen siona l
de forma q ue, el punto


x
i
= x
i1
,K , x
im
| |
'
repr esente al objeto i, y la distanci a eucldea entr e
dos puntos

x
i
y

x
j

d(x
i
, x
j
) = d
ij
(X) = (x
ik
x
jk
)
2
k=1
m

aproxime la corresp ondi ente disimil aridad

o
ij
entre los obj etos, una funcin de la
misma
f (o
ij
) ~ d
ij

La funci n f especi fica el modelo de MDS.
A las medidas

o
ij
las denomin aremos proximi dades. Los valores

f (o
ij
) =

o
ij
se conoce n
como dispa ridad es.
Modelos de MDS- Mtrico
MDS METRICO
La funci n f es de forma cono cida pero de parmetros desconocidos.

- MDS absoluto, clsico o Co ordena das principa les


o
ij
= o
ij

- MDS par a esca la de raz n


o
ij
= bo
ij

- MDS par a esca la de interval o


o
ij
= a +bo
ij

- Otros tipos no lineales
- Loga rtmico


o
ij
= b log( o
ij
)


o
ij
= a +b log( o
ij
)
- Exponenc ial


o
ij
= a+be
o
ij

- Cuadrtico


o
ij
= a +bo
ij
+ co
ij
2

- Inverso


o
ij
= a+
b
o
ij

- Recproco


o
ij
= b(1o
ij
)
Las disparid ades se estima n mediante regr esin

Modelos de MDS- No Mtrico
MDS NO METRICO

La funci n f no se especifica completamente, se restrin ge par a que sea monto na

- MDS ordi nal
Si

o
ij
< o
kl
entonces


o
ij
s

o
kl
y s in or den particular cua ndo

o
ij
= o
kl


- MDS nominal
Si

o
ij
= o
kl
entonces


o
ij
=

o
kl


Las disparid ades se estima n mediante regr esin monton a.
Errores, funciones de prdida
y stress
Se define el error de la repre sentacin como e
ij
2
= [ f (o
ij
) d
ij
]
2
y sumando para todo s
los pa res o
r
2
= o
r
2
(X) = [ f (o
ij
) d
ij
]
2
(i, j )

se obtiene lo que se denom ina str ess bruto ,

que depende de la calibracin de las pro ximida des.

Para evit ar la depe ndenc ia de las escala podemos escribir
o
1
2
= o
1
2
(X) =
o
r
2
(X)
d
ij
2
(i, j )

=
[ f (o
ij
) d
ij
]
2
(i, j )

d
ij
2
(i, j )

Tomando la r az cuadr ada se obtiene el Stress -1 de Krus kal.
Stres 1 = o
1
=
[ f (o
ij
) d
ij
]
2
(i, j )

d
ij
2
(i, j )

Si la matr iz es simtric a, basta tomar la suma par a i < j.
Minimi zar el Stre ss-1, requie re encontrar u n X ptimo e n dimensin m y una funcin f
adecuad a.

Stress
S
1
=

o
ij
d
ij ( )
2
i, j

d
ij
2
ij

(
(
(
(
2
S
2
=

o
ij
d
ij ( )
2
i, j

(d
ij
d
..
)
2
ij

(
(
(
(
2
SS
2
=

o
ij
2
d
ij
2
( )
2
i, j

(d
ij
2
)
2
ij

(
(
(
(
2
S-Stress
SS
2
=

o
ij
2
d
ij
2
( )
2
i, j

(d
ij
2
d
..
2
)
2
ij

(
(
(
(
2
Interpretacin del stress
El stress es una medida de la falta de ajuste que depende de
varios factores.

-El nmero de puntos, n. A mayor nmero de puntos mayor stress.
-La dimensin del espacio MDS, m. A mayor dimensin mayor stress.
-El error en los datos: A mayor error mayor stress
-El nmero de empates: En general, mayor nmero de empates
permiten menor stress.
-El nmero de datos perdidos: En general un mayor nmero de datos
perdidos produce un menor stress.
-El modelo de MDS: El MDS para datos de intervalo produce un
mayor stress que el modelo ordinal, particularmente si f es
marcadamente no lineal.
Stress para datos perdidos
Es posible inclu ir datos perd idos aadi endo po nde racione s, de for ma que el
stress pod ra escribi rse como.


o
1
=
w
ij
[f (o
ij
) d
ij
]
2
(i,j)

w
ij
d
ij
2
(i, j)

donde la p onde racin es 1 si el dato es vlido y 0 si se trata de un dato
perdido .

En gen eral puede utili zar se cualquier po nd eraci n pa ra dar mayor o men or
importancia a cada uno de los elementos de la mat riz de dis tancia s.
Diagramas de Shepard
El diagrama de Shepard complementa a la medida del Stress. Se trata de
un diagrama de dispersin que representa a las proximidades frente a las
disparidades o a las distancias.
disparidades

distancias
proximidades

El stress puede
interpretarse como un
coeficiente de correlacin
que mide la falta de ajuste.

Permite detectar outliers y
formas de la funcin f.

Es particularmente til en
MDS ordinal para detectar la
forma aproximada de la
funcin montona
desconocida.

Algoritmo
C o m e n z a r
So l u c i n i n i c i a l X
( 0 )
k = 0
C a l c u l a r l a s d i s p a r i d a d e s p t i m a s
p a r a l a s d i s t a n c i a s e n X
( k )
E s t a n d a r i z a r l a s d i s p a r i d a d e s
C a l cu l a r o
r
( k )
K 0 ?
o
r
( k - 1 )
- o
r
( k )
< c

k = n m a x d e i t e r a c i o n e s
P a r a r
k=k+1
Actualizar X
(k)
SI
NO
SI
NO
(2)
(2): Busqueda del stress mnimo
Actualizar coordenadas
- ALSCAL (Alternating least squares scaling)
- Basado en el mtodo del gradiente
- Actualiza los puntos de uno en uno

- SMACOF (Scaling by Majorizing a Complicated
Function)
-Basado en el principio de mayorizacin iterativa
- Actualiza todos los puntos simultaneamente

ALSCAL
-Utiliza el s-stress
-Programa por defecto en SPSS
-Modifica las posiciones de los puntos uno
a uno suponiendo que el resto son fijos.
Mayorizacin iterativa
La caracterstic a fun dament al de l a mayor izaci n iterativa es que gene ra
secuencias no creci entes de valores de la funci n que term ina gene ralmente en
un mnimo local.

La idea gen eral cons iste en reempla zar la funcin a minimiza r f(x) po r un a
funcin auxi liar g(x, z) donde z es un valor fij o. La funci n g(x,z) debe cumplir
las siguientes propie dades para que sea una funci n may orizante:

- La funci n g(x,z) debes er ms simple de minim izar que f(x). Por ejemplo ,
una funci n cuad rtica.
- La funcin or igi nal deb e ser s iempre menor, o al menos igu al que la funcin
auxil iar , f(x) g(x,z) .
- La funcin auxil iar ha de toc ar a la superficie (curva) en el punto soporte z,
f(z) = g (z,z).
Algoritmo de Mayorizacin
ALGORITMO ITERATIVO DE MAYORIZACI ON
1.- Tomar z = z
0
, (z
0
es un valo r inicial) .
2.- Buscar una actualizacin de x
u
para la que g(x
u
,z) g(z, z).
3.- Si f(z) f(x
u
) < e, parar
4.- Tomar z = x
u
, e ir a 2.
x
0
x
2
x
1
f( x
0
)=g( x
0
,x
0
)
f( x
1
)=g( x
1
,x
1
)
g(x
1
,x
0
)
g(x
2
,x
1
)
f( x
2
)
g(x,x
0
)
g( x,x
1
)
f(x )
MAYORIZAC ION CUADRATICA
Si f(x) tiene l a segun da deriv ada acotada, existe una funci n
cuadrtica que tiene, comparada con f(x), una segunda deri vada
mayor en cualquier punto x.
Para este tipo de funcione s, f(x) puede mayorizarse con

g(x, z) = a(z )x
2
b(z)x + c(z )
con a(z) > 0 y a(z), b(z) y c(z) funciones de z pero n o de x.
SMACOF
1.- Tomar

Z = X
(0)
, e iniciar el contador de iteraciones k=0.
2.- Encontra r las disparid ades pti mas


o par a distancias fija das

d
ij
(X
(0)
). El proced imiento para el ajuste suele
ser una regresin de la s dist ancias sob re las proximidades observadas de acuerdo con la funcin f.
3.- Estandarizar


o de forma que

q

o
2
= n(n 1)/ 2.
4.- Calcular

o
r
(X
(0)
)
5.- Incrementar el c ontador de iteraciones, k = k + 1.
6.- Actualizar las coordenadas

X
(k)
= V
+
B(Z)Z, reemplazando

o
ij
por


o
ij
.
7.- Encontrar las disparidades ptimas


o para distancias fijadas

d
ij
(X
(2)
) con e l mismo procedimiento que en 2.
8.- Estandarizar


o de forma que

q

o
2
= n(n 1)/ 2.
9.- Calcular

o
r
(

o ,X
(k)
)
10.- Si

o
r
(

o ,X
(k1)
) o
r
(

o , X
(k)
) < c k = nmero mximo de iteraciones, entonce s parar
11.- Tomar

Z = X
(k)
e ir a 5.
Actualizacin de la
configuracin
La frmu la de actuali zacin e s:
X
u
= V
+
B(Z)Z
don de B(Z) tiene elementos
b
ij
=

w
ij
o
ij
d
ij
(Z)
para i = j y d
ij
(Z) = 0
0 para i = j y d
ij
(Z) = 0

b
ii
= - b
ij
j =1, j=i
n

V = w
ij
A
ij
i< j

y A
ij
tiene elementos a
ii
= a
jj
=1, a
ij
= a
ji
= 1 y el
resto 0.
Regresin montona
Interpretacin del espacio de los estmulos
PROPERTY FITTING
X
NxK(estmulosx dimensiones)
=
1
N
x
ik




(

(
(
1 K
Z
NxR(estmulosx variables)
=
1
N
z
ir




(

(
(
1 R
La idea consiste en poder representar las variables medidas sobre los estmul os
en el espaci o de los mismos , para ver si son responsables de la con figuracin
obtenida.
Existen varios procedimientos que permiten inclu ir los items o va riables
med idas sobre los et mu los en el e spacio espac io de los mismos, de forma que
las posicion es de los punt os pu ede n ser asociados con alguna de las
caractersticas de aquellas.
Uno de los procedimientos ms conocidos es el "PROPERTY FITTING"
(SCHIFFMAN, REYNOLDS y YOUNG , 1981 ).
Interpretacin del espacio de los estmulos
MODELO VECTORIAL
Consiste en encontrar
direcciones a travs del espacio
de los estmulos que se
correspondan con cantidades
crecientes de una determinada
variable (o de una combinacin
de variables).
Se posicionan, en el espacio
generado por una solucin MDS,
unos vectores que representan a las
variables medidas sobre los
estmulos estudiados. Estos
vectores son lneas trazadas a travs
del espacio de los estmulos,
elegidas de forma que la proyeccin
de cada estmulo sobre ellas se
corresponda lo ms posible con el
valor real de la variable en el
estmulo.
Interpretacin del espacio de los estmulos
MODELO VECTORIAL
Si el atributo en cuestin se
relaciona fuertemente con el espacio
de los estmulos, entonces las
proyecciones de dichos estmulos
coincidirn casi perfectamente con
los valores de los atributos en
dichos estmulos. Tambin la
correlacin entre los valores de los
atributos y las proyecciones ser
grande.
Interpretacin del espacio de los estmulos
MODELO VECTORIAL
El vector se denomina Vector
de mejor ajuste porque el
procedimiento para encontrar
la direccin es mediante el
modelo de regresin mltiple.
Se encuentra la direccin para
el vector que represente al
atributo de modo que la
correlacin entre las
proyecciones de los estmulos
y los valores del atributo sea
tan grande como sea posible.
Interpretacin del espacio de los estmulos
MODELO VECTORIAL
Bsqueda de las direcciones de los vectores: Mediante regresin
lineal mltiple.
-Variables regresoras: Coordenadas de los estmulos
-Variable dependiente: Variable medida sobre los
atributos.

Un vector para cada variable: si tenemos R variables, tendremos R
regresiones mltiples.
Sea z el vector que contiene los valores de la variable (cuya situacin en
el espacio de los estmulos queremos determinar). z
i
ser el valor que toma
esa variable en el estmulo i-simo.

Llamemos XNxK a la matriz que contiene las coordenadas para los N
estmulos en las K dimensiones.
Interpretacin del espacio de los estmulos
MODELO VECTORIAL
El modelo de regresin mltiple ordinario sera:


z
i
-
= proyeccin del estmulo i sobre el vector que
representa a la variable, y se corresponde con el valor
estimado mediante regresin
= son los coeficientes de regresin
= es la coordenada del estmulo i-simo en la k-sima
dimensin.


x
ik
Se elige:


Como coordenadas del punto para situar la punta de la flecha del vector que
define la direccin de mejor ajuste. (las coordenadas de los estmulos deben estar centradas)
z
i
~ z
i
*
= b
0
+b
1
x
i1
+K +b
K
x
iK
b
1
,K ,b
K
b
0
, b
1
,K , b
K
Interpretacin del modelo vectorial en trminos de
productos escalares
Sea XNxK, la matriz de coordenadas de los estmulos en el espacio K-dimensional.
Sea ZNxR la matriz que contiene los valores de R variables medidas sobre los
N estmulos.

Supongamos ahora que queremos situar sobre el grfico R vectores (K-
dimensionales) br (r=1, ... , R), uno para cada una de las variables medidas
sobre los estmulos, de forma que el producto escalar de una fila de X, xi,
(i=1, ... , N), por dicho vector xi' br, aproxime, tan adecuadamente como sea
posible, el elemento (zir) de la matriz Z.

Si tomamos los vectores br como filas de una matriz B, la condicin anterior
puede escribirse como
X ' B ~ Z
Interpretacin del modelo vectorial en trminos de
productos escalares
Se trata de encontrar B de manera que se minimice
L = Z X ' B = tr (Z X ' B )' (Z X ' B )
| |
=
= tr (
'
Z Z) tr (
'
Z X
'
B ) tr (B
'
X Z) + tr (B
'
X X
'
B )
Derivando con respecto a B e igualando la derivada a cero se obtiene que
' X Z = ' X X ' B
Es decir
Multiplicando a la izquierda por la inversa de X'X obtenemos
B = ' Z X( ' X X)
1
cL
cB
= 0 2 ' X Z+ 2 ' X X ' B = 0
Interpretacin del modelo vectorial en trminos de
productos escalares
Es decir, las coordenadas que buscamos son los coeficientes de
regresin de cada una de las columnas de Z sobre las dimensiones de
la configuracin obtenida para los estmulos en el espacio de
dimensin reducida, contenida en X.

Los vectores contenidos en las filas de B son las direcciones de los
atributos en el espacio generado por las columnas de X.

La expresin Z=XB define un biplot para los atributos en el que las
coordenadas de los estmulos se han calculado mediante MDS y las de
los atributos mediante regresin.
Geometry of linear regression biplots
The geomet ry of bip lots for linear su bspac es is described in
GOWER & HAND (1996) alt houg h the geomet ry of
regression bip lot s is not complet ely des cribed.
To simpli fy, suppose that w e want to p redi ct the values of
one of the variabl es, contain ed in a colu mn vector

x
<j>
, from
the row mar kers A, i.e

x
<j>
= ' A |
j
(2.3)
Where the regression coefficient s are the column mar kers.
Wit hout loss of generality we can assu me that b ot h the
variab les and the row mar kers ar e mean centr ed.
0
1
2
3
4
5 0
1
2
3
4
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
L (N
0
)
Let L be the spa ce span ned by the colu mn s of A, usua ll y two-
dimensional. We co mplet e L wit h a third dimension for the
j-th va riable and ad just the regr ession plane.
0
1
2
3
4
5 0
1
2
3
4
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
L (N
0
)
H
A linear respon se surface in th e th ree-dimensional
spa ce is obtained . Let us call it H.
0
1
2
3
4
5 0
1
2
3
4
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
N
1
L (N
0
)
H
The set of poi nts in H pre dicting a fixed value is given
by the in tersection betwe en the plan e normal to the
third axis pas sing t roug h the fixed value, an d H. That
intersection is a straigh t line .
0
1
2
3
4
5 0
1
2
3
4
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
N
2
N
1
L (N
0
)
H
N
3
Different prediction values lead to different pa rallel
stra ight lin es.
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
L
H
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
L
H
The po ints i n L pre dicting different value s of the
var iable are also on pa rallel straig ht lin es
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
L
H

j
Lets
j
deno te the line in H n orma l to all the level
curves and int ersecting the third axis (at point 0 for
cent red data ).
j
can be used as a reference for
predicti on as shown in G OWER & HAND ( 1996).
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
L
H
|
j

j
The pr ojection of
j
o nt o L i s no rmal to a ll th e
predicti on lines in L, a nd it is the bipl ot axi s de noted
by |
j
,.
0
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
L
H
3
1
2
1
2
3
|
j

j
The bipl ot ax is can be completed with s cales.
-2 -1 0 1 2
-2
-1.5
-1
-0.5
0
0.5
1
1.5
1
2
3
4
5
0
-1
-2
-3
Projecting the row ma rkers ont o the biplot axis do es
the prediction on the repr esentati on.
The squar ed R for the regressions is int erpr eted as a
measur e of th e quality of the representat ion in th e
sense commonly us ed in Correspondenc e Analysis.
Ejemplo 1
Braz Con Cuba Egypt Fran India Israel Japan Chia Rsia USA Yug
Brazil 0.00 5.17 4.72 6.56 5.28 5.50 6.17 6.50 7.61 6.94 USA 6.83
Congo 5.17 0.00 5.44 5.00 6.00 5.17 6.67 6.61 6.00 6.61 4.61 6.50
Cuba 4.72 5.44 0.00 4.83 5.89 6.00 6.39 7.06 4.50 4.56 7.61 4.89
Egypt 6.56 5.00 4.83 0.00 5.22 4.17 5.33 6.17 5.61 5.61 6.83 5.72
France 5.28 6.00 5.89 5.22 0.00 6.56 6.00 5.78 6.33 4.94 6.67 5.28
India 5.50 5.17 6.00 4.17 6.56 0.00 5.89 5.50 5.89 5.50 4.06 6.00
Israel 6.17 6.67 6.39 5.33 6.00 5.89 0.00 5.17 7.00 5.83 5.72 5.56
Japan 6.50 6.61 7.06 6.17 5.78 5.50 5.17 0.00 5.83 5.39 4.06 5.72
China 7.61 6.00 4.50 5.61 6.33 5.89 7.00 5.83 0.00 4.28 3.94 4.94
Russia 6.94 6.61 4.56 5.61 4.94 5.50 5.83 5.39 4.28 0.00 7.44 3.33
USA 4.61 7.61 6.83 6.67 4.06 5.72 4.06 3.94 7.44 5.00 5.00 6.44
Yugoslavia 6.83 6.50 4.89 5.72 5.28 6.00 5.56 5.72 4.94 3.33 0.00 0.00

0 15 5 10
Di mensi ons
Multidimensional Scaling Analysis

Current Stress: 0.2533862707584368

Eigenvalue (amount of data variance fit),
Proportion & Cumulative Proportion of variance
fit for each dimension
15.74 0.26 0.26
12.79 0.21 0.47
8.62 0.14 0.61
5.74 0.09 0.71
5.19 0.09 0.79
4.17 0.07 0.86
3.27 0.05 0.92
1.74 0.03 0.94
1.33 0.02 0.97
1.03 0.02 0.98
0.98 0.02 1.00
0.00 0.00 1.00

Ejemplo 1
-3 2 -2 -1 0 1
Di mensi on 1
Brazil
Congo
Cuba
Egypt
France
India
Israel
Japan
China
Russia
US
A
Yugosla
Ejemplo 2
Analyzed Dissimilarity Data (with Additive Constant).
Derived from the Average of Matrices (Y1 N2 N3 Y4 Y5 Y6 N7 N8 Y9 N10)
0 1.37 3.11 3.37 2.99 2.48 2.27 2.45 2.57 1.02 DietPepsi
1.37 0 2.13 2.20 1.20 1.60 3.37 3.17 0.93 2.39 RCCola
3.11 2.13 0 2.77 2.01 1.48 3.05 2.81 2.72 2.75 Yukon
3.37 2.20 2.77 0 2.60 3.53 1.97 3.48 2.60 3.51 Dr.Pepper
2.99 1.20 2.01 2.60 0 1.39 2.98 2.65 0.89 2.48 Shasta
2.48 1.60 1.48 3.53 1.39 0 3.02 2.12 1.38 2.66 CocaCola
2.27 3.37 3.05 1.97 2.98 3.02 0 2.59 3.01 2.33 DietDr.Pepper
2.45 3.17 2.81 3.48 2.65 2.12 2.59 0 2.80 1.32 Tab
2.57 0.93 2.72 2.60 0.89 1.38 3.01 2.80 0 2.33 PepsiCola
1.02 2.39 2.75 3.51 2.48 2.66 2.33 1.32 2.33 0 DietRite

Additive Constant: 0.4315273319630233

Current Stress: 0.15773024290532994

Eigenvalue (amount of data variance fit), Proportion &
Cumulative Proportion of variance fit for each dimension
10.86 0.30 0.30
9.55 0.26 0.56
5.91 0.16 0.72
3.43 0.09 0.81
2.51 0.07 0.88
1.81 0.05 0.93
1.71 0.05 0.97
0.89 0.02 1.00
0.04 0.00 1.00
0.00 0.00 1.00

0 10 2 4 6 8
Di mensi ons
Ejemplo 2
-2 3 -1 0 1 2
Dimension 1
DietPepsi
RCCola
Yukon
Dr.Pepper
Shasta
CocaCola
DietDr.Pepp er
Tab
PepsiCola DietRite