A) En estadística, el escalado multidimensional (MDS) consta de una multitud de técnicas utilizadas para representar geométricamente las relaciones entre entidades que tienen alta dimensionalidad. Basado en una matriz (llamada matriz de proximidad) obtenida a partir de las diferencias (dissimilarities) o similitudes (similarities) entre objetos de entrada, el objetivo de un procesamiento MDS es encontrar una configuración de puntos que pueda mapear las proximidades iniciales a distancias de una dimensión inferior (Radulescu & Turcitu, 2013). Hay dos tipos de MDS dependiendo de la naturaleza de la disimilitud observada: MDS métricos y no métricos: I) con MDS métricos, las diferencias se consideran continuas y brindan información exacta que debe reproducirse lo más fielmente posible, II) con MDS o NMDS no métricos, solo cuenta el orden de las diferencias. En otras palabras, el algoritmo MDS no tiene que intentar reproducir las diferencias sino sólo su orden (XLSTAT, 2024).
B) Un método de ESCALA (SCALING) que representa similitudes percibidas entre estímulos organizando estímulos similares en proximidad espacial entre sí, mientras que estímulos dispares se representan muy separados unos de otros. Por ejemplo, un investigador puede utilizar escalas multidimensionales para evaluar las dimensiones subyacentes a las atribuciones del comportamiento materno, como se muestra en la ilustración de al lado. El escalamiento multidimensional es una alternativa al ANÁLISIS FACTOR para tratar con grandes matrices de datos o estímulos (Zedeck et al., 2013).