[ES]: Hay ocasiones en que es necesario resumir la información proporcionada por una serie de variables, ya sea con el objetivo de simplificar la información proporcionada por éstas e identificar la estructura subyacente a las mismas, y, a veces, con el de utilizar estas nuevas variables (factores) para un análisis posterior. Para este fin, existe una serie de procedimientos estadísticos implementados en la mayoría de los programas de análisis de datos de uso común. La elección de la técnica a utilizar viene, en la mayoría de los casos, determinada por la naturaleza de las variables que se han elegido para el análisis. Cuando la información procede de encuestas sociales, la mayor parte de ésta se recoge mediante variables de tipo categórico. Para estas variables es posible aplicar una serie de técnicas basadas en el escalamiento óptimo; programas de análisis de datos como SPSS incluyen técnicas de este tipo que permiten reducir la dimensionalidad de un conjunto de variables que no están en escala métrica. Por todos es conocida la complejidad que conlleva la interpretación de los factores obtenidos mediante cualquier procedimiento de reducción de la dimensionalidad de un conjunto de variables. Las soluciones factoriales no rotadas alcanzan el objetivo de reducción de datos, pero no siempre facilitan una información que ofrezca la interpretación más adecuada de las variables examinadas. Es por esto, que en un segundo paso ha de hacerse uso de la rotación, facilitando así la interpretación y disminuyendo algunas de las ambigüedades que a menudo acompañan a las soluciones factoriales no rotadas. Sin embargo, la mayoría de paquetes estadísticos no ofrecen esta posibilidad cuando se trata de aplicar técnicas de escalamiento óptimo a variables que no están en escala métrica. En este trabajo abordamos cómo es posible superar esta dificultad mediante una combinación de técnicas disponibles en SPSS, simplificando así la interpretación de las dimensiones obtenidas a partir de un conjunto de variables categóricas.

[EN]: It is sometimes necessary to summarize the information obtained through a series of variables. The goal is to simplify the information thus obtained and to identify the underlying structure, and sometimes also to use these new variables (factors) for a later analysis. For this purpose there are several statistical procedures implemented in most data analysis programmes commonly used. In most cases, the choice of the technique depends on the nature of the variables taken for the analysis. When the information comes from social surveys, most of it is gathered through categorical variables. For these variables it is possible to apply several techniques based on optimal scaling; data analysis programmes such as SPSS include this kind of techniques that make it possible to reduce the dimensionality of a set of variables, which are not in metric scale. Everyone knows how complex it is to interpret the factors obtained through any kind of procedure used to reduce the dimensionality of a set of variables. The goal of data reduction is achieved through non-rotated factorial solutions, but they do not always offer information that gives the most appropriate interpretation of the variables under study. That is why rotation has to be applied on a second step, thus facilitating the interpretation and reducing some of the ambiguities that are often linked to non-rotated factorial solutions. Nevertheless, most statistical packages do not offer this possibility when trying to apply optimal scaling techniques to variables that are not on a metric scale. In this paper we explain how to overcome this obstacle through a combination of available techniques in SPSS, thus simplifying the interpretation of the dimensions obtained by a set of categorical variables.

26 páginas, 4 tablas.-- El Pdf es la versión post-print del artículo.

Peer reviewed