La medición de actitudes es un proceso complejo que involucra valoraciones emocionales y cognitivas hacia objetos, individuos, grupos o conceptos. Hace ya cerca de un siglo, Thurstone (1928) propuso una solución para proceder a esta medición, considerando que la variable analizada era de tipo continuo ordinal, y asignando a cada individuo una puntuación ponderada por la importancia que los jueces habían definido previamente en la fase de diseño. Desde esta perspectiva, Thurstone y Chave (1929) desarrollaron una escala con intervalos que consideraron equidistantes para medir actitudes. Al poco tiempo, Likert (1932) postuló que la variable analizada fuera medida asignando valores numéricos discretos a las posibles respuestas, construyendo una nueva escala de respuesta bipolar acuerdo/desacuerdo (A/D) de cinco modalidades, no siendo necesaria una escala continua. Consideraba la existencia de ‘factores’ (variables latentes o grupos de ítems) para representar actitudes, susceptibles de agregación en una escala sintética. Tampoco utilizaba jueces para la construcción de escalas de actitud, lo que facilita la aplicación de esta metodología y explica su gran extensión en el campo de las ciencias sociales. En otras palabras, la intención de Likert era pasar de una escala ordinal a una de intervalo, suponiendo igual distancia entre todas las categorías de respuesta y obteniendo la puntuación para cada individuo (escala-Likert) como la media o la suma de los valores numéricos de los ítems-Likert que corresponden al mismo factor. Con ello, se buscaba construir una escala que facilitase la recogida de datos y su tratamiento, si bien el propio Likert señalaba (muy acertadamente), que su trabajo no cerraba el problema, como se ha visto confirmado al seguir atrayendo el interés de los investigadores hasta la actualidad. Años más tarde, Stevens (1946) recogería algunas conclusiones de la British Association for the Advancement of Science respecto a poder medir las sensaciones humanas, indicando que no existía consenso ni siguiera sobre dicho concepto (‘asignar números a las cosas’), y definiendo las cuatro escalas tradicionales de medida: nominal, ordinal, intervalo y razón (subyaciendo la idea de linealidad para las dos últimas).

La controversia sobre la consideración de los ítems-Likert medidos en escala ordinal o de intervalo dentro de los cuestionarios, así como la construcción de una escala-Likert mediante agregación de ítems-Likert, sigue enfrentando a los investigadores. Comprender la naturaleza de las variables es fundamental para entender el proceso de extracción de la información, elegir la técnica de análisis de datos adecuada, la agregación de los ítems-Likert en una escala-Likert, interpretar los resultados y tomar decisiones.

La tradicional falta de normalidad obtenida a partir de los ítems-Likert con cinco modalidades ha hecho que se estudie incrementarlas con el fin de facilitar el paso de considerar una escala discreta a continua y poder utilizar contrastes paramétricos. Los estilos de aprendizaje (EA) son una parte muy concreta del proceso de aprendizaje. Se consideran factores o variables latentes no directamente observables, teniendo en cuenta que cada persona percibe, procesa, almacena y recupera datos e información (es decir, aprende) de forma distinta. Al ser actitudes abstractas, su estudio comparte la problemática señalada anteriormente. De ahí que, en este artículo, planteemos que la identificación del EA más adecuado para cada persona permitiría mejorar la eficacia en el aprendizaje.

En la primera sección, introducimos los estilos de aprendizaje (EA), utilizando un modelo denominado GRSLSS con un cuestionario que contiene tanto ítems como escalas Likert. Se pretende determinar, así, la puntuación de cada persona en un factor y su clasificación para identificar distintos estilos de aprendizaje en un entorno universitario. La segunda sección aborda los ítems-Likert de acuerdo/desacuerdo (A/D), una revisión del tratamiento estadístico bajo la óptica de los distintos tipos de escalas de medida y la construcción de una escala-Likert partiendo de los ítems-Likert, mientras que la sección tercera contiene los objetivos y la metodología multidimensional propuesta (ACM, ACP y AFMD) para el tratamiento de datos en función de la consideración que se realice sobre la naturaleza de los ítems-Likert y de la escala Likert. La cuarta sección describe los datos correspondientes a una encuesta sobre EA, para finalizar en la quinta sección con la interpretación de los resultados obtenidos.

La literatura proporciona gran variedad de definiciones sobre cómo aprenden los individuos, abarcando desde enfoques holísticos (Kolb [1984] 2015: 28), hasta análisis de factores cognitivos o afectivos (Keefe 1979: 4), o aspectos meramente ambientales, como la luminosidad del espacio circundante. De la misma forma, hay múltiples definiciones de EA (Curry 1983: 1), pues también hay diferentes perspectivas o ángulos desde los que afrontar su estudio (Serra-Olivares et al. 2018; Gil Madrona et al. 2007; Coffield et al. 2004; Dunn 1984).

La Declaración de Bolonia de 1999 impulsó el sistema por competencias, centrando la enseñanza en el alumnado, lo que implica entender cómo los estudiantes aprenden dentro del proceso de enseñanza, aprendizaje y evaluación, generalizando trabajos en grupo, seminarios, etc. Estudiar los EA permite comprender cómo aprenden los individuos, siendo la base para la mejora del proceso enseñanza-aprendizaje (Alonso García 2008). En este sentido, estudiar los EA debiera ser un punto de partida (Gallego 2013)1, aunque también hay críticas a los estilos de aprendizaje, los instrumentos de medida que se emplean o la utilización posterior dentro de la toma de decisiones (Felder 2020; Kirschner 2017; Newton 2015; Sharp, Bowker y Byrne 2008; Cazau 2004).

Gallego Gil y Alonso (2020) señalan tres etapas respecto a los EA: diseñar, desarrollar y evaluar/supervisar. Este trabajo solamente incluye la primera de ellas, el diseño, dentro de un intento de integrar la innovación educativa en las asignaturas, pretendiendo conocer los EA de los estudiantes y que ellos también conocieran el suyo. En esta primera fase de diagnóstico (Dunn 1984), deben establecerse instrumentos de medida adaptados al público al que van dirigidos para evaluar las diferencias individuales.

La recogida de información suele realizarse mediante cuestionarios, partiendo de preguntas generalmente dicotómicas o expresadas en forma de ítems-Likert. Hay gran número de modelos y cuestionarios de estilos de aprendizaje, dependiendo de los objetivos, tipos de individuos y contextos en que se aplican, así como de la propia definición de EA utilizada (Pantoja Ospina, Duque Salazar y Correa Meneses 2013). La coexistencia de diferentes perspectivas ha dado lugar a distintas taxonomías.

Likert (1932) introdujo una escala bipolar para medir actitudes en que los encuestados han de calificar hasta qué punto se encuentran de A/D con una frase (ítem-Likert) orientada a obtener la intensidad y dirección de la respuesta, con cinco posibles modalidades balanceadas. Posteriormente, asignó valores numéricos a las posibles respuestas (de 1 a 5) para facilitar la recogida de datos y su tratamiento, sin hacer algunas de las suposiciones estadísticas de Thurstone (1928). Estos ítems-Likert surgieron para cuantificar los aspectos intangibles tratados en la introducción de este trabajo, traduciéndolos en algo válido en el proceso de medición, esto es, un número (Méndez Hinojosa, Gil-Madrona y Martínez-Fernández 2021).

Las escalas A/D siguen siendo controvertidas (Dykema et al. 2022; Höhne y Krebs 2018; Liu, Lee y Conrad 2015; Revilla, Saris y Krosnick 2014; Saris et al. 2010), especialmente al compararlas con escalas de ítem específico (item-specific, IS), en que la redacción de las modalidades de respuesta varía en función de la pregunta realizada. Si el número de preguntas del cuestionario es grande, la propuesta de Likert es ventajosa, pues la misma redacción de modalidades de respuesta para todas las preguntas (batería) disminuye el tiempo de realización del cuestionario, ayudando al encuestado a elegir las respuestas y al investigador en su posterior interpretación. Lelkes y Weiss (2015) obtuvieron resultados similares al preguntar directamente sobre actitudes que al utilizar opiniones A/D, si bien la fiabilidad y validez depende de muchos factores.

Tampoco hay acuerdo sobre el número de categorías de respuesta (Alwin, Baumgartner y Beattie 2018; Revilla, Saris y Krosnick 2014; Leung 2011; Cox 1980), la existencia de una categoría media o central (Maitland 2009; Moors 2008; Bishop 1987), el uso de escalas completamente etiquetadas o solamente en los extremos (Moors, Kieruj y Vermunt 2014), ni en otros aspectos.

Previamente al tratamiento estadístico, se precisa determinar la escala de medida adecuada, defendiéndose en algunos casos que ha de ser acorde a la utilizada por el entrevistado en su elección (ordinal o en forma de intervalo, según la clasificación de Stevens de 1946, diferenciando entre variable continua y discreta en el último caso). También se ha considerado a veces nominal, contando los porcentajes de respuesta en cada categoría. El tratamiento estadístico más adecuado para el caso unidimensional es la mediana si la escala es ordinal y, para el caso de intervalo, la media (o M-estimadores) y medidas de dispersión.

Bidimensionalmente, es frecuente la comparación entre ítems o con variables exógenas, generalmente características del individuo o del cuestionario (Garg 1996), coexistiendo muchas teorías contrapuestas en la literatura sobre la forma de realizarlo. En términos generales, una variable medida en escala de intervalo que cumpla la hipótesis de normalidad puede utilizarse dentro de las medidas de asociación (coeficiente de correlación lineal de Pearson) o los contrastes paramétricos (t-test y ANOVA, principalmente). A ello se añade que, bajo la idea de normalidad, subyace la existencia de una variable continua y no discreta, como ocurre con los ítems-Likert.

Si se considera la escala ordinal, es frecuente obtener el coeficiente de ordenación por rangos de Spearman (muy recomendable frente a Pearson cuando hay outliers), Kappa ponderado, modelos de regresión logística y contrastes no paramétricos.

No obstante, algunos investigadores defienden utilizar test paramétricos con escalas ordinales, incluso incumpliéndose el supuesto de normalidad. Si se cumplen los supuestos paramétricos, ambos tipos de contrastes suelen proporcionar resultados similares y, de no cumplirse, dependerá de la estructura de los datos, aunque no es recomendable aplicar una metodología desarrollada para hipótesis que han sido violadas. A título de ejemplo, en este trabajo se han generado mediante simulación 10 000 muestras de valores aleatorios procedentes de una distribución continua normal, transformándolos en una escala discreta de ítem-Likert de 5 puntos, obteniendo que se llega a rechazar la hipótesis nula de normalidad (Gross y Ligges 2015) con un alfa del 5 % para el 100 % de las simulaciones por encima de tamaños muestrales muy pequeños (28 para Shapiro Francia, 17 para Anderson-Darling y Lilliefors, 8 para Shapiro-Wilks), siendo así cuestionable la utilización de contrastes paramétricos con ítems-Likert.

En este sentido, también se han realizado estudios incrementando el número de categorías de los ítems-Likert para facilitar el paso de una escala discreta a otra continua (Wu y Leung 2017; Knapp 1990).

La segunda parte del trabajo de Likert (1932), posiblemente la menos conocida, contiene la construcción de una escala de medida partiendo de ítems-Likert. Para cada individuo, se calcula una puntuación a partir de la media o suma de valores numéricos (aditividad) de los ítems correspondientes al mismo factor, siendo necesario que los ítems midan lo mismo (Boone y Boone 2012; Allen y Seaman 2007). No es aconsejable, en términos generales, medir las actitudes básicas con un solo ítem, sino preferiblemente utilizando una escala de medición realmente sólida y fiable (Reeskens y Hooghe 2008). La fiabilidad (relacionada con la calidad de los datos) y validez (relacionada con la inferencia) se analizan generalmente como un paso previo a la construcción de la escala-Likert.

Así, el nombre de Likert se aplicaría tanto a la escala de A/D en cuanto al formato (ítem-Likert), como al resultado de la agregación de ítems (escala-Likert), aun siendo dos cuestiones perfectamente separadas (Krupat 2022).

Considerando los ítems-Likert en escala ordinal, hay gran controversia sobre el tipo de operaciones que es posible realizar para construir una escala, abarcando desde operaciones aritméticas (suma, resta, multiplicación y división) hasta transformaciones, generalmente logarítmicas. En este último caso, aplicar logaritmos a una variable cuantitativa hace que la distancia entre dos intervalos ya no sea la misma.

Yusoff y Mohd Janor (2014) sostienen poder construir la escala de forma aditiva y aplicar contrastes paramétricos, permitiendo medir variables intangibles, como sentimientos, actitudes y opiniones. Aunque con frecuencia los test de inteligencia buscan obtener escalas normales para facilitar la inferencia (Thomas 1982), el problema de la hipótesis de normalidad, no obstante, permanece.

Las propiedades de la escala (denominada ‘rating scale’) dependerán de cómo se hayan combinado los ítems-Likert para construirla, siendo incluso posible asignar ponderaciones diferentes a cada ítem. Borgatta y Bohrnstedt (1980) introdujeron el término de ‘escala de intervalo imperfecta’ para sugerir que se encuentra entre las ordinales y las de intervalo.

Un problema que puede aparecer en los cuestionarios A/D es la aquiescencia o tendencia del encuestado a manifestarse de acuerdo con la pregunta, independientemente de su contenido (Dykema et al. 2022; Lelkes y Weiss 2015; Van Vaerenbergh y Thomas 2013), bien por motivos de rasgos de personalidad, deseabilidad o conveniencia social, cultura, etc., especialmente para bajos niveles educativos. La aquiescencia adquiere un gran efecto cuando estas puntuaciones A/D se agregan en una escala-Likert (Moors, Kieruj y Vermunt 2014).

En términos generales, el objetivo del trabajo es presentar tres técnicas de análisis de datos multivariantes (ACM, ACP y AFMD) que permiten comparar los resultados en el tratamiento de ítems-Likert (considerados como variables nominales y de intervalo) y de escalas-Likert a partir de una encuesta sobre estilos de aprendizaje.

Considerada una escala-Likert como cuantitativa medida en escala de intervalo, el contraste de normalidad mostrará la idoneidad de utilizar contrastes paramétricos o no paramétricos.

En primer lugar, se comprueba que todos los ítems-Likert tienen relación con el factor, la escala-Likert que se desea medir, utilizando generalmente el alfa de Cronbach como indicador de la consistencia de variables cuantitativas.

El siguiente objetivo es estudiar las modalidades o categorías desde un punto de vista multidimensional, considerando cada ítem-Likert medido en escala nominal, y realizando un ACM para cada EA. Representando las regiones de confianza de cada categoría de cada ítem-Likert, puede observarse si estas puntuaciones están separadas, no muestran diferencias o las distancias entre modalidades no son constantes. Un posible objetivo interesante es la detección de individuos outliers, con comportamiento muy diferente al resto.

Cada ACM también permite determinar si algún ítem-Likert del mismo EA no guarda relación con el resto (consistencia), representando la puntuación media del EA (escala-Likert) como elemento suplementario sobre cada plano factorial del correspondiente ACM. Las coordenadas factoriales así obtenidas (numéricas), sean normales o no, pueden utilizarse como variables numéricas de entrada de datos para otros análisis, como el análisis factorial múltiple (Fernández, Landaluce y Modroño 2013) o el análisis clúster. Interpretar los porcentajes de inercia explicados por cada factor requiere realizar la corrección de los valores propios del ACM propuesta por Benzécri (1979).

A continuación, un nuevo objetivo es obtener la estructura común con un ACM utilizando todos los ítems-Likert como nominales, posicionar las escalas-Likert como cuantitativas y detectar posibles relaciones entre estas.

Uno de los fines, tanto de los instrumentos de EA como de la escala Likert, es facilitar el tratamiento de datos y la interpretación de resultados. Considerando los EA como variables cuantitativas medidas en escala de intervalo, una primera aproximación es realizar un análisis bidimensional (Pearson o coeficiente de ordenación por rangos de Spearman) y posteriormente un análisis de componentes principales (ACP), teniendo presente que los EA no son ortogonales (están relacionados entre sí).

El último objetivo del artículo responde a la necesidad de construir una estructura en caso de tener una variable cualitativa en el cuestionario (por ejemplo, la variable ‘sexo’). Puede ser interesante obtener una configuración para cada modalidad y compararlas a posteriori. Para ello, se construye una tabla múltiple, compuesta por dos subtablas (hombres y mujeres en filas, con las variables cuantitativas en columnas).

Una primera posibilidad sería realizar tantos ACP como grupos de individuos. Las correlaciones entre variables dentro de cada grupo pueden diferir, obteniéndose distintos factores. El inconveniente es que dichas configuraciones no son fácilmente comparables, pues cada una corresponde a diferentes espacios generados. Para solventar esta dificultad, el análisis factorial múltiple (AFM) permite estudiar la relación entre varios conjuntos de variables o individuos estructurados en tablas múltiples (multibloques), obteniendo una representación conjunta de las variables (Pagès 2014; Escofier y Pagès 2008).

La última metodología presentada con este propósito es el análisis factorial múltiple dual (AFMD), una extensión del AFM cuando las variables cuantitativas son las mismas para todos los grupos (Fritz y Koch 2016; Abdi, Williams y Valentin 2013; Lê y Pagès 2010), permitiendo comparar las estructuras de los diferentes grupos.

Inicialmente, se construye una tabla conjunta empilando por columnas cada una de las tablas-grupos. Posteriormente, las variables son centradas (y frecuentemente tipificadas) dentro de los valores de cada grupo. Para equilibrar la distribución de la varianza dentro de los grupos respecto al total, Lê y Pagès (2010) ponderan cada variable de un grupo determinado por uno partido por el primer valor propio del ACP parcial obtenido para ese grupo. A continuación, realizan un ACP sobre la tabla entera, creando una estructura de compromiso que contiene un resumen global del conjunto de tablas.

En el AFDM, tipificar las variables facilita el estudio de las correlaciones de cada grupo y su efecto sobre la estructura global obtenida para todos los individuos. Además, en este caso las coordenadas coinciden con las correlaciones. Si las variables están centradas y tipificadas por grupos, la contribución de una variable en la construcción de una componente parcial es la misma en todos los grupos. La proximidad entre dos puntos (dos grupos distintos) que corresponden a la misma variable se interpreta como que los individuos de cada grupo están relacionados directamente para esa variable. En otras palabras, que no habría diferencias en ese EA para los dos grupos. Teniendo en cuenta que es posible tener relaciones inversas entre variables, es más recomendable analizar los ángulos formados por las dos variables y grupos en vez de hablar en términos de proximidad.

La representación conjunta de cada grupo de individuos en cada factor puede tomar valores entre 0 y 1 en el caso de variables tipificadas. Si los valores de cada grupo para un factor determinado son todos elevados, indicarán la gran importancia del factor dentro de la estructura conjunta, pudiendo deberse a relaciones del mismo signo entre los grupos (indicando similitudes entre ellos) o a relaciones opuestas. Por tanto, pueden interpretarse como las contribuciones de cada subtabla (grupo de variables) a cada factor.

Una aplicación del AFMD es el análisis de estructuras multidimensionales en el tiempo, determinando la parte común y la correspondiente a la evolución. También puede encontrarse una extensión del AFMD para tablas categóricas (Abascal et al. 2013).

Los cálculos en la siguiente aplicación se realizaron en lenguaje R, versión 4.2.1 (R Core Team 2022), y fundamentalmente con el paquete FactoMineR, versión 2.6 (Husson et al. 2014; Lê, Josse y Husson 2008).

Se hicieron encuestas a 285 estudiantes matriculados y matriculadas en nueve asignaturas de la Universidad de León (dos de máster ‘17,2 % de las respuestas’ y siete de grado ‘82,8 %’ en los cursos 2.º, 3.º y 4.º), sobre materias impartidas en cinco áreas de conocimiento de cinco titulaciones distintas, obteniéndose 244 respuestas válidas. El 35,2 % fueron hombres y el 64,8 % mujeres. El estudio se realizó en 2018 (previamente a la pandemia Covid-19).

El principal objetivo fue diagnosticar los EA de los participantes y, en una segunda fase (resultados no incluidos en este trabajo), analizar su relación con 25 preferencias de técnicas o sistemas docentes, tales como clases magistrales, trabajos en grupo, etc.

Entre los posibles instrumentos para medir los EA, se utilizó el cuestionario GRSLSS o escala de Grasha-Riechmann Student Learning Style Scales Inventory (Grasha 2002; Diaz y Cartnal 1999; Riechmann y Grasha 1974), testado en entornos académicos universitarios, incluidas poblaciones online. Contiene seis factores o EA, con 10 ítems Likert (de 1 a 5) cada uno.

El cuestionario anónimo se implementó online utilizando LimeSurvey, obteniéndose una puntuación numérica (escala-Likert) para cada individuo a partir de la media de puntuaciones de los 10 ítems-Likert correspondientes. Esta puntuación sería posteriormente proyectada sobre los factores.

La “recompensa” para cada participante fue conocer su ubicación entre los seis EA (independiente, elusivo, colaborativo, dependiente, competitivo o participativo), estableciendo tres niveles para cada estilo (alto, moderado y bajo) conforme a la puntuación alcanzada según los criterios del cuestionario GRSLSS. Se entiende que tal conocimiento puede ser de ayuda al alumno o alumna desde el instante en que se plantee la existencia de EA diferentes.

Debe señalarse que la variable “sexo” fue tratada, excepto en el caso del AFMD, como una variable ilustrativa.

Partiendo de considerar los ítems-Likert como medidos en escala nominal, ordinal e intervalo, las escalas-Likert, y el objetivo de analizar si los EA están relacionados bidimensionalmente con la variable “sexo”, se abordó un análisis estadístico inicial.

En este artículo, hemos planteado diversas estrategias metodológicas de carácter estadístico a partir de la recogida de datos mediante cuestionarios con ítems-Likert y la posterior construcción de escalas-Likert. La controversia sobre si los ítems-Likert se encuentran medidos en escala ordinal/nominal o de intervalo debiera llevar a emplear la metodología estadística más apropiada en cada caso.

Para ilustrar este proceso, se utilizaron los datos de una encuesta con estudiantes de la universidad a fin de determinar el estilo de aprendizaje. El cuestionario GRSLSS construye seis escalas-Likert de estilos de aprendizaje que están relacionados entre sí, ganando en este caso complejidad en la interpretación.

Después de realizar un análisis estadístico inicial, se partió del supuesto de que los ítems-Likert estaban medidos en escala nominal, realizando un ACM para cada uno de los 6 estilos de aprendizaje con el fin de detectar si los 10 ítems dentro del mismo estilo medían lo mismo, posicionando como ilustrativo el correspondiente EA considerado de forma cuantitativa. Se comprobaron la coherencia y la relación ítems-escalas en el primer plano factorial. Al igual que detecta ítems con comportamientos diferentes, el ACM también permite detectar individuos outliers y comportamientos extraños de alguna puntuación de los ítems-Likert. Sobre las seis estructuras multidimensionales obtenidas, se posicionó la variable cualitativa “sexo” como ilustrativa.

A continuación, el ACM sobre los 60 ítems-Likert permitió obtener una configuración multidimensional, posicionando como suplementarias las escalas-Likert EA como elementos cuantitativos y el sexo como elemento cualitativo.

Considerando las escalas-Likert EA como variables activas cuantitativas, se obtuvo una estructura multidimensional utilizando el ACP y se posicionó el sexo como variable cualitativa suplementaria.

El análisis de las estructuras proporcionadas por los resultados del ACM y el ACP permitió establecer una relación entre los estilos colaborativo, dependiente y participativo contrapuesta al estilo elusivo. Es decir, se confirma la existencia de una relación entre los seis EA obtenidos a partir del cuestionario GRSLSS. Se obtuvieron estructuras comunes por sexo y también algunas características diferentes, como un estilo más elusivo y competitivo en los hombres, así como más participativo y dependiente en mujeres. En el estudio bidimensional no habían aparecido diferencias para el estilo competitivo, y sí un valor colaborativo en las mujeres mayor que en los hombres. Con respecto al colaborativo, el ACM detectó diferencias en el factor 1 en relación con las mujeres y en el factor 2 en relación con los hombres.

Finalmente, se consideró la variable “sexo” como activa, construyendo dos configuraciones distintas (hombres y mujeres). Es decir, considerando como variables activas tanto las seis escalas-Likert de aprendizaje (cuantitativas) como la variable “sexo” (cualitativa), el AFMD permitió obtener una configuración conjunta o de compromiso y tantas configuraciones parciales como grupos. El resultado mostró la existencia de una parte importante de estructura multidimensional común a mujeres y hombres, fundamentalmente reflejada en el primer factor, destacando un grupo de personas con estilo de aprendizaje colaborativo, dependiente y participativo, contrapuestos al elusivo, como se obtuvo con el ACM y el ACP. También fue posible determinar diferencias multidimensionales por sexo, especialmente en el primer factor con el estilo elusivo, así como con el participativo y colaborativo en el segundo.

El AFDM permitió asimismo cuantificar la importancia de cada factor en cada grupo a través de las proyecciones de las distintas modalidades del grupo.

Como última conclusión, cabe señalar que, en la realización de este estudio, se han obtenido resultados congruentes a la hora de considerar las escalas de medida como nominales (ACM) y de intervalo (ACP y AFDM), lo que sugiere que esta triple visión puede ser útil, pero siempre y cuando se utilice la metodología adecuada en cada caso.