La disponibilidad de bases de datos cada vez más complejas y multidimensionales es uno de los principales factores motivadores para el aumento del número de estudios que utilizan análisis multivariados basados en la lógica de conjuntos nebulosos. A pesar de la diseminación del método Grade of Membership en los trabajos empíricos brasileños dentro del área de ciencias sociales y salud, cuestiones relativas a la identificabilidad y estabilidad de los parámetros finales, estimados por el programa GoM 3.4, no fueron suficientemente profundizadas. Dada la relevancia de que se obtengan parámetros únicos y estables, Guedes et al. (2010) propusieron un procedimiento empírico para localizar un modelo de máximo global (MG) con parámetros estables. No obstante, su localizador de MG no incorpora cualquier medida de variabilidad. En este artículo, tal limitación se sortea mediante la utilización de una estadística de ponderación -Máximo Global Ponderado (MGP)- semejante al coeficiente de variación. Este indicador busca no penalizar de forma desproporcionada situaciones en las que los desvíos medios, a pesar de ser diferentes a cero, son muy pequeños. Se presentan evidencias de que el localizador MGP reduce la distancia del modelo identificado respecto a la estructura real latente de los datos en análisis, cuando se comparan con el modelo identificado por el localizador no ponderado, MG.
Grade of Membership; Máximo Global Ponderado; Variabilidad; Identificabilidad
