The availability of increasingly complex and multidimensional datasets is one of the main causes for the increase in studies employing multivariate analyses based on fuzzy sets. Even though the Grade of Membership method has been widely used in Brazil for empirical studies in health and social sciences, issues regarding identifiability and stability of the final parameters estimated by GoM 3.4 software have not been thoroughly examined. Given the relevance of unique and stable parameters, Guedes et al. (2010) proposed an empirical method to locate a global maximum (GM) with stable parameters. However, the GM locator does not incorporate variability. In the present article, this limitation is circumvented by employing a weighted statistic - weight global maximum (WGM) - similar to the variation coefficient. This indicator does not affect disproportionately situations with very low mean deviations. The WGM locator is shown to decrease the distance of the identified model from the real structure, when compared with the GM locator.
A disponibilidade de bases de dados cada vez mais complexas e multidimensionais é um dos principais motivadores para o aumento do número de estudos que utilizam análises multivariadas baseadas em lógica de conjuntos nebulosos. Apesar da disseminação do método Grade of Membership nos trabalhos empíricos brasileiros da área de ciências sociais e saúde, questões relativas à identificabilidade e estabilidade dos parâmetros finais estimados pelo programa GoM 3.4 não foram suficientemente aprofundadas. Dada a relevância de se obterem parâmetros únicos e estáveis, Guedes et al. (2010) propuseram um procedimento empírico para localizar um modelo de máximo global (MG) com parâmetros estáveis. Entretanto, seu localizador de MG não incorpora qualquer medida de variabilidade. Neste artigo, tal limitação é contornada por meio da utilização de uma estatística de ponderação – Máximo Global Ponderado (MGP) – semelhante ao coeficiente de variação. Esse indicador busca não penalizar de forma desproporcional situações nas quais os desvios médios, apesar de diferentes de zero, são muito pequenos. Apresentam-se evidências de que o localizador MGP reduz a distância do modelo identificado à real estrutura latente dos dados em análise, quando comparados ao modelo identificado pelo localizador não ponderado, MG.