![](data:image/png;base64,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)
71
productivo y social.
2
Se trata de buscar cierta homogeneidad, una condición para
que el estudio de un espacio social tenga sentido.
3
Se constituyó, mediante una
prosopografía, una base de datos compuesta de 90 personas que ocuparon, entre
el 2001 y 2020, una de las siguientes carteras: Ministerio de Economía y Finanzas
(MEF), Ministerio de Comercio y Turismo (Mincetur), Ministerio de Desarrollo
e Inclusión Social (Midis), Ministerio de Agricultura (Minagri), Ministerio de
Producción (Produce), Ministerio de Energía y Minas (Minem) y Ministerio de
Vivienda (Vivienda). A partir de la base de datos, se construyeron 22 variables, con
un total de 71 modalidades. Para que la constitución de los ejes no esté inuenciada
por modalidades «raras», es decir compartidas por una cantidad muy limitada de
individuos, 6 modalidades han sido puestas como «ilustrativas»; por lo tanto, el
total de modalidades activas es de 65.
4
La principal herramienta de trabajo ha sido el Análisis de Correspondencias
Múltiples (ACM), una técnica estadística que permite resumir la información de
un grupo en ejes factoriales, y así objetivar las cercanías o divergencias entre las
variables y los individuos. El Análisis de Correspondencias Múltiples tiene la ventaja
de permitir trabajar sobre un gran número de variables (cualitativas), y es por lo tanto
una herramienta bastante útil para un razonamiento multidimensional y relacional.
La proyección geométrica de los resultados permite, asimismo, una visualización
intuitiva de los principales resultados, lo que presentaremos a continuación.
Estructura socio-profesional de las posiciones ministeriales
en el Perú
El Análisis de Correspondencias Múltiples se realizó a través del programa SPAD,
el cual permite, además, representar grácamente los principales resultados
(proyección geométrica de las variables). La proyección geométrica consiste en
resumir, en un plano factorial (dos ejes), las relaciones estadísticas entre variables
2. No se incluyó al Ministerio de Trabajo, en gran parte porque el perl general de los ministros del
trabajo suele ser asociado a abogados (Villagarcia, 2014). Los abogados y las profesiones jurídicas tie-
nen una importancia fundamental en la institucionalización del Estado en el Perú. No obstante, los
espacios profesionales de las carreras jurídicas tienen propiedades fuertemente marcadas (carreras
universitarias, trayectorias profesionales e instituciones de legitimación), las cuales podían crear un
sesgo en el análisis.
3. Incluir, por ejemplo, otros ministerios (salud, relaciones exteriores u otros) hubiera introducido un
sesgo, en gran parte sectorial, en el análisis.
4. El Análisis de Correspondencias Múltiples especico (COREM) permite diferenciar, dentro de las
mismas variables activas, entre modalidades activas e ilustrativas. Las modalidades ilustrativas no
participan en la construcción de los ejes, lo que permite integrarlas en el análisis sin alterar la consti-
tución de los ejes. Además, hemos incluido en el análisis, de manera ilustrativa, variables socio-gene-
racionales, pero también el cargo ministerial que ocuparon los 90 individuos, así que la(s) presiden-
cia(s) durante la cual estuvieron en el gabinete. Ver Anexo Metodológico para más detalles: https://
seale.unistra.fr/f/ca0895c67fe045159544/