La investigación sobre reducción de dimensionalidad en el análisis envolvente de datos (DEA) se ha centrado en enfoques subjetivos para reducir la dimensionalidad. Tales enfoques son menos útiles o atractivos en la práctica porque una selección subjetiva de variables introduce sesgo. Un enfoque imparcial y competitivo sería utilizar puntuaciones DEA de conjunto. Este documento ilustra que, además de evaluaciones imparciales, las puntuaciones DEA de conjunto resultan en clasificaciones únicas que tienen una alta entropía. Bajo suposiciones restrictivas, también se muestra que las puntuaciones DEA de conjunto están distribuidas normalmente. Los modelos de conjunto no requieren nuevas modificaciones a las funciones objetivo o restricciones DEA existentes, y cuando las puntuaciones de conjunto están distribuidas normalmente, las pruebas de hipótesis de rendimiento a escala pueden llevarse a cabo utilizando técnicas estadísticas paramétricas tradicionales.