Multidimensionell skalning är ett sätt att uttrycka information visuellt. Istället för att visa rånummer, visar ett flerdimensionellt skaldiagram förhållandena mellan variablerna; saker som liknar varandra kommer att ligga nära varandra medan saker som skiljer varandra kommer att ligga långt ifrån varandra.

Förhållande modellering

Flerdimensionella skalor visar hur saker står i förhållande till varandra. Om du till exempel gjorde en multidimensionell skala av stadsavstånd i USA skulle Chicago vara närmare Detroit än vad det skulle vara för Phoenix.

En fördel med denna metod är att du kan titta på en mångsidig skala och omedelbart bedöma hur nära relaterade olika värden är. En nackdel är dock att denna teknik inte handlar i reella tal. En multidimensionell skala av Boston, New York och Los Angeles skulle se ungefär ut som en mångsidig skala i London, Dublin och Buenos Aires, trots att de faktiska siffrorna är djupt annorlunda.

Förenklingstabeller

En multidimensionell skala används bäst i situationer där det finns en stor mängd data organiserad i tabellform. Genom att konvertera den till en mångsidig skala kan du omedelbart bedöma relationer, vilket i princip är omöjligt i ett bord med 10 000 eller flera olika figurer - en mängd som är helt genomförbar.

Nackdelen med detta är att en komplex formel är nödvändigt för att konvertera råa siffror till en mångsidig skala. Därför, medan det är lätt att se relationerna mellan figurer, tar det mycket arbete för att skapa bordet. Det betyder att om du ska använda en mångsidig skala måste du vara säker på att det finns en faktisk efterfrågan på den information som den presenterar. Annars använder du din tid nu utan någon annan anledning än att spara någon annan tid i framtiden.

Ansökan

Multidimensionell skalning används allmänt i psykologi, graferar ämnessvar på olika stimuli . Denna metod används eftersom forskare kan visa relationer av betydelse - det vill säga hur mycket vikt läggs på olika variabler. Detta kan vara mycket användbart, eftersom psykologiska data tenderar att vara höga volymer och har många olika aspekter.

En nackdel med detta är att det lägger till ett annat lager av subjektivitet för psykologiska data, som modellering av data i en multidimensionell skala kräver viss beslutsfattande. Vilka data kommer att gå in i skalan? Vilka multiplikatorer kommer att användas för att skapa relationstal? Detta har en effekt på den mångsidiga skalans noggrannhet.