Moniulotteinen skaalaus on tapa ilmaista tietoa visuaalisesti. Raaka numeroiden näyttämisen sijaan moniulotteinen asteikkokaavio näyttää muuttujien väliset suhteet; samanlaiset asiat näkyvät lähellä toisiaan, kun taas erilaiset asiat näkyvät kaukana toisistaan.
Suhteen mallintaminen
Moniulotteiset asteikot osoittavat, miten asiat ovat suhteessa toisiinsa. Esimerkiksi, jos teet moniulotteisen mittakaavan kaupunkietäisyydestä Yhdysvalloissa, Chicago olisi lähempänä Detroitia kuin Phoenixia.
Tämän menetelmän etuna on, että voit tarkastella moniulotteista asteikkoa ja arvioida välittömästi, kuinka läheisesti eri arvot liittyvät toisiinsa. Haittana on kuitenkin, että tämä tekniikka ei käsittele reaalilukuja - Bostonin, New Yorkin ja Los Angelesin moniulotteinen asteikko näyttäisi suunnilleen samanlaiselta kuin Lontoon, Dublinin ja Buenos Airesin moniulotteinen mittakaava, vaikka todelliset luvut ovatkin syvästi eri.
Taulukoiden yksinkertaistaminen
Moniulotteista asteikkoa voidaan parhaiten käyttää tilanteissa, joissa taulukon muodossa on järjestetty suuri määrä tietoa. Muuntamalla se moniulotteiseksi mittakaavaksi, voit välittömästi arvioida suhteita, mikä on käytännössä mahdotonta taulukossa, jossa on 10000 tai enemmän erilaisia lukuja - summa, joka on täysin mahdollinen.
Tämän haittana on, että monimutkainen kaava on välttämätön, jotta raakaluvut muunnetaan moniulotteiseksi. Siksi vaikka kuvien väliset suhteet on helppo nähdä, taulukon luominen vaatii paljon vaivaa. Tämä tarkoittaa, että jos aiot käyttää moniulotteista asteikkoa, sinun on oltava varma, että sen esittämillä tiedoilla on todellinen kysyntä. Muussa tapauksessa käytät aikaa nyt muusta syystä kuin säästääksesi jonkun toisen aikaa tulevaisuudessa.
Sovellus
Moniulotteista skaalausta käytetään yleensä psykologiassa, joka kuvaa kohteiden reaktioita erilaisiin ärsykkeisiin. Tätä menetelmää käytetään, koska tutkijat voivat osoittaa tärkeyssuhteita - eli kuinka paljon merkitystä eri muuttujille asetetaan. Tämä voi olla erittäin hyödyllistä, koska psykologiset tiedot ovat yleensä suuria ja niillä on monia eri näkökohtia.
Tämän haittana on, että se lisää uuden subjektiivisuuden kerroksen psykologiseen dataan, koska esitetyn tiedon mallintaminen moniulotteiseksi mittakaavaksi vaatii jonkin verran päätöksentekoa. Mitkä tiedot menevät asteikolle? Mitä kertoimia käytetään suhdelukujen luomiseen? Tämä vaikuttaa moniulotteisen asteikon tarkkuuteen.