बहुआयामी स्केलिंग सूचना को नेत्रहीन रूप से व्यक्त करने की एक विधि है। कच्ची संख्या दिखाने के बजाय, एक बहुआयामी स्केल चार्ट चरों के बीच संबंध दिखाएगा; जो चीजें समान हैं वे एक दूसरे के करीब दिखाई देंगी जबकि जो चीजें अलग हैं वे एक दूसरे से बहुत दूर दिखाई देंगी।
संबंध मॉडलिंग
बहुआयामी पैमाने दिखाते हैं कि चीजें एक दूसरे के संबंध में कैसे खड़ी होती हैं। उदाहरण के लिए, यदि आपने संयुक्त राज्य अमेरिका में शहर की दूरियों का एक बहुआयामी पैमाना बनाया है, तो शिकागो फीनिक्स की तुलना में डेट्रॉइट के करीब होगा।
इस पद्धति का एक लाभ यह है कि आप एक बहुआयामी पैमाने को देख सकते हैं और तुरंत आकलन कर सकते हैं कि विभिन्न मूल्य कितने निकट से संबंधित हैं। हालाँकि, एक नुकसान यह है कि यह तकनीक वास्तविक संख्याओं में काम नहीं करती है - बोस्टन, न्यूयॉर्क और लॉस एंजिल्स का एक बहुआयामी पैमाना मोटे तौर पर लंदन, डबलिन और ब्यूनस आयर्स के बहुआयामी पैमाने के समान दिखाई देंगे, भले ही वास्तविक आंकड़े गहराई से हों विभिन्न।
टेबल्स को सरल बनाना
एक बहुआयामी पैमाने का उपयोग उन स्थितियों में सबसे अच्छा किया जाता है जहां बड़ी मात्रा में डेटा तालिका के रूप में व्यवस्थित होता है। इसे एक बहुआयामी पैमाने में परिवर्तित करके, आप तुरंत संबंधों का आकलन कर सकते हैं, जो है १०,००० या अधिक भिन्न अंकों वाली तालिका में अनिवार्य रूप से असंभव — एक राशि जो पूरी तरह से है व्यवहार्य।
इसका नुकसान यह है कि कच्चे आंकड़ों को बहुआयामी पैमाने में बदलने के लिए एक जटिल सूत्र आवश्यक है। इसलिए, जबकि आंकड़ों के बीच संबंधों को देखना आसान है, तालिका बनाने में बड़ी मात्रा में प्रयास करना पड़ता है। इसका मतलब यह है कि यदि आप एक बहुआयामी पैमाने का उपयोग करने जा रहे हैं, तो आपको यह सुनिश्चित करने की आवश्यकता है कि इसके द्वारा प्रस्तुत की जाने वाली जानकारी की वास्तविक मांग है। अन्यथा, आप अपने समय का उपयोग भविष्य में किसी और का समय बचाने के अलावा किसी और कारण से नहीं कर रहे हैं।
आवेदन
बहुआयामी स्केलिंग आमतौर पर मनोविज्ञान में प्रयोग किया जाता है, विभिन्न उत्तेजनाओं के विषय प्रतिक्रियाओं को रेखांकन करता है। इस पद्धति का उपयोग इसलिए किया जाता है क्योंकि शोधकर्ता महत्व के संबंध दिखा सकते हैं - अर्थात, विभिन्न चरों को कितना महत्व दिया जाता है। यह बेहद उपयोगी हो सकता है, क्योंकि मनोवैज्ञानिक डेटा अधिक मात्रा में होता है और इसके कई अलग-अलग पहलू होते हैं।
इसका एक नुकसान यह है कि यह मनोवैज्ञानिक डेटा के लिए व्यक्तिपरकता की एक और परत जोड़ता है, क्योंकि मॉडलिंग डेटा को बहुआयामी पैमाने पर मॉडलिंग करने के लिए कुछ निर्णय लेने की आवश्यकता होती है। कौन सा डेटा पैमाने में जाएगा? संबंध आंकड़े बनाने के लिए किन गुणकों का उपयोग किया जाएगा? इसका बहुआयामी पैमाने की सटीकता पर प्रभाव पड़ता है।