Penskalaan multidimensi adalah metode untuk mengekspresikan informasi secara visual. Daripada menunjukkan angka mentah, bagan skala multidimensi akan menunjukkan hubungan antar variabel; hal-hal yang mirip akan tampak berdekatan sedangkan hal-hal yang berbeda akan tampak jauh satu sama lain.
Pemodelan Hubungan
Skala multidimensi menunjukkan bagaimana hal-hal berdiri dalam kaitannya satu sama lain. Misalnya, jika Anda membuat skala multidimensi jarak kota di Amerika Serikat, Chicago akan lebih dekat ke Detroit daripada ke Phoenix.
Keuntungan dari metode ini adalah Anda dapat melihat skala multidimensi dan segera menilai seberapa dekat hubungan nilai-nilai yang berbeda. Kerugiannya, bagaimanapun, adalah bahwa teknik ini tidak berurusan dengan bilangan real — skala multidimensi Boston, New York dan Los Angeles akan terlihat kira-kira mirip dengan skala multidimensi London, Dublin dan Buenos Aires, meskipun angka sebenarnya sangat besar berbeda.
Menyederhanakan Tabel
Skala multidimensi paling baik digunakan dalam situasi di mana ada sejumlah besar data yang diatur dalam bentuk tabel. Dengan mengubahnya menjadi skala multidimensi, Anda dapat langsung menilai hubungan, yaitu pada dasarnya tidak mungkin dalam tabel dengan 10.000 atau lebih angka yang berbeda — jumlah yang seluruhnya layak.
Kerugian dari ini adalah bahwa formula yang kompleks diperlukan untuk mengubah angka mentah menjadi skala multidimensi. Oleh karena itu, meskipun mudah untuk melihat hubungan antar gambar, dibutuhkan banyak usaha untuk membuat tabel. Ini berarti bahwa jika Anda akan menggunakan skala multidimensi, Anda harus yakin bahwa ada permintaan aktual untuk informasi yang disajikannya. Jika tidak, Anda menggunakan waktu Anda sekarang tanpa alasan selain untuk menghemat waktu orang lain di masa depan.
Aplikasi
Penskalaan multidimensi umumnya digunakan dalam psikologi, menggambarkan respons subjek terhadap berbagai rangsangan. Metode ini digunakan karena peneliti dapat menunjukkan hubungan kepentingan — yaitu, seberapa penting ditempatkan pada variabel yang berbeda. Ini bisa sangat berguna, karena data psikologis cenderung bervolume tinggi dan memiliki banyak aspek berbeda.
Kerugiannya adalah menambahkan lapisan subjektivitas lain pada data psikologis, karena pemodelan data tabel ke dalam skala multidimensi memerlukan beberapa pengambilan keputusan. Data mana yang akan masuk ke dalam skala? Pengganda mana yang akan digunakan untuk membuat angka hubungan? Ini memiliki efek pada akurasi skala multidimensi.