Daudzdimensionāla mērogošana ir informācijas vizuālas paušanas metode. Tā vietā, lai parādītu neapstrādātus skaitļus, daudzdimensionālā skalas diagramma parādīs attiecības starp mainīgajiem; līdzīgas lietas parādīsies cieši blakus, savukārt atšķirīgas - tālu viena no otras.
Attiecību modelēšana
Daudzdimensionālas skalas parāda, kā lietas stāv viena pret otru. Piemēram, ja jūs izveidotu daudzdimensionālu pilsētas attālumu skalu Amerikas Savienotajās Valstīs, Čikāga būtu tuvāk Detroitai nekā Fīniksai.
Šīs metodes priekšrocība ir tā, ka jūs varat apskatīt daudzdimensionālu skalu un nekavējoties novērtēt, cik cieši saistītas dažādas vērtības. Tomēr trūkums ir tas, ka šī tehnika netiek galā ar reāliem skaitļiem - Bostonas, Ņujorkas un Losandželosas daudzdimensiju skala izskatītos aptuveni līdzīgs daudzdimensionālam mērogam Londonā, Dublinā un Buenosairesā, kaut arī faktiskie skaitļi ir dziļi savādāk.
Tabulu vienkāršošana
Daudzdimensionālu skalu vislabāk izmantot situācijās, kad ir liels datu daudzums, kas sakārtots tabulas formā. Pārveidojot to daudzdimensionālā mērogā, jūs varat nekavējoties novērtēt attiecības, kas ir būtībā nav iespējams tabulā ar 10 000 vai vairāk dažādiem skaitļiem - summa ir pilnīgi iespējams.
Trūkums ir tāds, ka ir nepieciešama sarežģīta formula, lai neapstrādātus skaitļus pārveidotu daudzdimensionālā mērogā. Tāpēc, lai gan ir viegli saskatīt sakarības starp figūrām, tabulas izveide prasa daudz pūļu. Tas nozīmē, ka, ja jūs gatavojaties izmantot daudzdimensionālu skalu, jums ir jābūt pārliecinātam, ka ir reāls pieprasījums pēc tās sniegtās informācijas. Pretējā gadījumā jūs tagad izmantojat savu laiku tikai tāpēc, lai nākotnē ietaupītu laiku kādam citam.
Pieteikums
Daudzdimensionālā mērogošana parasti tiek izmantota psiholoģijā, attēlojot subjektu reakcijas uz dažādiem stimuliem. Šo metodi izmanto tāpēc, ka pētnieki var parādīt svarīguma attiecības - t.i., cik liela nozīme tiek piešķirta dažādiem mainīgajiem. Tas var būt ārkārtīgi noderīgi, jo psiholoģisko datu tendence ir liela un tiem ir daudz dažādu aspektu.
Trūkums ir tas, ka tas psiholoģiskajiem datiem pievieno vēl vienu subjektivitātes slāni, jo iesniegto datu modelēšana daudzdimensionālā mērogā prasa zināmu lēmumu pieņemšanu. Kuri dati tiks iekļauti mērogā? Kurus reizinātājus izmantos, lai izveidotu attiecību skaitļus? Tas ietekmē daudzdimensionālās skalas precizitāti.