Flerdimensjonal skalering er en metode for å uttrykke informasjon visuelt. I stedet for å vise rå tall, vil et flerdimensjonalt skala diagram vise forholdet mellom variabler; ting som er like vil vises nær hverandre mens ting som er forskjellige vil vises langt borte fra hverandre.
Relasjonsmodellering
Flerdimensjonale skalaer viser hvordan ting står i forhold til hverandre. For eksempel, hvis du laget en flerdimensjonal skala av byavstander i USA, ville Chicago være nærmere Detroit enn det ville være Phoenix.
En fordel med denne metoden er at du kan se på en flerdimensjonal skala og umiddelbart vurdere hvor nært forskjellige verdier er. En ulempe er imidlertid at denne teknikken ikke handler i reelle tall - en flerdimensjonal skala fra Boston, New York og Los Angeles ser omtrent ut som en flerdimensjonal skala fra London, Dublin og Buenos Aires, selv om de faktiske tallene er dypt annerledes.
Forenkle tabeller
En flerdimensjonal skala brukes best i situasjoner der det er store mengder data organisert i tabellform. Ved å konvertere den til en flerdimensjonal skala, kan du umiddelbart vurdere relasjoner, altså i det vesentlige umulig i en tabell med 10 000 eller flere forskjellige tall - et beløp som er helt gjennomførbart.
Ulempen med dette er at en kompleks formel er nødvendig for å konvertere råfigurer til en flerdimensjonal skala. Derfor, selv om det er lett å se forholdet mellom figurer, tar det mye arbeid å lage bordet. Dette betyr at hvis du skal bruke en flerdimensjonal skala, må du være sikker på at det er en faktisk etterspørsel etter informasjonen den presenterer. Ellers bruker du tiden din uten annen grunn enn å spare noen andre tid i fremtiden.
applikasjon
Flerdimensjonal skalering blir vanligvis brukt i psykologi, og tegner grafiske svar på forskjellige stimuli. Denne metoden brukes fordi forskere kan vise viktige sammenhenger - dvs. hvor mye vekt som legges på forskjellige variabler. Dette kan være ekstremt nyttig, da psykologiske data har en tendens til å være høyt volum og har mange forskjellige aspekter.
En ulempe med dette er at det legger til et nytt subjektivitetslag til psykologiske data, da modellering av data i en flerdimensjonal skala krever noe beslutningstaking. Hvilke data vil gå inn i skalaen? Hvilke multiplikatorer vil bli brukt til å lage forholdstall? Dette har en effekt på flerdimensjonal skalaens nøyaktighet.