Večdimenzionalno skaliranje je metoda vizualnega izražanja informacij. Večdimenzionalna lestvica ne bo prikazala surovih števil, ampak bo prikazala razmerja med spremenljivkami; podobne stvari se bodo zdele blizu, medtem ko se bodo drugačne daleč daleč druga od druge.
Modeliranje odnosov
Večdimenzionalne lestvice kažejo, kako stvari stojijo med seboj. Če bi na primer v ZDA naredili večdimenzionalno lestvico mestnih razdalj, bi bil Chicago bližje Detroitu kot Phoenixu.
Prednost te metode je, da si lahko ogledate večdimenzionalno lestvico in takoj ocenite, kako tesno so povezane različne vrednosti. Pomanjkljivost pa je, da ta tehnika ne deluje v realnih številkah - večdimenzionalna lestvica Bostona, New Yorka in Los Angelesa bi bila približno podobna večdimenzionalni lestvici v Londonu, Dublinu in Buenos Airesu, čeprav so dejanske številke drugačen.
Poenostavitve tabel
Večdimenzionalno lestvico je najbolje uporabiti v primerih, ko je v tabeli veliko podatkov. Če ga pretvorite v večdimenzionalno lestvico, lahko takoj ocenite razmerja, kar je v bistvu nemogoče v tabeli z 10.000 ali več različnimi številkami - to je v celoti izvedljivo.
Pomanjkljivost tega je, da je za pretvorbo surovih števil v večdimenzionalno lestvico potrebna zapletena formula. Čeprav je torej enostavno videti razmerja med figurami, je za izdelavo tabele treba vložiti veliko truda. To pomeni, da če želite uporabiti večdimenzionalno lestvico, morate biti prepričani, da obstaja dejansko povpraševanje po informacijah, ki jih predstavlja. V nasprotnem primeru zdaj čas uporabljate samo zaradi razloga, da prihranite čas komu drugemu v prihodnosti.
Uporaba
Večdimenzionalno skaliranje se običajno uporablja v psihologiji in prikazuje grafične odzive oseb na različne dražljaje. Ta metoda se uporablja, ker lahko raziskovalci pokažejo pomembna razmerja - tj. Koliko pomembnosti dajejo različnim spremenljivkam. To je lahko zelo koristno, saj so psihološki podatki ponavadi obsežni in imajo veliko različnih vidikov.
Pomanjkljivost tega je, da psihološkim podatkom doda še en nivo subjektivnosti, saj modeliranje vloženih podatkov v večdimenzionalno lestvico zahteva nekaj odločanja. Kateri podatki bodo vključeni v lestvico? Kateri multiplikatorji bodo uporabljeni za oblikovanje odnosov? To vpliva na natančnost večdimenzionalne lestvice.