Kandungan
Penskalaan multidimensi adalah kaedah untuk menyatakan maklumat secara visual. Daripada menunjukkan nombor mentah, carta skala multidimensi akan menunjukkan hubungan antara pembolehubah; perkara-perkara yang serupa akan muncul bersama-sama manakala perkara-perkara yang berbeza akan muncul jauh dari satu sama lain.
Pemodelan Hubungan
Skala multidimensi menunjukkan bagaimana keadaan bergantung kepada satu sama lain. Sebagai contoh, jika anda membuat skala multidimensi jarak bandar di Amerika Syarikat, Chicago akan mendekati Detroit daripada Phoenix.
Satu kelebihan kaedah ini ialah anda boleh melihat skala multidimensional dan segera menilai sejauh mana nilai-nilai yang berkaitan dengannya. Walau bagaimanapun, kelemahan teknik ini tidak banyak berlaku - skala multidimensional Boston, New York dan Los Angeles akan kelihatan lebih mirip dengan skala multidimensional London, Dublin dan Buenos Aires, walaupun angka sebenar sangat berbeza .
Memudahkan Jadual
Skala multidimensional digunakan sebaik-baiknya dalam keadaan di mana terdapat banyak data yang dianjurkan dalam bentuk jadual. Dengan mengubahnya menjadi skala multidimensional, anda boleh menilai dengan segera hubungan, yang pada asasnya mustahil dalam jadual dengan 10,000 atau lebih angka yang berbeza - satu jumlah yang boleh dilaksanakan sepenuhnya.
Kelemahan ini adalah bahawa formula rumit diperlukan untuk menukar angka mentah menjadi skala multidimensional. Oleh itu, walaupun mudah untuk melihat hubungan antara tokoh, ia memerlukan sejumlah besar usaha untuk mencipta jadual. Ini bermakna jika anda akan menggunakan skala multidimensional, anda perlu memastikan bahawa ada permintaan sebenar untuk maklumat yang disampaikannya. Jika tidak, anda menggunakan masa anda sekarang tanpa sebab selain untuk menjimatkan masa orang lain pada masa akan datang.
Permohonan
Penggredan multidimensi biasanya digunakan dalam psikologi, menggambarkan tindak balas subjek kepada pelbagai rangsangan. Kaedah ini digunakan kerana penyelidik dapat menunjukkan hubungan penting - iaitu, berapa banyak kepentingan diletakkan pada pembolehubah yang berlainan. Ini boleh menjadi sangat berguna, kerana data psikologi cenderung menjadi jumlah yang tinggi dan mempunyai banyak aspek yang berbeza.
Kelemahan ini adalah bahawa ia menambah satu lagi lapisan subjektiviti kepada data psikologi, memandangkan model membentangkan data ke dalam skala multidimensi memerlukan beberapa keputusan. Data mana yang akan masuk ke dalam skala? Pengganda mana yang akan digunakan untuk membuat angka perhubungan? Ini mempunyai kesan ke atas ketepatan skala multidimensi.