विषय
बहुआयामी स्केलिंग नेत्रहीन रूप से जानकारी व्यक्त करने का एक तरीका है। कच्चे नंबर दिखाने के बजाय, एक बहुआयामी पैमाने का चार्ट चर के बीच संबंधों को दिखाएगा; जो चीजें समान हैं वे एक साथ दिखाई देंगी जबकि अलग-अलग चीजें एक दूसरे से बहुत दूर दिखाई देंगी।
संबंध मॉडलिंग
बहुआयामी पैमानों से पता चलता है कि एक दूसरे के संबंध में चीजें कैसे खड़ी होती हैं। उदाहरण के लिए, यदि आपने संयुक्त राज्य अमेरिका में शहर की दूरी का एक बहुआयामी पैमाने बनाया, तो शिकागो डेट्रायट के करीब होगा जितना कि फीनिक्स के लिए होगा।
इस पद्धति का एक फायदा यह है कि आप एक बहुआयामी पैमाने पर देख सकते हैं और तुरंत आकलन कर सकते हैं कि संबंधित विभिन्न मूल्य कितने निकट हैं। एक नुकसान, हालांकि, यह तकनीक वास्तविक संख्याओं में सौदा नहीं करती है - बोस्टन, न्यूयॉर्क और लॉस एंजिल्स के एक बहुआयामी पैमाने पर लंदन, डबलिन और ब्यूनस आयर्स के एक बहुआयामी पैमाने के समान दिखाई देगा, भले ही वास्तविक आंकड़े गहराई से भिन्न हों। ।
तालिकाओं को सरल बनाना
एक बहुआयामी पैमाने का उपयोग उन स्थितियों में किया जाता है जहां बड़ी संख्या में डेटा तालिका के रूप में व्यवस्थित होता है। इसे एक बहुआयामी पैमाने पर परिवर्तित करके, आप तुरंत रिश्तों का आकलन कर सकते हैं, जो कि 10,000 या अधिक विभिन्न आंकड़ों के साथ तालिका में अनिवार्य रूप से असंभव है - एक राशि जो पूरी तरह से संभव है।
इसका नुकसान यह है कि कच्चे आंकड़ों को बहुआयामी पैमाने में बदलने के लिए एक जटिल सूत्र आवश्यक है। इसलिए, जबकि आंकड़ों के बीच संबंधों को देखने में आसान है, यह तालिका बनाने के लिए बड़ी मात्रा में प्रयास करता है। इसका मतलब यह है कि यदि आप एक बहुआयामी पैमाने का उपयोग करने जा रहे हैं, तो आपको कुछ निश्चित होने की आवश्यकता है जो जानकारी को प्रस्तुत करने की वास्तविक मांग को पूरा करता है। अन्यथा, आप भविष्य में किसी और समय को बचाने के लिए बिना किसी कारण के अपने समय का उपयोग कर रहे हैं।
आवेदन
बहु-आयामी स्केलिंग का उपयोग आमतौर पर मनोविज्ञान में किया जाता है, विभिन्न उत्तेजनाओं के लिए विषय प्रतिक्रियाओं को रेखांकन करता है। इस पद्धति का उपयोग किया जाता है क्योंकि शोधकर्ता महत्व के संबंधों को दिखा सकते हैं - अर्थात, विभिन्न चर पर कितना महत्व रखा गया है। यह अत्यंत उपयोगी हो सकता है, क्योंकि मनोवैज्ञानिक डेटा उच्च मात्रा में होते हैं और कई अलग-अलग पहलू होते हैं।
इसका एक नुकसान यह है कि यह मनोवैज्ञानिक डेटा के लिए व्यक्तिपरकता की एक और परत जोड़ता है, क्योंकि डेटा को एक बहुआयामी पैमाने पर मॉडलिंग करने के लिए कुछ निर्णय लेने की आवश्यकता होती है। कौन सा डेटा स्केल में जाएगा? संबंध आंकड़े बनाने के लिए किस गुणक का उपयोग किया जाएगा? यह बहुआयामी तराजू सटीकता पर एक प्रभाव है।