چکیده:
مقیاس بندی چند بعدی یکی از شیوه های استخراج خصیصه های زیربنایی در داده ها است که بسته به نوع داده ها و اهداف تحلیل، انواع مختلفی دارد. از این بین می توان به سه دسته کلی مقیاس بندی کلاسیک، مکرر و بار شده اشاره کرد. مقیاس بندی چند بعدی یک روش منعطف و اکتشافی است که کاربردهای فراوانی در تحقیقات روان شناختی دارد. ناشناخته ماندن این روش در تحقیقات روان شناختی داخل ایران و نبود اطلاعات کافی به زبان فارسی در زمینه مقیاس بندی چند بعدی، ضرورت انتشار مقالات ترویجی در این حیطه را آشکار می کند. لذا در این مقاله ضمن معرفی مفهوم و انواع مقیاس بندی چند بعدی، به ذکر مثال های متنوعی از هر یک از انواع مقیاس بندی چند بعدی خواهیم پرداخت. سپس برنامه های کامپیوتری مناسب برای انجام مقیاس بندی چند بعدی را ذکر خواهیم کرد و با تمرکز بر برنامه SPSS، چگونگی انجام تحلیل ها و تفاسیر خروجی ها را مورد بحث قرار خواهیم داد.
خلاصه ماشینی:
"اگر از مقیاسبندی چند بعدی کلاسیک ناپارامتریک استفاده شود، طرح دیگری به نام "طرح پراکندگی تبدیل " (Transformation Scatter plot) ارائه می شود که دادههای اصلی (مشاهدات) را در قبال نابرابریهای محاسبه شده به وسیله الگوریتم های ALSCAL یا PREFSCAL طرح می کند (شکل ١١).
با این حال مقیاسبندی چند بعدی فرض می کند که بیشتر تکالیف در چندین ویژگی متفاوتند، ١- افراد بر اساس نقطه ی ایدهآلشان در طول هر یک از ابعاد متفاوتند (که نشان دهندهی ترکیب بیشتر ترجیح داده شده از ویژگی های درک شده است ) ٢- و اینکه پاسخ های مشاهده شده یک شخص در یک تکلیف خاص، با تفاوتهای بین ویژگی های تکلیف و نقطه ایدهآل آزمودنی ها مرتبط است .
/ / / / / / / / / / / / / / / / / / / / / / / شکل ١٦: نمونه ای از دادههای ورودی مربع برای مقیاسبندی چند بعدی در بر نامه SPSS مرحله ٢( انخاب روش تحلیل دادهها از بین سه روش موجود ALSCAL،PROXSCAL و PREFDSCAL) در این مثال: Analyze/Scale/Multidimensional Scaling (PROXSCAL) مرحله ٣ (فرمت داده ها): رویه PROXSCAL دو نوع داده ورودی را حمایت می کند: ١) دادههای مجاورت (ماتریس مربع ) ٢) دادههای نیمرخ یا مقطع (ماتریس مستطیل ).
مسئله مهمی که کاربر باید در به کارگیری برنامه مد نظر داشته باشد این است که در دنیای واقعی تشابه بیشتر بین دو شی موجب فاصله کمتر آنها در فضای چند بعدی می شود لذا در این مورد (فواصل شهرها) ما در قسمت Proximities از پنجره Model (شکل ١٩) باید گزینه تفاوت ها (Dissimilarities) را انتخاب کنیم ."