Шкалирование как один из методов математической обработки психологических данных

ивается по частоте их попадания в соседние участки ряда 2; с. 254.
Многомерное шкалирование можно рассматривать как альтернативу факторному анализу. Целью последнего является поиск и интерпретация «латентных (т. е. непосредственно не наблюдаемых) переменных», дающих возможность исследователю объяснить сходства между объектами, заданными точками в исходном пространстве признаков. В факторном анализе сходства между объектами (например, переменными) выражаются с помощью матрицы (таблицы) коэффициентов корреляций. В методе многомерного шкалирования дополнительно к корреляционным матрицам, в качестве исходных данных можно использовать произвольный тип матрицы сходства объектов.
Но даже несмотря на то, что имеется много сходства, методы многомерного шкалирования и факторного анализа имеют ряд существенных отличий. Так, факторный анализ требует, чтобы исследуемые данные подчинялись многомерному нормальному распределению, а зависимости были линейными. Методы многомерного шкалирования не накладывают таких ограничений. Методы многомерного шкалирования могут быть применимы, пока сохраняет смысл порядок следования рангов сходств. В терминах различий получаемых результатов, факторный анализ стремится извлечь больше факторов (координатных осей или латентных переменных) по сравнению с многомерным шкалированием; в результате чего многомерное шкалирование часто приводит к проще интерпретируемым решениям. Однако более существенно то, что методы многомерного шкалирования можно применять к любым типам расстояний или сходств, тогда как методы факторного анализа требуют, чтобы первоначально была вычислена матрица корреляций. Методы многомерного шкалирования могут быть основаны на прямом оценивании сходств между стимулами субъектов, тогда как факторный анализ требует, чтобы субъекты