سنجش و اندازه گیری

مقياس گذاري چند بعدي مجموعه اي از تكنيك هاي آماري است كه اغلب براي بصري سازي اطلاعات استفاده مي شود تا از طريق آن شباهت ها و عدم شباهت ها در داده ها كشف شوند. MDS با مانريسي از شباهت ها و يا عدم شباهت ها شروع شده و سپس براي هر موضوع در فضاي N بعدي جايگاهي ايجاد مي كند. الگوريتم هاي MDS بر اساس ماتريس ورودي به طبقات مختلفي تقسيم مي شوند مانند: مقياس گذاري چند بعدي كلاسيك، مقياس گذراي چند بعدي متريك، مقياس گذاري چند بعدي غير متريك. به MDS كلاسيك MDS ترگرسون و ترگرسون گاور نيز گويند. در MDS متريك روش كلاسيك گسترش مي يابد اين گسترش در مورد ماتريس ورودي و تابع زوال است. تابع زوال در اين روش به نام استرس شناخته مي شود. برخلاف MDS متري، غير متري رابطه اي تكنوا غير متري بين عدم شباهت هاي ماتريس موضوع به موضوع ايجاد مي كند. تحليل حداقل فضاي لويس گاتمن مثالي از روش ناپارامتري MDS است.
MDS تعميم يافته نوع گسترش يافته ي MDS متري است. در اين روش فضاي هدف يك فضاي غير اقليدسي تصادفي است.
ورودي ها در MDS مي تواند به صوت ادراك داده ها : رويكرد مستقيم، ادراك داده ها: رويكرد مشتق شده و  رويكرد داده هاي ترجيحي باشند كه در آن از پاسخ دهندگان خواسته مي شود به جاي بيان ميزان شباهت ترجيحشان را بيان كنند.
كاربردهاي MDS در بصري سازي علمي و داده كاوي در زمينه هايي مانند علوم شناختي علم اطلاعات سايكو فيزيك روانسنجي تجارت و اكولوژي استفاده مي شود.
MDS در مقايسه با ساير روش هاي مشابه خود مانند تحليل عاملي تحليل تشخيصي، و تحليل همزمان تفاوت هايي دارد. در MDS از پاسخ دهندگان خواسته مي شود تا موضوعات را به صورت جفتي مقايسه كنند و ميزان شباهت و عدم شباهت آنها را بيان كنند و سپس اين تكنيك ابعاد زير بنايي را بر اساس قضاوت پاسخ دهندگان در مورد شباهت موضوعات آشكار مي سازد. اين در حالي است كه ساير روش ها ابعاد زيربنايي را بر اساس پاسخ هاي آزمودني ها به صفات مختلفي بدست مي آيد كه توسط پژوهشگر شناخته مي شود. MDS تكنيك ارزشمندي در ترسيم نقشه ي ادراكي است.