A többdimenziós skálázás (angolul: multidimensional scaling, a továbbiakban MDS) szakirodalma széleskörű, ismert és gyakran használt statisztikai metódus. Segítségével sokdimenziós objektumok olyan két vagy három dimenziós ábrázolása válik lehetségessé (nagyobb dimenziós alkalmazás is lehetséges, azonban ilyenkor az ábrázolás értelemszerűen nehézkessé válik), melyben az eredeti ponthalmaz pontjai között meglévő távolságok nagyságrendi viszonyai megőrződnek. A távolságokat olykor kényelmesebb hasonlóságként/különbségként értelmezni – hiszen a vizsgált objektumok nem feltétlenül vannak közel vagy távol egymáshoz/egymástól, hanem azt vizsgáljuk, hogy mennyire hasonlítanak egymásra vagy különböznek egymástól.

A módszert két, egymástól jelentős mértékben eltérő helyzetben fogjuk bemutatni:

• Először egy olyan változatot láthatunk, ahol előre megadott távolságok alapján ábrázoljuk az objektumokat két dimenzióban.
• Másodszor a program számítja ki az objektumok (változók) közötti távolságot, és ad számunkra egy kétdimenziós ábrát.

Az ábrázolást természetesen nem szükséges kizárólag két dimenzióban elképzelnünk, azonban sok szempontból ez tűnik leginkább kényelmesnek. A 3-dimenziós felületek megjelenítése egyrészt nehézkes lehet, másrészt pedig nem is mindig egyértelmű, hogy mely irányokból látható vagy láttatható legjobban az eredmény.

A többdimenziós módszerek egyik sarokkövét jelenti, hogy milyen típusú változókon alkalmazhatók, illetve hogy milyen módon tudjuk ellenőrizni a sokdimenziós eljárások jóságát, megbízhatóságát – továbbá hogy az eredmények milyen módon interpretálhatók szakmai, és nem statisztikus szemmel.

Az MDS alkalmazása során lényegében egyetlen elvárásunk van: amely objektumok eredetileg hasonlítottak egymásra, azok az ábrázolás után is hasonlítsanak – amelyek pedig különböztek, azok az alacsonyabb dimenziós térben is legyenek különbözőek.