Координаты объектов могут заданы пользователем или являться результатом предыдущего анализа данных методом многомерного шкалирования. Программа также может проводить квази-внутренний анализ предпочтений, рассчитывая координаты объектов на основании данных о предпочтениях (аналог `успешного шкалирования` Ф. Юнга). Этот анализ не является внутренним, поскольку полученная на первом этапе конфигурация объектов не изменяется при дальнейшем анализе для получения лучшего результата.
В программе реализованы четыре модели многомерного шкалирования, которые представляют собой иерархию от наиболее простой, векторной модели, до обощенной взвешенной дистанционной модели:
Обобщенная взвешенная дистанционная модель развертывания. В этой модели предполагается, что каждый субъект оценивает объекты по своим собственным характеристикам, каждая из которых обладает определенной важностью (весом). Для каждого субъекта строится индивидуальное пространство, которое характеризуется различной степенью важности (весом) каждой оси и ортогональным поворотом осей. Эта модель аналогична модели IDIOSCAL.
Взвешенная дистанционная модель развертывания. В рамках этой модели предполагается, что все субъекты оценивают объекты по одним и тем же характеристикам, однако важность этих характеристик (веса) различны. Таким образом индивидуальные пространства характеризуются определенным весами осей. Эта модель аналогична модели INDSCAL.
Простая дистанционная модель развертывания. В этой модели все субъекты оценивают объекты по одним и тем же характеристикам с одинаковыми весами. Даная модель аналогична модели, реализованной в программе MINI RSA.
Векторная модель. В этой модели каждый субъект представлен в виде вектора. Проекции объектов на вектор предпочтений соответствуют оценки предпочтений субъекта. Векторная модель также реализована в программе MDPREF.
Обобщенная дистанционная взвешенная модель развертывания используется редко в связи со сложностью интерпретации большого количества параметров. По этой же причине результаты анализа могут быть неустойчивыми. Наиболее часто используются дистанционная и векторная модели предпочтений, в частности для интерпретации результатов. В этом случае векторная модель аналогична PREFMAP.
2. Carroll J.D. Individual differnces and multidimensional scaling// Multidimensional scaling in behavioral sciences: theory and application. P. 114-153
3. Carroll J.D. Models and methods for multidimensional analysis of preferential choice (or other dominance) data// Similarity and choice/ E.D. Lanterman, H. Feger eds. Bem: Hans Huber, 1980. P. 234-289