早期多元尺度（MULTIDIMENSIONAL SCALING, MDS ）處理屬性（ATTRIBUTE ）分數資 料的方法較重要者有二：其一為利用展開（UNFOLDING ）模型將客體與屬性於同一構 形中表示，其二為將屬性分數資料利用簡單歐氏距離公式轉換為接近程度資料，再根 據各種MDS 方法求得客體之構形，並運用屬性配適，將客體投影至屬性軸。但前者易 產生不易解釋之退化（DEGENERATE）解，而後者之屬性配適往往很差，且未考慮屬性 重要之差異，因此該２種分析方法在實務應用的效果並非十分良好。此外，此述２種 方法並未提出屬性理想點，整體屬性評估理想點之觀念，且在分析主體整體性之評估 行為時，只將所有主體評估之屬性分數矩陣或接近程度資料矩陣予以簡單平均，並未 考慮外同主體對研究者重要程度不一的情形，甚不合理。 有鑑於此，本研究發展以實務為導向之MDS 方法，專門用以處理屬性分數資料，除應 用各種已經發展之MDS 方法，並融入主體與屬性聯合加權、屬性理想點、加權起始構 形等觀念及處理方法，其分析步驟為：利用主體與屬性聯合加權及COOPER（１９７２ ）增加常數方法轉換原始投入資料，再根據TORGERSON （１９５８）古典ＭＤＳ方法 、KRUSKAL （１９６４）之單調迴歸方法、BORG-LINGOES（１９８７）梯度法及加權 起始構形觀念求得客體與屬性理想點之最佳聯合構形。 為探討上述架構之可行性，本研究以個案公司之罐裝咖啡為例進行實證分析，實證中 以２０位受測者對７種罐裝咖啡之廣告全、口味香純、包裝精美、企業形良好、價格 合理、品牌知名度高等６種屬性評估所得之屬性分數矩陣驗證此一理論架構。