之前的主成分分析和因子分析中，收集的变量数据都是连续型数值，但有时会碰到分类数据的情况，我们知道最优尺度变换可以对分类变量进行量化处理，如果将这一方法和主成分分析相结合，就称为了基于最优尺度变换的主成分分析法（CATPCA），在市场研究中，又称为多维偏好分析（MPA），该方法由于引入了最优尺度变换，使其对数据的适应能力大大加强，不仅可以分析连续型数据，还可以分析有序、无序分类数据，并且图形展示的能力也得到加强，这非常适合市场研究使用。
多维偏好分析主要用于分析消费者对商品的偏好倾向，并通过感知图/定位图进行展现。我们知道相同偏好的消费者必然在某些商品评价上相似，数据体现为相关性较强，可以利用降维方法提取出少数主成分，并将其和商品在一起做定位图，即可得到消费者评价和商品间的联系，因此，在分析思路上和主成分分析/因子分析并无不同。
我们看一个例子
现在想了解9种汽车相对于竞争品牌在消费者心中的定位是怎样的，并附加三种产品属性进行打分，数据如下
make代表9种汽车，model代表竞争品牌，j代表25位受访者，最后的mpg，reliable，ride为三个产品属性，由于是在降维分析中引入了最优尺度变换，因此多维偏好分析还是被归在降维过程中
分析—降维—最优尺度
