本章的研究中直接采用前文所收集到的118份来自中国证券监管者的问卷调查数据，选择的变量除了合取谬误、过度自信、确定性效应、反射效应和后悔厌恶五个已在第5章研究过的非理性行为外，还加入了包括心理账户、处置效应、模糊厌恶在内的其他数十种被以往研究者所经常讨论的非理性行为。每一个情境问题的答案都会被转化为二分变量，其中0表明被试者在这一情境上并未表现出行为偏差，而1则表明被试者表现出行为偏差。

问卷数据的分析将会采用多维尺度分析的方法。多维尺度分析是一种探索性数据分析技术，有助于识别数据之间隐藏的结构关系。多维尺度分析通过将含有多个变量的数据压缩到一个低维空间并形成直观的空间图形，空间图形中的每个点就代表不同的变量，点与点之间的距离则表示变量之间的潜在规律性关系。本章的研究将通过多维尺度分析将问卷中不同决策行为偏差之间的共现性以两维图形展现出来。具体而言，针对所收集和整理的二分变量数据之间空间距离的计算，本章参考了Eck和Waltman（2009）的研究，选择关联强度（Association Strength）作为变量间距离计算的规则。Eck和Waltman（2009）的研究在归纳和总结之前研究的基础上，提出了四种计算质性数据之间相似性的方法，即Association Strength、the Cosine、the Inclusion Index和the Jaccard Index，并且认为Association Strength和the Cosine是其中最好的方法。关联强度的计算公式为：

其中，SA为任意两个变量的关联强度，cij为两个变量共现的次数，si和sj分别为两个变量的出现次数。当计算出所有变量之间的关联强度后，在R语言程序中输入相似性程度的矩阵以在多维空间中找到各个变量相对应的位置坐标，最后通过线段连接关联强度值位于前30%内的变量，以形成最终的非理性行为空间连接图。(www.daowen.com)

本次研究共获取22种非理性行为变量的问卷调查数据，在对数据进行初步处理和分析后，本书最终确定合取谬误、赌徒谬论、易得启发式偏差、锚定效应、过度自信、证实性偏差、心理账户、确定性效应、反射效应、处置效应、后悔厌恶和损失厌恶12种非理性行为变量以输出中国证券监管者非理性行为的空间关联结果。之所以选择这12种非理性行为主要是基于数据分析结果稳定性和可靠性的考虑。一方面，多维尺度法是一种将多维空间的研究变量简化到低维空间进行定位、分析和归类，同时又保留对象间原始关系的数据分析方法。理论上讲，空间模型的拟合度指标随着维数的增加而优化，但维度越多就越难以被理解和解释，因此，如果将所有22种非理性行为变量纳入空间模型，就需要三维或者更高维度的空间图予以拟合才能得出符合拟合标准的结果，并且对结果的分析也远超研究者的能力；另一方面，即使是在二维空间的约束下尽可能多地选择不同类型非理性行为进行拟合，也需要寻求拟合度最佳的结果输出（stress＜0.15）（Grimm和Yarnold，1995）以确保二维空间结果的稳定性，这就需要尝试不同非理性行为的组合，通过观察拟合度的变化不断增加或删减变量以找到稳定性最高的二维空间图。简言之，最终这12种非理性行为变量的选择和结果的呈现并不是研究者主观选择的结果，而是基于二维空间限制下的包含最大数量非理性行为变量的最优拟合结果。