i statistiken finns det fyra datamätningsskalor: nominell, ordinal, intervall och förhållande. Det här är helt enkelt sätt att underkategorisera olika typer av data (här är en översikt över statistiska datatyper) . Detta ämne diskuteras vanligtvis i samband med akademisk undervisning och mindre ofta i den ”verkliga världen.”Om du borstar på detta koncept för ett statistiktest, tacka en psykologforskare som heter Stanley Stevens för att komma med dessa villkor.
dessa fyra datamätningsskalor (nominell, ordinär, intervall och förhållande) förstås bäst med exempel, som du ser nedan.
nominell
låt oss börja med det enklaste att förstå. Nominella skalor används för märkning av variabler, utan något kvantitativt värde. ”Nominella” skalor kan helt enkelt kallas ”etiketter.”Här är några exempel nedan. Observera att alla dessa skalor utesluter varandra (ingen överlappning) och ingen av dem har någon numerisk betydelse. Ett bra sätt att komma ihåg allt detta är att ”nominellt” låter mycket som ”namn” och nominella skalor är ungefär som ”namn” eller etiketter.
Obs: en undertyp av nominell skala med endast två kategorier (t.ex. man/kvinna) kallas ”dikotom.”Om du är student kan du använda det för att imponera på din lärare.
Bonusnot #2: Andra undertyper av nominella data är ” nominella med ordning ”(som” kall, varm, varm, mycket het”) och nominell utan ordning (som”man/kvinna”).
Ordinal
med ordinära skalor är ordningen på värdena vad som är viktigt och signifikant, men skillnaderna mellan var och en är inte riktigt kända. Ta en titt på exemplet nedan. I varje fall vet vi att en #4 är bättre än en #3 eller #2, men vi vet inte–och kan inte kvantifiera–hur mycket bättre det är. Till exempel är skillnaden mellan ”OK” och ”olycklig” detsamma som skillnaden mellan ”väldigt glad” och ”glad?”Vi kan inte säga.
ordinära skalor är vanligtvis mått på icke-numeriska begrepp som tillfredsställelse, lycka, obehag etc.
”Ordinal” är lätt att komma ihåg eftersom det låter som ”order” och det är nyckeln att komma ihåg med ”ordinal scales”–det är ordningen som betyder något, men det är allt du verkligen får från dessa.
avancerad anmärkning: det bästa sättet att bestämma central tendens på en uppsättning ordinära data är att använda läget eller medianen; en purist kommer att säga att medelvärdet inte kan definieras från en ordinär uppsättning.
intervall
Intervallskalor är numeriska skalor där vi känner till både ordningen och de exakta skillnaderna mellan värdena. Det klassiska exemplet på en intervallskala är Celsius temperatur eftersom skillnaden mellan varje värde är densamma. Till exempel är skillnaden mellan 60 och 50 grader en mätbar 10 grader, liksom skillnaden mellan 80 och 70 grader.
Intervallskalor är trevliga eftersom sfären för statistisk analys på dessa datamängder öppnas. Till exempel kan central tendens mätas med läge, median eller medelvärde; standardavvikelse kan också beräknas.
liksom de andra kan du komma ihåg de viktigaste punkterna i en ”intervallskala” ganska enkelt. ”Intervall” i sig betyder ”mellanslag”, vilket är det viktiga att komma ihåg–intervallskalor berättar inte bara om ordning utan också om värdet mellan varje objekt.
här är problemet med intervallskalor:de har inte en ” sann noll.”Till exempel finns det inget sådant som ”ingen temperatur”, åtminstone inte med celsius. När det gäller intervallskalor betyder noll inte frånvaron av värde, men är faktiskt ett annat nummer som används på skalan, som 0 grader celsius. Negativa tal har också betydelse. Utan en sann noll är det omöjligt att beräkna förhållanden. Med intervalldata kan vi lägga till och subtrahera, men kan inte multiplicera eller dela.
förvirrad? Ok, tänk på detta: 10 grader C + 10 grader c = 20 grader C. inga problem där. 20 grader C är dock inte dubbelt så varmt som 10 grader C, eftersom det inte finns något sådant som ”ingen temperatur” när det gäller Celsius-skalan. När det konverteras till Fahrenheit är det klart: 10c=50F och 20C=68F, vilket helt klart inte är dubbelt så varmt. Jag hoppas att det är vettigt. Bottom line, intervallskalor är bra, men vi kan inte beräkna förhållanden, vilket leder oss till vår sista mätskala…
Ratio
Ratio scales är den ultimata Nirvana när det gäller datamätningsskalor eftersom de berättar om ordningen, de berättar det exakta värdet mellan enheter, och de har också en absolut noll–vilket möjliggör ett brett spektrum av både beskrivande och inferentiell statistik som ska tillämpas. Med risk för att upprepa mig själv gäller allt ovan om intervalldata för förhållandeskalor, plus förhållandeskalor har en tydlig definition av noll. Bra exempel på förhållandevariabler inkluderar höjd, vikt och varaktighet.
Kvotskalor ger en mängd möjligheter när det gäller statistisk analys. Dessa variabler kan meningsfullt läggas till, subtraheras, multipliceras, delas (förhållanden). Central tendens kan mätas med läge, median eller medelvärde; dispersionsmått, såsom standardavvikelse och variationskoefficient kan också beräknas från förhållandeskalor.
sammanfattning
det är det! Jag hoppas att denna förklaring är tydlig och att du vet förstår de fyra typerna av datamätningsskalor: nominell, ordinär, intervall och förhållande! Hämta dem!
om du vill testa dina färdigheter, ge den korta frågesporten nedan en go (fungerar inte ? Prova på en stationär webbläsare):
