En statistiques, il existe quatre échelles de mesure de données: nominale, ordinale, intervalle et rapport. Ce sont simplement des moyens de sous-catégoriser différents types de données (voici un aperçu des types de données statistiques). Ce sujet est généralement discuté dans le contexte de l’enseignement académique et moins souvent dans le « monde réel. »Si vous brossez ce concept pour un test de statistiques, remerciez un chercheur psychologue nommé Stanley Stevens d’avoir inventé ces termes.
Ces quatre échelles de mesure de données (nominale, ordinale, intervalle et rapport) sont mieux comprises avec un exemple, comme vous le verrez ci-dessous.
Nominal
Commençons par le plus facile à comprendre. Les échelles nominales sont utilisées pour étiqueter les variables, sans aucune valeur quantitative. Les échelles « nominales » pourraient simplement être appelées « étiquettes ». » Voici quelques exemples, ci-dessous. Notez que toutes ces échelles s’excluent mutuellement (pas de chevauchement) et qu’aucune d’entre elles n’a de signification numérique. Une bonne façon de se souvenir de tout cela est que « nominal » ressemble beaucoup à « nom » et que les échelles nominales ressemblent un peu à des « noms » ou des étiquettes.
Remarque: un sous-type d’échelle nominale avec seulement deux catégories (par exemple mâle / femelle) est appelé « dichotomique. »Si vous êtes étudiant, vous pouvez l’utiliser pour impressionner votre professeur.
Note bonus #2: D’autres sous-types de données nominales sont « nominales avec ordre » (comme « froid, chaud, chaud, très chaud ») et nominales sans ordre (comme « mâle / femelle »).
Ordinal
Avec les échelles ordinales, l’ordre des valeurs est ce qui est important et significatif, mais les différences entre chacune ne sont pas vraiment connues. Jetez un oeil à l’exemple ci-dessous. Dans chaque cas, nous savons qu’un #4 est meilleur qu’un #3 ou un #2, mais nous ne savons pas – et ne pouvons pas quantifier – à quel point il est meilleur. Par exemple, la différence entre « OK » et « Malheureux » est-elle la même que la différence entre « Très heureux » et « Heureux? »Nous ne pouvons pas dire.
Les échelles ordinales sont généralement des mesures de concepts non numériques tels que la satisfaction, le bonheur, l’inconfort, etc.
« Ordinal » est facile à retenir car cela ressemble à « ordre » et c’est la clé à retenir avec « échelles ordinales » – c’est l’ordre qui compte, mais c’est tout ce que vous obtenez vraiment de ceux-ci.
Note avancée: La meilleure façon de déterminer la tendance centrale sur un ensemble de données ordinales est d’utiliser le mode ou la médiane; un puriste vous dira que la moyenne ne peut pas être définie à partir d’un ensemble ordinal.
Intervalle
Les échelles d’intervalles sont des échelles numériques dans lesquelles nous connaissons à la fois l’ordre et les différences exactes entre les valeurs. L’exemple classique d’échelle d’intervalle est la température Celsius car la différence entre chaque valeur est la même. Par exemple, la différence entre 60 et 50 degrés est mesurable à 10 degrés, tout comme la différence entre 80 et 70 degrés.
Les échelles d’intervalle sont intéressantes car le domaine de l’analyse statistique sur ces ensembles de données s’ouvre. Par exemple, la tendance centrale peut être mesurée par mode, médiane ou moyenne; l’écart-type peut également être calculé.
Comme les autres, vous pouvez vous souvenir assez facilement des points clés d’une « échelle d’intervalles ». « Intervalle » lui-même signifie « espace entre les deux », ce qui est important à retenir – les échelles d’intervalle nous renseignent non seulement sur l’ordre, mais aussi sur la valeur entre chaque article.
Voici le problème avec les échelles d’intervalle: elles n’ont pas de « vrai zéro. »Par exemple, il n’y a pas de « pas de température », du moins pas avec celsius. Dans le cas des échelles d’intervalle, zéro ne signifie pas l’absence de valeur, mais est en fait un autre nombre utilisé sur l’échelle, comme 0 degrés celsius. Les nombres négatifs ont aussi un sens. Sans un vrai zéro, il est impossible de calculer des ratios. Avec les données d’intervalle, nous pouvons ajouter et soustraire, mais ne pouvons ni multiplier ni diviser.
Confus? Ok, considérez ceci: 10 degrés C + 10 degrés C = 20 degrés C. Pas de problème là-bas. 20 degrés C n’est pas deux fois plus chaud que 10 degrés C, cependant, car il n’existe pas de « pas de température » en ce qui concerne l’échelle Celsius. Une fois converti en Fahrenheit, c’est clair: 10C = 50F et 20C = 68F, ce qui n’est clairement pas deux fois plus chaud. J’espère que cela a du sens. En bout de ligne, les échelles d’intervalles sont excellentes, mais nous ne pouvons pas calculer les ratios, ce qui nous amène à notre dernière échelle de mesure…
Rapport
Les échelles de rapport sont le nirvana ultime en ce qui concerne les échelles de mesure de données, car elles nous renseignent sur l’ordre, elles nous indiquent la valeur exacte entre les unités, ET elles ont également un zéro absolu – ce qui permet d’appliquer une large gamme de statistiques descriptives et inférentielles. Au risque de me répéter, tout ce qui précède sur les données d’intervalle s’applique aux échelles de ratio, plus les échelles de ratio ont une définition claire de zéro. La taille, le poids et la durée sont de bons exemples de variables de rapport.
Les échelles de ratio offrent une multitude de possibilités en matière d’analyse statistique. Ces variables peuvent être ajoutées, soustraites, multipliées, divisées de manière significative (ratios). La tendance centrale peut être mesurée par mode, médiane ou moyenne; des mesures de dispersion, telles que l’écart type et le coefficient de variation, peuvent également être calculées à partir d’échelles de rapport.
Résumé
C’est tout! J’espère que cette explication est claire et que vous savez comprendre les quatre types d’échelles de mesure de données: nominale, ordinale, intervalle et rapport! Va les chercher !
Si vous voulez tester vos compétences, essayez le bref quiz ci-dessous (ne fonctionne pas? Essayez sur un navigateur de bureau):
