개요
이 페이지에서는 측정의 네 가지 데이터 레벨(명목,서수,구간 및 비율)과 측정이 중요한 이유에 대해 알아봅니다. 먼저 중요한 부분을 다루겠습니다.
변수의 측정 수준을 아는 것은 두 가지 이유로 중요합니다. 각 측정 수준은 서로 다른 세부 수준을 제공합니다. 명목은 최소 세부 정보를 제공하고 서수는 다음으로 높은 세부 정보를 제공하며 간격 및 비율은 가장 많은 세부 정보를 제공합니다.
명목 수준 변수에서 값은 의미 있는 순서가 없는 범주로 그룹화됩니다. 예를 들어,성별 및 정치적 제휴는 명목 수준 변수입니다. 그룹의 구성원에는 해당 그룹의 레이블이 할당되며 계층 구조가 없습니다. 명목 데이터와 관련된 일반적인 기술 통계는 빈도 및 백분율입니다.
우리는 당신의 논문 장을 편집하는 데 도움이 방법을 알아보십시오
이론적 프레임 워크를 정렬,기사를 수집,격차를 합성,명확한 방법론과 데이터 계획을 분명히,당신의 연구의 이론과 실제적인 의미에 대해 작성하는 것은 우리의 포괄적 인 논문 편집 서비스의 일부입니다.
- 적시에 1-5 장에 논문 편집 전문 지식을 가져 오십시오.
- 모든 변경 사항을 추적 한 다음 학술 작문을 수행 할 수 있도록 작업하십시오.
- 위원회 피드백을 해결하기위한 지속적인 지원,수정 감소.
서수 수준 변수는 의미 있는 순서가 있는 명목 수준 변수입니다. 예를 들어,경마 우승자에게는 첫 번째,두 번째,세 번째,네 번째 등의 레이블이 할당 될 수 있습니다. 그리고 이러한 라벨은 그들 사이에 정렬 된 관계를 가지고 있습니다(즉,첫 번째는 두 번째보다 높고 두 번째는 세 번째보다 높습니다). 공칭 레벨 변수와 마찬가지로 서수 레벨 변수는 일반적으로 빈도와 백분율로 설명됩니다.
구간 및 비율 레벨 변수(연속 레벨 변수라고도 함)는 이와 관련된 세부 사항이 가장 많습니다. 덧셈,뺄셈,곱셈 및 나눗셈과 같은 수학 연산은 이러한 변수의 값에 정확하게 적용 할 수 있습니다. 예제 변수는 쿠키 레시피(컵으로 측정)에 사용되는 우유의 양입니다. 이 변수는 우유 2 컵이 우유 1 컵보다 정확히 두 배가되도록 산술 특성을 가지고 있습니다. 또한 우유 1 컵과 2 컵의 차이는 우유 2 컵과 3 컵의 차이와 정확히 동일합니다. 구간 및 비율 레벨 변수는 일반적으로 평균 및 표준 편차를 사용하여 설명됩니다.
측정 수준이 중요한 두 번째 이유는 측정 수준이 다른 변수에 대해 서로 다른 통계 테스트가 적합하기 때문입니다. 예를 들어,독립성에 대한 카이-제곱 검정은 공칭 레벨 데이터에 가장 적합합니다. 맨-휘트니 유 테스트는 서수 수준 종속 변수와 명목 수준 독립 변수에 가장 적합합니다. 분산 분석은 연속 레벨 종속 변수와 공칭 레벨 독립 변수에 가장 적합합니다. 어떤 테스트가 어떤 변수 유형을 사용하는지 알아보려면 무료 백서를 다운로드하십시오.
공칭 데이터 측정 수준
공칭 변수는 값이 숫자인 경우에도 값이 레이블로만 사용되는 변수입니다. 예를 들어 남성과 여성 응답자를 분류하려는 경우 남성의 경우 1,여성의 경우 2 를 사용할 수 있습니다. 그러나이 경우 1 과 2 의 값은 의미있는 순서를 나타내지 않거나 수학적 의미를 지니지 않습니다. 그들은 단순히 라벨로 사용됩니다. 공칭 데이터는 공칭 변수와 함께 사용될 때 이러한 통계는 의미가 없기 때문에 평균 및 표준 편차와 같은 많은 통계 계산을 수행하는 데 사용할 수 없습니다.
그러나 공칭 변수를 사용하여 교차 표를 만들 수 있습니다. 카이 제곱 테스트는 공칭 데이터의 교차 표에서 수행 할 수 있습니다.
서수 데이터 측정 수준
서수 변수의 값에는 의미있는 순서가 있습니다. 예를 들어,교육 수준(고등학교,학사 학위 및 대학원 학위의 가능한 값 포함)은 서수 변수가 될 것입니다. 이 범주에 대한 명확한 순서(즉,대학원은 학부보다 높은,그리고 학부는 고등학교보다 높은)이지만,우리는 그 이상의 다른 산술 가정을 할 수 없습니다. 예를 들어,우리는 학부와 고등학교 사이의 교육 수준의 차이가 대학원과 학부의 차이와 동일하다고 가정 할 수 없습니다.
빈도,백분율 및 특정 비 파라 메트릭 통계를 서수 데이터와 함께 사용할 수 있습니다. 그러나 평균,표준 편차 및 파라 메트릭 통계 테스트는 일반적으로 서수 데이터와 함께 사용하는 것이 적절하지 않습니다.
구간 척도 데이터 측정 수준
구간 변수의 경우 값 간의 차이 정도에 대한 산술 가정을 할 수 있습니다. 간격 변수의 예는 온도 일 것입니다. 우리는 70 도에서 80 도의 차이가 80 도에서 90 도의 차이와 동일하다고 올바르게 가정 할 수 있습니다. 그러나 곱셈과 나눗셈의 수학적 연산은 간격 변수에는 적용되지 않습니다. 예를 들어,100 도가 50 도보다 두 배 더 뜨겁다고 정확하게 말할 수는 없습니다. 또한 간격 변수에는 의미 있는 0 점이 없는 경우가 많습니다. 예를 들어,0 도(섭씨 및 화씨 눈금)의 온도는 열이 완전히 없음을 의미하지는 않습니다.
일부 연구자들은 리커트 척도로 측정 된 변수(예:1=강하게 동의하지 않음,2=동의하지 않음,3=중립,4=동의 및 5=강하게 동의 함)를 간격 변수로 취급합니다. 그러나 리커트 척도 응답을 간격 데이터로 취급하면 척도의 점 간의 차이가 모두 같다고 가정합니다. 즉,5 점 리커트 척도를 구간 척도로 사용하면 강하게 동의하고 동의 사이의 차이가 중립과 동의 사이의 상대적인 차이라고 가정합니다. 이것은 종종 안전한 가정이 아니므로 리커트 척도 응답은 일반적으로 서수로 취급하는 것이 좋습니다.
구간 변수는 평균(평균),표준 편차 및 피어슨 상관 계수와 같이 일반적으로 사용되는 통계 측정값을 계산하는 데 사용할 수 있습니다. 다른 많은 고급 통계 테스트 및 기술에도 간격 또는 비율 데이터가 필요합니다.
비율 스케일 데이터 측정 레벨
모든 산술 연산은 비율 변수에서 가능합니다. 비율 변수의 예는 무게(예:파운드)입니다. 우리는 20 파운드가 10 파운드보다 두 배나 무겁다고 정확하게 말할 수 있습니다. 또한 비율 변수는 의미있는 0 점을 갖습니다(예:정확히 0 파운드는 객체에 가중치가 없음을 의미 함). 비율 변수의 다른 예로는 회사의 총 매출,회사의 지출,회사의 소득 등이 있습니다.
비율 변수는 다음과 같은 대부분의 모수 통계 테스트에 종속 변수로 사용할 수 있습니다.