oversigt
på denne side lærer du om de fire dataniveauer for måling (nominel, ordinær, interval og forhold), og hvorfor de er vigtige. Lad os først beskæftige os med vigtighedsdelen.
at kende niveauet for måling af dine variabler er vigtigt af to grunde. Hvert af måleniveauerne giver et andet detaljeringsniveau. Nominel giver den mindste mængde detaljer, ordinal giver den næsthøjeste mængde detaljer, og interval og forhold giver den mest mængde detaljer.
i en nominel niveauvariabel grupperes værdier i kategorier, der ikke har nogen meningsfuld rækkefølge. For eksempel er køn og politisk tilknytning nominelle niveauvariabler. Medlemmer i gruppen tildeles en etiket i den gruppe, og der er ikke noget hierarki. Typiske beskrivende statistikker forbundet med nominelle data er frekvenser og procenter.
Opdag, hvordan vi hjælper med at redigere dine Afhandlingskapitler
tilpasning af teoretiske rammer, indsamling af artikler, syntese af huller, artikulering af en klar metode og dataplan og skrivning om de teoretiske og praktiske konsekvenser af din forskning er en del af vores omfattende afhandlingsredigeringstjenester.
- Bring afhandling redigering ekspertise til kapitel 1-5 i tide.
- Spor alle ændringer, og arbejd derefter med dig for at skabe videnskabelig skrivning.
- løbende støtte til adresse udvalg feedback, reducere revisioner.
ordinære niveauvariabler er nominelle niveauvariabler med en meningsfuld rækkefølge. For eksempel kan hestevæddeløbsvindere tildeles etiketter af første, anden, tredje, fjerde osv. og disse mærker har et ordnet forhold mellem dem (dvs.den første er højere end den anden, den anden er højere end den tredje osv.). Som med nominelle niveauvariabler beskrives ordinære niveauvariabler typisk med frekvenser og procenter.
Interval-og rationiveauvariabler (også kaldet kontinuerlige niveauvariabler) har den mest detaljerede forbindelse med dem. Matematiske operationer såsom addition, subtraktion, multiplikation og division kan anvendes nøjagtigt på værdierne for disse variabler. Et eksempel variabel ville være den mængde mælk, der anvendes i cookie opskrift (målt i kopper). Denne variabel har aritmetiske egenskaber, således at 2 kopper mælk er nøjagtigt dobbelt så meget som 1 kop mælk. Derudover er forskellen mellem 1 og 2 kopper mælk nøjagtig den samme som forskellen mellem 2 og 3 kopper mælk. Interval-og ratio-niveauvariabler beskrives typisk ved hjælp af midler og standardafvigelser.
den anden grund til, at måleniveauer er vigtige at vide, er fordi forskellige statistiske tests er passende for variabler med forskellige måleniveauer. For eksempel er chi-firkantede uafhængighedstest mest hensigtsmæssige for nominelle niveaudata. Mann – Hvidney u-testen er mest passende for en ordinært niveauafhængig variabel og en nominel niveauafhængig variabel. En ANOVA er mest passende for en kontinuerlig niveauafhængig variabel og en nominel niveauafhængig variabel. For at lære, hvilke tests der bruger hvilke typer variabler, skal du hente den gratis hvidbog.
nominelle Dataniveauer for måling
en nominel variabel er en, hvor værdier kun tjener som etiketter, selvom disse værdier er tal. For eksempel, hvis vi ønsker at kategorisere mandlige og kvindelige respondenter, kunne vi bruge et antal 1 til mand og 2 til kvinde. Imidlertid repræsenterer værdierne 1 og 2 i dette tilfælde ikke nogen meningsfuld rækkefølge eller bærer nogen matematisk betydning. De bruges simpelthen som etiketter. Nominelle data kan ikke bruges til at udføre mange statistiske beregninger, såsom middel-og standardafvigelse, fordi sådanne statistikker ikke har nogen betydning, når de bruges med nominelle variabler.
dog kan nominelle variabler bruges til at lave krydstabeller. Chi-kvadratprøven kan udføres på en krydstabel af nominelle data.
ordinære Dataniveauer af måling
værdier af ordinære variabler har en meningsfuld rækkefølge for dem. For eksempel ville uddannelsesniveau (med mulige værdier af gymnasiet, bachelorgrad og Kandidatgrad) være en ordinær variabel. Der er en endelig ordre til kategorierne (dvs.kandidat er højere end bachelor, og bachelor er højere end gymnasiet), men vi kan ikke foretage andre aritmetiske antagelser ud over det. For eksempel kan vi ikke antage, at forskellen i uddannelsesniveau mellem bachelor og gymnasium er den samme som forskellen mellem kandidat og bachelor.
vi kan bruge frekvenser, procenter og visse ikke-parametriske statistikker med ordinære data. Imidlertid er midler, standardafvigelser og parametriske statistiske tests generelt ikke egnede til brug med ordinære data.
Interval Scale Data niveauer af måling
for intervalvariabler kan vi lave aritmetiske antagelser om graden af forskel mellem værdier. Et eksempel på en intervalvariabel ville være temperatur. Vi kan korrekt antage, at forskellen mellem 70 og 80 grader er den samme som forskellen mellem 80 og 90 grader. De matematiske operationer af multiplikation og division gælder dog ikke for intervalvariabler. For eksempel kan vi ikke nøjagtigt sige, at 100 grader er dobbelt så varmt som 50 grader. Derudover har intervalvariabler ofte ikke et meningsfuldt nulpunkt. For eksempel betyder en temperatur på nul grader (på Celsius og Fahrenheit skalaer) ikke et fuldstændigt fravær af varme.
nogle forskere behandler variabler målt med Likert-skalaer (f.eks. med etiketter som 1 = stærkt uenig, 2 = uenig, 3 = neutral, 4 = enig og 5 = stærkt enig) som intervalvariabler. Imidlertid, behandling af Likert-skala-svar som intervaldata antager, at forskellene mellem punkter på skalaen alle er ens. Det vil sige at bruge 5-punkts Likert-skalaen som en intervalskala forudsætter, at forskellen mellem stærkt enig og enig er den samme relative forskel som mellem neutral og enig. Dette er ofte ikke en sikker antagelse at gøre, så Likert skala svar er normalt bedre stillet behandles som ordinære.
en intervalvariabel kan bruges til at beregne almindeligt anvendte statistiske mål såsom gennemsnit (gennemsnit), standardafvigelse og Pearson korrelationskoefficient. Mange andre avancerede statistiske tests og teknikker kræver også interval-eller forholdsdata.
Ratio skala Data niveauer af måling
alle aritmetiske operationer er mulige på en ratio variabel. Et eksempel på en forholdsvariabel ville være vægt (f.eks. Vi kan nøjagtigt sige, at 20 pund er dobbelt så tungt som 10 pund. Derudover har forholdsvariabler et meningsfuldt nulpunkt (f.eks. betyder nøjagtigt 0 Pund, at objektet ikke har nogen vægt). Andre eksempler på forholdsvariabler inkluderer bruttosalg af et selskab, en virksomheds udgifter, en virksomheds indkomst osv.
en forholdsvariabel kan bruges som en afhængig variabel til de fleste parametriske statistiske tests såsom t-test, F-test, korrelation og regression.