Aperçu
Sur cette page, vous découvrirez les quatre niveaux de données de mesure (nominal, ordinal, intervalle et rapport) et pourquoi ils sont importants. Abordons d’abord la partie importante.
Connaître le niveau de mesure de vos variables est important pour deux raisons. Chacun des niveaux de mesure fournit un niveau de détail différent. Le nominal fournit le moins de détails, l’ordinal fournit le plus de détails, et l’intervalle et le rapport fournissent le plus de détails.
Dans une variable de niveau nominal, les valeurs sont regroupées en catégories qui n’ont pas d’ordre significatif. Par exemple, le sexe et l’affiliation politique sont des variables de niveau nominal. Les membres du groupe se voient attribuer une étiquette dans ce groupe et il n’y a pas de hiérarchie. Les statistiques descriptives typiques associées aux données nominales sont les fréquences et les pourcentages.
Découvrez comment Nous vous aidons à éditer vos chapitres de thèse
Aligner le cadre théorique, rassembler des articles, synthétiser les lacunes, articuler une méthodologie et un plan de données clairs, et écrire sur les implications théoriques et pratiques de votre recherche font partie de nos services complets d’édition de thèse.
- Apportez une expertise en édition de thèse aux chapitres 1 à 5 en temps opportun.
- Suivez tous les changements, puis travaillez avec vous pour apporter une écriture savante.
- Soutien continu pour répondre aux commentaires des comités, réduisant ainsi les révisions.
Les variables de niveau ordinal sont des variables de niveau nominal avec un ordre significatif. Par exemple, les gagnants de courses de chevaux peuvent se voir attribuer des étiquettes de premier, deuxième, troisième, quatrième, etc. et ces étiquettes ont une relation ordonnée entre elles (c’est-à-dire que la première est supérieure à la deuxième, la deuxième est supérieure à la troisième, etc.). Comme pour les variables de niveau nominal, les variables de niveau ordinal sont généralement décrites avec des fréquences et des pourcentages.
Les variables de niveau d’intervalle et de rapport (également appelées variables de niveau continu) sont les plus détaillées qui leur sont associées. Des opérations mathématiques telles que l’addition, la soustraction, la multiplication et la division peuvent être appliquées avec précision aux valeurs de ces variables. Un exemple de variable serait la quantité de lait utilisée dans la recette de biscuits (mesurée en tasses). Cette variable a des propriétés arithmétiques telles que 2 tasses de lait représentent exactement le double de 1 tasse de lait. De plus, la différence entre 1 et 2 tasses de lait est exactement la même que la différence entre 2 et 3 tasses de lait. Les variables de niveau d’intervalle et de rapport sont généralement décrites à l’aide de moyennes et d’écarts types.
La deuxième raison pour laquelle il est important de connaître les niveaux de mesure est que différents tests statistiques sont appropriés pour des variables avec différents niveaux de mesure. Par exemple, les tests d’indépendance du chi carré sont les plus appropriés pour les données de niveau nominal. Le test U de Mann-Whitney est le plus approprié pour une variable dépendante du niveau ordinal et une variable indépendante du niveau nominal. Une ANOVA est la plus appropriée pour une variable dépendante du niveau continu et une variable indépendante du niveau nominal. Pour savoir quels tests utilisent quels types de variables, veuillez télécharger le livre blanc gratuit.
Données nominales Niveaux de mesure
Une variable nominale est une variable dans laquelle les valeurs ne servent que d’étiquettes, même si ces valeurs sont des nombres. Par exemple, si nous voulons catégoriser les répondants masculins et féminins, nous pourrions utiliser un nombre de 1 pour les hommes et de 2 pour les femmes. Cependant, les valeurs de 1 et 2 dans ce cas ne représentent aucun ordre significatif ni n’ont de signification mathématique. Ils sont simplement utilisés comme étiquettes. Les données nominales ne peuvent pas être utilisées pour effectuer de nombreux calculs statistiques, tels que la moyenne et l’écart type, car de telles statistiques n’ont aucune signification lorsqu’elles sont utilisées avec des variables nominales.
Cependant, des variables nominales peuvent être utilisées pour effectuer des tableaux croisés. Le test du chi carré peut être effectué sur une tabulation croisée de données nominales.
Données ordinales Niveaux de mesure
Les valeurs des variables ordinales ont un ordre significatif pour elles. Par exemple, le niveau d’éducation (avec les valeurs possibles du secondaire, du diplôme de premier cycle et du diplôme d’études supérieures) serait une variable ordinale. Il existe un ordre définitif des catégories (c’est-à-dire que le diplôme d’études supérieures est supérieur au premier cycle et que le premier cycle est supérieur au secondaire), mais nous ne pouvons pas faire d’autres hypothèses arithmétiques au-delà de cela. Par exemple, nous ne pouvons pas supposer que la différence de niveau d’éducation entre le premier cycle et le secondaire est la même que la différence entre le premier cycle et le premier cycle.
Nous pouvons utiliser des fréquences, des pourcentages et certaines statistiques non paramétriques avec des données ordinales. Cependant, les moyennes, les écarts types et les tests statistiques paramétriques ne sont généralement pas appropriés à utiliser avec des données ordinales.
Données d’échelle d’intervalle Niveaux de mesure
Pour les variables d’intervalle, nous pouvons faire des hypothèses arithmétiques sur le degré de différence entre les valeurs. Un exemple de variable d’intervalle serait la température. Nous pouvons supposer à juste titre que la différence entre 70 et 80 degrés est la même que la différence entre 80 et 90 degrés. Cependant, les opérations mathématiques de multiplication et de division ne s’appliquent pas aux variables d’intervalle. Par exemple, nous ne pouvons pas dire avec précision que 100 degrés est deux fois plus chaud que 50 degrés. De plus, les variables d’intervalle n’ont souvent pas de point zéro significatif. Par exemple, une température de zéro degré (sur les échelles Celsius et Fahrenheit) ne signifie pas une absence totale de chaleur.
Certains chercheurs traitent les variables mesurées avec des échelles de Likert (par exemple, avec des étiquettes telles que 1 = fortement en désaccord, 2 = en désaccord, 3 = neutre, 4 = d’accord et 5 = fortement d’accord) comme des variables d’intervalle. Cependant, le traitement des réponses de l’échelle de Likert comme des données d’intervalle suppose que les différences entre les points de l’échelle sont toutes égales. C’est-à-dire que l’utilisation de l’échelle de Likert à 5 points comme échelle d’intervalle suppose que la différence entre fortement d’accord et d’accord est la même différence relative qu’entre neutre et d’accord. Ce n’est souvent pas une hypothèse sûre à faire, donc les réponses à l’échelle de Likert sont généralement mieux traitées comme ordinales.
Une variable d’intervalle peut être utilisée pour calculer des mesures statistiques couramment utilisées telles que la moyenne (moyenne), l’écart-type et le coefficient de corrélation de Pearson. De nombreux autres tests et techniques statistiques avancés nécessitent également des données d’intervalle ou de rapport.
Données d’échelle de rapport Niveaux de mesure
Toutes les opérations arithmétiques sont possibles sur une variable de rapport. Un exemple de variable de rapport serait le poids (par exemple, en livres). Nous pouvons dire avec précision que 20 livres est deux fois plus lourd que 10 livres. De plus, les variables de rapport ont un point zéro significatif (par exemple, exactement 0 livre signifie que l’objet n’a pas de poids). D’autres exemples de variables de ratio comprennent les ventes brutes d’une entreprise, les dépenses d’une entreprise, les revenus d’une entreprise, etc.
Une variable de rapport peut être utilisée comme variable dépendante pour la plupart des tests statistiques paramétriques tels que les tests t, les tests F, la corrélation et la régression.