översikt
på den här sidan lär du dig om de fyra datanivåerna för mätning (nominell, ordinär, intervall och förhållande) och varför de är viktiga. Låt oss ta itu med den viktiga delen först.
att veta mätnivån för dina variabler är viktigt av två skäl. Var och en av mätnivåerna ger en annan detaljnivå. Nominell ger minsta detalj, ordinal ger nästa högsta detalj, och intervall och förhållande ger mest detalj.
i en nominell nivåvariabel grupperas värden i kategorier som inte har någon meningsfull ordning. Till exempel är kön och politisk tillhörighet nominella nivåvariabler. Medlemmar i gruppen tilldelas en etikett i den gruppen och det finns ingen hierarki. Typisk beskrivande statistik associerad med nominella data är frekvenser och procentsatser.
Upptäck hur vi hjälper till att redigera dina Avhandlingskapitel
anpassa teoretiska ramar, samla artiklar, syntetisera luckor, formulera en tydlig metodik och dataplan och skriva om de teoretiska och praktiska konsekvenserna av din forskning är en del av våra omfattande avhandlingstjänster.
- ta med avhandlingsredigeringsexpertis till kapitel 1-5 i tid.
- spåra alla ändringar och arbeta sedan med dig för att få till stånd vetenskapligt skrivande.
- pågående stöd för att ta itu med utskottets feedback, minska revideringar.
ordinära nivåvariabler är nominella nivåvariabler med en meningsfull ordning. Till exempel kan hästkapplöpningsvinnare tilldelas etiketter för första, andra, tredje, fjärde etc. och dessa etiketter har ett ordnat förhållande mellan dem (dvs första är högre än andra, andra är högre än tredje osv.). Som med nominella nivåvariabler beskrivs ordinära nivåvariabler vanligtvis med frekvenser och procentsatser.
intervall-och kvotnivåvariabler (även kallade kontinuerliga nivåvariabler) har de mest detaljerade associerade med dem. Matematiska operationer som addition, subtraktion, multiplikation och division kan tillämpas exakt på värdena för dessa variabler. En exempelvariabel skulle vara mängden mjölk som används i kakrecept (mätt i koppar). Denna variabel har aritmetiska egenskaper så att 2 koppar mjölk är exakt dubbelt så mycket som 1 kopp mjölk. Dessutom är skillnaden mellan 1 och 2 koppar mjölk exakt densamma som skillnaden mellan 2 och 3 koppar mjölk. Intervall-och förhållandenivåvariabler beskrivs vanligtvis med hjälp av medel och standardavvikelser.
den andra anledningen till att mätnivåerna är viktiga att veta är att olika statistiska tester är lämpliga för variabler med olika mätnivåer. Till exempel är chi-kvadratiska tester av oberoende mest lämpliga för nominella nivådata. Mann-Whitney U-testet är mest lämpligt för en ordinär nivåberoende variabel och en nominell nivåoberoende variabel. En ANOVA är mest lämplig för en kontinuerlig nivåberoende variabel och en nominell nivåoberoende variabel. För att lära dig vilka tester som använder vilka typer av variabler, ladda ner gratis whitepaper.
nominella Datanivåer för mätning
en nominell variabel är en där värden endast fungerar som etiketter, även om dessa värden är siffror. Om vi till exempel vill kategorisera manliga och kvinnliga respondenter kan vi använda ett antal 1 för män och 2 för kvinnor. Värdena 1 och 2 i detta fall representerar emellertid inte någon meningsfull ordning eller har någon matematisk mening. De används helt enkelt som etiketter. Nominella data kan inte användas för att utföra många statistiska beräkningar, såsom medelvärde och standardavvikelse, eftersom sådan statistik inte har någon betydelse när den används med nominella variabler.
nominella variabler kan dock användas för att göra tvärtabeller. Chi-square-testet kan utföras på en tvärtabulering av nominella data.
ordinära Datanivåer för mätning
värden för ordinära variabler har en meningsfull ordning för dem. Till exempel skulle Utbildningsnivå (med möjliga värden på gymnasiet, grundexamen och examen) vara en ordinär variabel. Det finns en definitiv ordning för kategorierna (dvs. examen är högre än grundutbildning och grundutbildning är högre än gymnasiet), men vi kan inte göra några andra aritmetiska antaganden utöver det. Vi kan till exempel inte anta att skillnaden i utbildningsnivå mellan grundutbildning och gymnasium är densamma som skillnaden mellan examen och grundutbildning.
vi kan använda frekvenser, procentsatser och viss icke-parametrisk statistik med ordinära data. Medel, standardavvikelser och parametriska statistiska tester är emellertid i allmänhet inte lämpliga att använda med ordinära data.
Intervallskalans Datanivåer för mätning
för intervallvariabler kan vi göra aritmetiska antaganden om graden av skillnad mellan värden. Ett exempel på en intervallvariabel skulle vara temperatur. Vi kan korrekt anta att skillnaden mellan 70 och 80 grader är densamma som skillnaden mellan 80 och 90 grader. De matematiska operationerna för multiplikation och division gäller emellertid inte intervallvariabler. Till exempel kan vi inte exakt säga att 100 grader är dubbelt så varmt som 50 grader. Dessutom har intervallvariabler ofta inte en meningsfull nollpunkt. Till exempel betyder en temperatur på noll grader (på Celsius och Fahrenheit skalor) inte en fullständig frånvaro av värme.
vissa forskare behandlar variabler uppmätta med Likert-skalor (t.ex. med etiketter som 1 = starkt oense, 2 = oense, 3 = neutral, 4 = överens och 5 = starkt överens) som intervallvariabler. Behandling av Likert-skalansvar som intervalldata innebär dock antagandet att skillnaderna mellan punkter på skalan alla är lika. Det vill säga att använda 5-punkts Likert-skalan som en intervallskala förutsätter att skillnaden mellan starkt överens och överens är samma relativa skillnad som mellan neutral och överens. Detta är ofta inte ett säkert antagande att göra, så svar på Likert-skalan behandlas vanligtvis bättre som ordinär.
en intervallvariabel kan användas för att beräkna vanliga statistiska mått som medelvärdet (medelvärdet), standardavvikelsen och Pearson-korrelationskoefficienten. Många andra avancerade statistiska tester och tekniker kräver också intervall-eller förhållandedata.
Ratio skala data nivåer av mätning
alla aritmetiska operationer är möjliga på en ratio variabel. Ett exempel på en förhållande variabel skulle vara vikt (t.ex. i Pund). Vi kan exakt säga att 20 pund är dubbelt så tungt som 10 pund. Dessutom har förhållandevariabler en meningsfull nollpunkt (t.ex. exakt 0 pund betyder att objektet inte har någon vikt). Andra exempel på kvotvariabler inkluderar bruttoförsäljning av ett företag, ett företags utgifter, ett företags inkomster etc.
en kvotvariabel kan användas som en beroende variabel för de flesta parametriska statistiska tester såsom t-test, F-test, korrelation och regression.