داده های اسمی - کالج نوین

داده های اسمی

داده های اسمی، ترتیبی، بازه ای و نسبت چیست: اگر در دنیای تجزیه و تحلیل داده های کمی و آمار تازه کار هستید، به احتمال زیاد با چهار سوارکار در سطوح اندازه گیری مواجه شده اید: اسمی، ترتیبی، فاصله و نسبت. و اگر به اینجا فرود آمده اید، احتمالاً در مورد آنها کمی گیج یا نامطمئن هستید.

استرس نداشته باشید – در این پست، سطوح اسمی، ترتیبی، بازه ای و نسبت اندازه گیری را با مثال های عملی فراوان به زبان ساده توضیح خواهیم داد.

داده های اسمی
داده های اسمی – کالج نوین

سطوح اندازه گیری

وقتی در حال جمع‌آوری داده‌های نظرسنجی (یا در واقع هر نوع داده کمی) برای پروژه تحقیق خود هستید، به دو نوع داده دست خواهید یافت – طبقه‌بندی و/یا عددی. اینها سطوح مختلف اندازه گیری را منعکس می کنند.

داده‌های طبقه‌بندی، داده‌هایی هستند که ویژگی‌ها یا دسته‌ها را منعکس می‌کنند (تعجب بزرگی وجود ندارد!). به عنوان مثال، داده‌های طبقه‌بندی می‌تواند شامل متغیرهایی مانند جنسیت، رنگ مو، قومیت، ترجیح قهوه و غیره باشد.

به عبارت دیگر، داده‌های طبقه‌بندی اساساً راهی برای تخصیص اعداد به داده‌های کیفی است (به عنوان مثال 1 برای مرد، 2 برای زن، و غیره. بر).

از سوی دیگر، داده‌های عددی، داده‌هایی را منعکس می‌کنند که ذاتاً مبتنی بر اعداد و ماهیت کمی هستند. مثلا سن، قد، وزن. به عبارت دیگر، اینها چیزهایی هستند که به طور طبیعی به عنوان اعداد اندازه گیری می شوند (یعنی کمی هستند)، در مقابل داده های طبقه بندی شده (که شامل تخصیص اعداد به ویژگی ها یا گروه های کیفی است).

در هر یک از این دو دسته اصلی، دو سطح اندازه گیری وجود دارد:

داده های طبقه بندی – اسمی و ترتیبی
داده های عددی – فاصله و نسبت
بیایید هر یک از این موارد را همراه با چند مثال عملی بررسی کنیم.

داده های اسمی چیست؟

همانطور که بحث کردیم، داده‌های اسمی یک نوع داده طبقه‌بندی هستند، بنابراین ویژگی‌ها یا گروه‌های کیفی را بدون ترتیب یا رتبه‌بندی بین دسته‌ها توصیف می‌کنند. نمونه هایی از داده های اسمی عبارتند از:

جنسیت، قومیت، رنگ چشم، گروه خونی
نام تجاری یخچال / وسیله نقلیه موتوری / تلویزیون متعلق به
ترجیح نامزد سیاسی، ترجیح شامپو، غذای مورد علاقه

داده های اسمی - کالج نوین
داده های اسمی – کالج نوین

در همه این مثال‌ها، گزینه‌های داده طبقه‌بندی شده‌اند و هیچ رتبه‌بندی یا ترتیب طبیعی وجود ندارد. به عبارت دیگر، همه آنها ارزش یکسانی دارند – یکی بالاتر از دیگری رتبه بندی نمی شود.

بنابراین، می‌توانید داده‌های اسمی را به‌عنوان ابتدایی‌ترین سطح اندازه‌گیری مشاهده کنید که منعکس‌کننده دسته‌ها بدون رتبه یا ترتیبی است.

داده های ترتیبی چیست؟

داده های معمولی همه چیز را یک درجه بالا می برد. این همان داده‌های اسمی است که به دسته‌ها نگاه می‌کند، اما برخلاف داده‌های اسمی، ترتیب یا رتبه معنی‌داری بین گزینه‌ها نیز وجود دارد. در اینجا چند نمونه از داده های ترتیبی آورده شده است:

سطح درآمد (به عنوان مثال درآمد کم، درآمد متوسط، درآمد بالا)
سطح توافق (مثلاً کاملاً مخالف، مخالف، بی طرف، موافق، کاملاً موافق)
جهت گیری سیاسی (مثلاً چپ، چپ، وسط، راست، راست افراطی)

همانطور که در این مثال ها می بینید، همه گزینه ها همچنان دسته هستند، اما بین گزینه ها تفاوت ترتیب یا رتبه بندی وجود دارد. نمی‌توانید تفاوت‌های بین گزینه‌ها را به صورت عددی اندازه‌گیری کنید (چون در نهایت آنها دسته‌بندی هستند)، اما می‌توانید آنها را مرتب کنید و/یا به‌طور منطقی رتبه‌بندی کنید.

بنابراین، شما می توانید ترتیبی را به عنوان یک سطح اندازه گیری کمی پیچیده تر از اسمی ببینید.

داده های بازه ای چیست؟

همانطور که قبلاً بحث کردیم، داده های بازه ای یک نوع داده عددی هستند. به عبارت دیگر، سطحی از اندازه گیری است که شامل داده هایی است که به طور طبیعی کمی هستند (معمولاً با اعداد اندازه گیری می شوند).

به طور خاص، داده‌های بازه‌ای دارای نظم هستند (مانند داده‌های ترتیبی)، به علاوه فضاهای بین نقاط اندازه‌گیری برابر هستند (برخلاف داده‌های ترتیبی).

کمی مفهومی به نظر می رسد؟ بیایید به چند نمونه از داده های بازه ای نگاهی بیندازیم:

امتیازات اعتباری (300 – 850)
نمرات GMAT (200 – 800)
نمرات IQ
درجه حرارت بر حسب فارنهایت
نکته مهم این است که در تمام این نمونه‌های داده‌های بازه‌ای، نقاط داده عددی هستند، اما نقطه صفر دلخواه است. برای مثال، دمای صفر درجه فارنهایت به این معنی نیست که دما وجود ندارد (یا اصلاً گرما وجود ندارد) – فقط به این معنی است که دما 10 درجه کمتر از 10 است. به طور مشابه، شما نمی توانید نمره اعتبار صفر یا نمره GMAT را بدست آورید. .

داده های اسمی ، به عبارت دیگر، داده‌های بازه‌ای سطحی از اندازه‌گیری است که عددی است (و می‌توانید فاصله بین نقاط را اندازه‌گیری کنید)، اما نقطه صفر معنی‌داری ندارد – صفر دلخواه است.

داده نسبت چیست؟

داده های اسمی نوع نسبت پیچیده ترین سطح اندازه گیری است. مانند داده‌های بازه‌ای، مرتب/رتبه‌بندی می‌شود و فاصله عددی بین نقاط ثابت است (و قابل اندازه‌گیری است).

اما چیزی که آن را به پادشاه اندازه گیری تبدیل می کند این است که نقطه صفر یک صفر مطلق را منعکس می کند (برخلاف نقطه صفر دلخواه داده های بازه ای). به عبارت دیگر، اندازه گیری صفر به این معنی است که چیزی از آن متغیر وجود ندارد.

در اینجا چند نمونه از داده های نسبت آورده شده است:

وزن، قد یا طول
دما بر حسب کلوین (از آنجایی که صفر کلوین به معنای گرمای صفر است)
مدت زمان/مدت زمان (به عنوان مثال ثانیه، دقیقه، ساعت)
در تمام این مثال ها می بینید که نقطه صفر مطلق است. به عنوان مثال، صفر ثانیه کاملاً تحت اللفظی به معنای مدت زمان صفر است. به همین ترتیب، وزن صفر به معنای بی وزنی است.

این یک عدد دلخواه نیست. این همان چیزی است که داده های نوع نسبت را به پیچیده ترین سطح اندازه گیری تبدیل می کند.

داده های اسمی ، با داده های نسبت، نه تنها می توانید به طور معنی داری فاصله بین نقاط داده را اندازه گیری کنید (یعنی جمع و تفریق) – همچنین می توانید به طور معنی داری ضرب و تقسیم کنید.

داده های اسمی ، به عنوان مثال، 20 دقیقه در واقع دو برابر زمان 10 دقیقه است. شما نمی توانید این کار را با امتیازات اعتباری (یعنی داده های بازه زمانی) انجام دهید، زیرا چیزی به نام نمره اعتباری صفر وجود ندارد. به همین دلیل است که داده های نسبت در سرزمین سطوح اندازه گیری پادشاه هستند.

داده های اسمی - کالج نوین
داده های اسمی – کالج نوین

چرا مهم است؟

داده های اسمی ، دلیل اهمیت درک سطوح اندازه‌گیری در داده‌های شما – اسمی، ترتیبی، فاصله و نسبت – این است که مستقیماً بر تکنیک‌های آماری تأثیر می‌گذارند که می‌توانید در تجزیه و تحلیل خود استفاده کنید.

داده های اسمی ، هر آزمون آماری فقط با انواع خاصی از داده ها کار می کند. برخی از تکنیک ها با داده های طبقه ای (یعنی داده های اسمی یا ترتیبی) کار می کنند، در حالی که برخی دیگر با داده های عددی (یعنی داده های فاصله یا نسبت) – و برخی با ترکیبی کار می کنند.

داده های اسمی ، در حالی که نرم افزارهای آماری مانند SPSS یا R ممکن است به شما اجازه دهند آزمایش را با نوع اشتباه داده انجام دهید، نتایج شما در بهترین حالت ناقص و در بدترین حالت بی معنی خواهد بود.

مقدمه – قبل از تصمیم گیری در مورد تکنیک های تجزیه و تحلیل آماری، مطمئن شوید که تفاوت بین سطوح مختلف اندازه گیری را درک کرده اید.

داده های اسمی ، حتی بهتر از آن، به این فکر کنید که چه نوع داده‌هایی را می‌خواهید در مرحله طراحی نظرسنجی جمع‌آوری کنید (و نظرسنجی خود را مطابق با آن طراحی کنید) تا بتوانید پیچیده‌ترین تحلیل‌های آماری را پس از بدست آوردن داده‌های خود اجرا کنید.

به یاد داشته باشید، سطح اندازه‌گیری مستقیماً بر تکنیک‌های آماری تأثیر می‌گذارد که می‌توانید در تجزیه و تحلیل خود استفاده کنید، بنابراین مطمئن شوید که همیشه داده‌های خود را قبل از استفاده از هر تکنیکی طبقه‌بندی کنید.

این مقاله را مطالعه کنید  روش کیفی در پایان نامه

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

19 − نه =

شروع گفتگو
نیاز به کمک دارید؟
سلام
چطور می تونم کمکتون کنم؟