Types de données et échelles de mesure : Nominal, Ordinal, Intervalle et Rapport

En statistique, il existe quatre échelles d’estimation de l’information : nominale, ordinale, intervalle et ratio. Cette approche permet simplement de sous-ordonner divers types d’informations (voici un aperçu des types d’informations mesurables). Ce thème est généralement examiné dans le cadre de l’éducation scolaire et moins fréquemment dans “cette réalité présente”. Si vous envisagez cette idée pour un test de mesure, remerciez un analyste scientifique nommé Stanley Stevens d’avoir pensé à ces termes.

Ces quatre échelles d’estimation de l’information (ostensible, ordinale, intermédiaire et proportionnelle) sont mieux comprises avec un modèle, comme vous le verrez ci-dessous.

Nominal

Et si nous commencions par le plus facile à comprendre ? Des échelles nominales sont utilisées pour le marquage des variables, sans valeur quantitative. Les échelles “nominales” pourraient essentiellement être classées “noms”. Voici quelques modèles, ci-dessous. Remarquez que ces échelles sont totalement indépendantes (pas de couverture) et qu’aucune d’entre elles n’a de centralité numérique. Une méthode décente pour se rappeler que la majorité de ces échelles est “nominale” ressemble beaucoup à “nom” et les échelles nominales sont quelque peu similaires aux “noms” ou aux noms.

Remarque : une sous-classe d’une échelle nominale ne comportant que deux classes (par exemple, homme/femme) est classée comme “dichotomique”. Si vous êtes une doublure, vous pouvez l’utiliser pour intriguer votre éducateur.

Note de récompense n° 2 : d’autres sous-catégories d’informations nominales sont “nominales avec ordre” (comme “froid, chaud, chaud, très chaud”) et nominales sans ordre (comme “homme/femme”).

Ordinal

Avec les échelles ordinales, c’est la demande de qualités qui est significative et énorme, cependant, les contrastes entre chacune d’elles ne sont pas généralement connus. Examinez le modèle ci-dessous. Pour chaque situation, nous nous rendons compte qu’un #4 est supérieur à un #3 ou #2, mais nous n’avons pas la moindre idée et ne pouvons pas mesurer à quel point il est meilleur. Par exemple, la distinction entre “bien” et “déprimé” est-elle équivalente au contraste entre “exceptionnellement heureux” et “heureux” ? On ne peut pas le dire.

Les échelles ordinales sont généralement des proportions d’idées non numériques comme l’épanouissement, la satisfaction, les désagréments, etc.

Le terme “Ordinal” est tout sauf difficile à retenir, car il ressemble à “l’ordre” et c’est ainsi qu’on se souvient des “échelles ordinales” – l’ordre est important, mais c’est tout ce que l’on obtient vraiment de celles-ci.

Note avancée : l’approche la plus idéale pour décider de la propension focale sur un grand nombre d’informations ordinales est d’utiliser le mode ou le milieu ; un perfectionniste vous révélera que la moyenne ne peut pas être caractérisée à partir d’un ensemble d’ordinaux.

Intervalle

Les échelles d’intervalle sont des échelles numériques dans lesquelles nous connaissons à la fois l’ordre et les contrastes minutieux entre les qualités. Le grand cas d’une échelle d’intervalle est la température en degrés Celsius au motif que le contraste entre chaque valeur est équivalent. Par exemple, la distinction entre 60 et 50 degrés est un 10 degrés quantifiable, tout comme le contraste entre 80 et 70 degrés.

Les échelles d’intervalle sont intéressantes parce que le domaine de l’analyse statistique de ces ensembles de données s’ouvre. Par exemple, la tendance centrale peut être mesurée par le mode, la médiane ou la moyenne ; l’écart type peut également être calculé. Comme les autres, vous pouvez vous rappeler assez bien les principaux objectifs d’une “échelle d’intervalle”. L'”intervalle” lui-même signifie “l’espace au milieu de”, ce qui est important pour rappeler que les échelles intermédiaires nous informent sur l’ordre, mais aussi sur l’incitation entre chaque élément. Voici le problème des échelles d’intervalle : elles n’ont pas de “vrai zéro”. Par exemple, il n’y a rien de la sorte comme “pas de température”, en tout cas pas avec des degrés Celsius. En raison des échelles d’intervalle, le zéro ne signifie pas la non-apparition d’une valeur significative, cependant, il s’agit en fait d’un autre chiffre utilisé sur l’échelle, similaire à 0 degré Celsius. Les nombres négatifs ont également une signification. Sans un véritable zéro, il est difficile de traiter les proportions. Avec les informations sur les intervalles, nous pouvons inclure et soustraire, mais nous ne pouvons pas dupliquer ou omettre. Confus ? Très bien, réfléchissez : 10 degrés C + 10 degrés C = 20 degrés C. Aucun problème. 20 degrés C n’est pas deux fois plus chaud que 10 degrés C, en tout cas, étant donné qu’il n’y a rien de tel que “pas de température” en ce qui concerne l’échelle des degrés Celsius. Au moment où l’on passe en Fahrenheit, on ne peut pas s’y tromper : 10C=50F et 20C=68F, ce qui n’est pas deux fois plus chaud. J’espère que cela est de bon augure. En résumé, les échelles d’intervalles sont très bien, mais nous ne pouvons pas calculer les ratios, ce qui nous amène à notre dernière échelle de mesure…

Ratio

Les échelles de ratios sont le nirvana ultime en matière d’échelles de mesure des données car elles nous renseignent sur l’ordre, elles nous indiquent la valeur exacte entre les unités, ET elles ont également un zéro absolu – ce qui permet d’appliquer un large éventail de statistiques descriptives et inférentielles. Au risque de me répéter, tout ce qui précède sur les données d’intervalle s’applique aux échelles de ratios, et les échelles de ratios ont une définition claire de zéro. De bons exemples de variables de rapport sont la taille, le poids et la durée.

Les échelles de ratios offrent une multitude de possibilités en matière d’analyse statistique. Ces variables peuvent être additionnées, soustraites, multipliées, divisées (ratios) de manière significative. La tendance centrale peut être mesurée par mode, médiane ou moyenne ; les mesures de dispersion, telles que l’écart type et le coefficient de variation, peuvent également être calculées à partir des échelles de ratios.

Les échelles de ratios sont un nirvana définitif en ce qui concerne les échelles d’estimation de l’information car elles nous éclairent sur la demande, elles nous révèlent l’incitation précise parmi les unités, ET elles ont également un zéro absolu – qui prend en considération un large éventail d’aperçus graphiques et inférentiels à appliquer. Au risque de me répéter, tout ce qui précède sur les informations intermédiaires s’applique aux échelles de proportion, en plus des échelles de proportion qui ont une signification indéniable de zéro. Les véritables exemples de facteurs de proportion comprennent la stature, le poids et l’envergure.

Les échelles de proportion donnent une abondance de résultats potentiels en ce qui concerne l’enquête mesurable. Ces variables peuvent être additionnées, soustraites, multipliées, divisées (ratios) de manière significative. L’inclinaison focale peut être estimée par mode, milieu ou moyenne ; les proportions de diffusion, par exemple l’écart type et le coefficient de variété peuvent également être déterminées à partir des échelles de proportion.

Aperçu

En gros, les facteurs ostensibles sont utilisés pour “nommer”, ou nommer une progression de qualités. Les échelles ordinales donnent de grandes données sur la demande de décisions, par exemple, dans un examen de la fidélité des consommateurs. Les échelles intermédiaires nous donnent la demande de valeurs + la capacité d’évaluer le contraste entre chacune d’elles. Enfin, les échelles de ratios nous donnent une demande définitive, des qualités intermédiaires, en plus de la capacité de calculer des proportions puisqu’un “vrai zéro” peut être caractérisé.