В статистике существует четыре шкалы измерения информации: номинальная, порядковая, интервальная и коэффициент.  Такой подход к подотделу различных типов данных (здесь приведен перечень измеряемых типов информации). Эта тема, как правило, рассматривается в связи с учебным образованием и реже – в “настоящей реальности”. Если вы рассматриваете эту идею в качестве измерительного теста, поблагодарите аналитика по имени Стэнли Стивенс за то, что он придумал эти термины.

Эти четыре шкалы оценки информации (показная, порядковая, промежуточная и пропорциональная) лучше всего воспринимаются с помощью модели, как вы увидите внизу.

Номинал

Как насчет того, чтобы начать с самого простого для понимания. Номинальные шкалы используются для обозначения переменных, не имеющих количественной ценности. “Номинальные” шкалы, по сути, могут быть классифицированы как “имена”. Вот несколько моделей, внизу. Обратите внимание, что эти шкалы абсолютно не связаны (без крышки) и ни одна из них не имеет числовой центричности. Приличный метод, позволяющий вспомнить большую часть этого, – “номинальная” – звучит очень похоже на “наименование”, а номинальные шкалы в некоторой степени сходны с “наименованиями” или названиями.

Примечание: подкласс номинальной шкалы, состоящий всего из двух классов (например, мужчина/женщина), классифицируется как “дихотомический”. Если вы студент, вы можете использовать это, чтобы заинтриговать ваших преподавателей.

Вознаграждение Примечание № 2: Другие подтипы номинальной информации являются “номинальной с порядком” (например, “холодно, тепло, горячо, очень горячо”) и номинальной без порядка (например, “мужчина/женщина”).

Ордер

С порядковыми шкалами, запрос на качества является тем, что является значительным и огромным, однако, контрасты между каждым из них не известны в общем. Исследуйте модель внизу. Для каждой ситуации мы понимаем, что четверка превосходит третью или вторую, но у нас нет самой затуманенной идеи и мы не можем измерить, насколько она лучше. Например, эквивалентно ли различие между “хорошо” и “уныло” контрасту между “Исключительно счастливы” и “Рады”? Сложно судить.

Обычные шкалы – это, как правило, пропорции нецифровых идей, таких как исполнение, удовлетворение, неудобство и так далее.

“Обычные” – это что-то, что трудно вспомнить в свете того факта, что звучит как “порядок”, и это способ вспомнить с “порядковыми весами” – порядок имеет значение, но это все, что вы действительно получаете от них.

Продвинутое примечание: Самый идеальный подход к решению очаговой склонности на большом количестве порядковой информации – это использование режима или середины; перфекционист откроет вам, что среднее не может быть охарактеризовано из порядкового множества.

Интервал

Интервальные шкалы являются числовыми шкалами, в которых мы знаем, как порядок и осторожный контраст между качествами. Большим случаем интервальной шкалы является температура по Цельсию на том основании, что контраст между каждой стоимостью эквивалентен. Например, различие где-то в диапазоне 60 и 50 градусов является квантифицируемым 10 градусами, подобно контрасту где-то в диапазоне 80 и 70 градусов.

Шкалы интервалов хороши тем, что открывается область статистического анализа на этих массивах данных.  Например, центральную тенденцию можно измерить по режиму, медиане или среднему значению; также можно рассчитать стандартное отклонение.  Как и другие, можно довольно эффективно вспомнить основные цели “интервальной шкалы”. “Интервал” сам по себе означает “пространство посередине”, что является существенным моментом для вызова промежуточных шкал, которые информируют нас о порядке, но дополнительно о стимуле между каждой единицей. Вот в чем проблема с интервальными шкалами: у них нет “настоящего нуля”. Например, нет ничего такого, как “нет температуры”, во всяком случае, не по Цельсию. Из-за интервальных шкал ноль не означает не появления значимого значения, однако на самом деле на шкале используется другое число, подобное 0 градусам Цельсия. Отрицательные числа также имеют значение. Без настоящего нуля трудно обрабатывать пропорции. С помощью интервальной информации мы можем включать и вычитать, однако, не можем дублировать или разрывать.  Запутались? Ладно, подумай об этом: 10 градусов С + 10 градусов С = 20 градусов С. Никаких проблем. 20 градусов не в два раза жарче 10 градусов, во всяком случае, в свете того, что по шкале Цельсия нет ничего подобного “нет температуры”. В момент перехода на Фаренгейт, это безошибочно: 10C=50F и 20C=68F, что явно не в два раза жарче… Суть в том, что интервальные шкалы велики, но мы не можем вычислить коэффициенты, что приводит нас к нашей последней шкале измерения…

Соотношение

Шкалы коэффициентов являются конечной нирваной, когда речь заходит о шкалах измерения данных, потому что они говорят нам о порядке, они говорят нам точное значение между единицами, И они также имеют абсолютный нуль, который позволяет применять широкий спектр как описательных, так и предпочтительных статистических данных.  Рискуя повториться, все, что было сказано выше о интервальных данных, относится к шкалам коэффициентов, плюс шкалы коэффициентов имеют четкое определение нуля.  Хорошими примерами переменных коэффициентов являются рост, вес и продолжительность.

Шкалы коэффициентов предоставляют массу возможностей, когда речь заходит о статистическом анализе. Эти переменные можно осмысленно добавлять, вычитать, умножать, делить (соотношения). Центральная тенденция может быть измерена по режиму, медиане или среднему значению; меры дисперсии, такие как стандартное отклонение и коэффициент вариации, также могут быть рассчитаны по шкалам коэффициентов.

Шкалы коэффициентов являются определяющей нирваной в отношении шкал оценки информации, поскольку они просветляют нас в отношении запроса, раскрывают нам точный стимул между единицами, и они также имеют прямой нуль, который принимает во внимание широкий спектр как графических, так и преимущественных представлений, которые должны быть применены. При опасности перефразировать себя, все вышеперечисленное о промежуточной информации относится к пропорционным шкалам, в дополнение к пропорционным шкалам, которые имеют безошибочное значение “ноль”. Подлинные примеры факторов пропорций включают в себя рост, вес и продолжительность.

Пропорциональные шкалы дают обилие потенциальных результатов в отношении поддающегося измерению расследования. Эти переменные могут быть значимо добавлены, вычтены, умножены, разделены (соотношения). Очаговое наклонение можно оценить по способу, середине или среднему значению; пропорции рассеяния, например, стандартное отклонение и коэффициент разнообразия также могут быть определены по шкалам пропорций.

Описание

В общих чертах, мнимые факторы используются для того, чтобы “назвать” или назвать продвижение качеств. Обычные шкалы дают большие данные о запросе решений, например, в обзоре лояльности потребителей. Промежуточные шкалы дают нам запрос значений + способность оценить контраст между каждым из них Наконец, шкалы соотношений дают нам окончательный запрос, промежуточные качества, в дополнение к способности вычислять пропорции, так как “истинный ноль” может быть охарактеризован.