Sind Sie der Typ, der mit ein wenig Freiheit und der Fähigkeit, „aus der Hüfte zu schießen“, besser arbeitet? Oder mögen Sie es, wenn die Dinge jedes Mal streng und ordentlich gemacht werden? Dies ist eine Art nominale vs ordinale Daten. Nominale und ordinale Daten werden beide als kategoriale Datenvariablen betrachtet, aber ganz unterschiedlich verwendet.
Während nominale und ordinale Daten hier im Mittelpunkt stehen, ist es wichtig, die beiden anderen Arten von Datenmessskalen in Forschung und Statistik, Intervall- und Verhältnisdaten, zu beachten, die numerische oder quantifizierbare Daten sind. Wir werden diese später auch kurz ansprechen.
Erstellen Sie jetzt Ihre nominale oder ordinale Datenerhebung!
Was sind Nominaldaten?
Nominaldaten (vom lateinischen Wort „nomen“ für „benannte“ Daten) sind Daten, die Variablen ohne numerischen Wert benennen oder beschriften. Das einfachste Beispiel wäre „Ja“ oder „Nein.“ Dies sind zwei Kategorien, aber es gibt keine Möglichkeit, sie vom höchsten zum niedrigsten oder vom Besten zum schlechtesten zu ordnen. Das gleiche könnte für eine demografische Frage wie „Rasse“ gesagt werden.“ Es wird zwar zahlreiche Kategorien geben, die ausgewählt werden können, aber es gibt keine Art von Reihenfolge, die ihnen zugewiesen werden kann. Nominale Daten werden also verwendet, um Informationen über eine Gruppe oder einen Satz von Ereignissen zu sammeln, die auf nur Zählungen beschränkt sind. Der Datentyp stellt eine Tatsache dar, keine Präferenz.
Was sind Ordinaldaten?
Ordinale Daten sind Daten, die „geordnet“ sind.“ Die Variablen erhalten eine Nummer, die ihr Ranking in einer Liste angibt. Forscher verwenden diese Daten, um Meinungen zu beschriften. Wenn ein Restaurant beispielsweise Kunden fragt, wie zufrieden sie mit dem Service waren, kann der Kunde möglicherweise 1-5 auswählen, wobei 1 schlecht und 5 ausgezeichnet ist. Die Zahlen haben also eine Reihenfolge oder einen Rang, da 5 eindeutig besser ist als 1. Es ist wichtig zu beachten, dass Ordinaldaten einer Meinung zwar einen numerischen Wert zuweisen, dies jedoch kein quantitatives Maß ist, da ein Ranking von 5 zwar besser als 1 ist, dies jedoch nicht unbedingt fünfmal besser bedeutet.
7 Überlegungen zur Verwendung von Ordinal- und Nominaldaten
Nominal- und Ordinaldaten spielen eine wichtige Rolle in Statistik und Vermessung. Ordinalskalen bieten normalerweise einen hohen Detaillierungsgrad, während Nominalskalen Details begrenzen. Das Verständnis dieser Unterschiede kann Einfluss darauf haben, welchen Typ Sie auswählen und wie Sie Ihre Daten analysieren.
Datenanalyse
Die Datenanalyse unterscheidet sich je nachdem, ob Sie eine nominale oder ordinale Skala wählen. Während der Analyse werden nominale Daten in Kategorien eingeteilt, in der Regel mit einem Prozentsatz (40% sagten ja, 60% sagten nein). Für Originaldaten werden komplexere Berechnungen durchgeführt, bei denen häufig der Modus, der Median und andere Positionsmaße wie Quartile, Perzentile usw. bestimmt werden.
Arten von Fragen
Die Arten von Fragen, die Sie stellen, variieren wahrscheinlich je nachdem, ob Sie ordinale oder nominale Daten sammeln. Die nominale Datenerfassung umfasst häufig Ja / Nein-Fragen, Daumen hoch / runter oder Multiple-Choice-Fragen. Nominell gesinnte Fragen sind manchmal auch offen (so dass die Person eine Antwort schreiben kann). Für ordinale Fragen verwenden die meisten Forscher eine Likert-Skala, Intervallskala, Bewertungsskala usw. Obwohl sich diese Erhebungstechniken voneinander unterscheiden, könnte ein einzelner Fragebogen sowohl nominale als auch ordinale Datenerhebungstechniken verwenden (und viele Umfragen tun dies).
Benutzerfreundlichkeit
Sofern Sie keine Anreize anbieten oder ein sehr engagiertes Publikum haben, ist die nominale Datenerfassung für die Teilnehmer in der Regel zeitaufwändiger und es ist weniger wahrscheinlich, dass Sie hohe Rücklaufquoten erhalten. Das liegt daran, dass sie mehrere Auswahlmöglichkeiten in Betracht ziehen oder die Lücken einer offenen Frage „ausfüllen“ müssen, die manche als ermüdend empfinden. Auf der anderen Seite mussten sie für Ordinaldaten lediglich aus einer Skala auswählen, was den Prozess vereinfachte. Emojis können sogar zu den Zahlen hinzugefügt werden (1 = 😠, 2 = 😔, 3 = 😑, 4 = 🙂, 5 = 😀) machen Sie die Umfrage noch unterhaltsamer oder benutzerfreundlicher.
Meinungsfreiheit
Ordinaldaten erfordern die Auswahl einer Skala, die sich hervorragend für die Datenanalyse eignet, den Befragten jedoch keine Meinungsfreiheit bietet. Wenn jemand zum Beispiel den Service als schlecht einstuft, möchte er vielleicht genau schreiben, warum er schlecht war (zum Beispiel möchte er vielleicht erklären, dass der Kellner großartig war, aber das Essen war schrecklich). Natürlich können Forscher die Option wählen, eine Ordinalskala gefolgt von einer nominalen, offenen Frage anzugeben (erzählen Sie uns mehr über Ihre Erfahrungen …). Dies gibt einem Unternehmen eine Vorstellung von der Zufriedenheit eines Kunden und was seine Gefühle beeinflusst hat.
Inklusivität
Hand in Hand mit # 4 geht es um Inklusivität. Bei Ordinalvariablen sind die Befragten auf eine Reihe vordefinierter Optionen beschränkt. Dies gilt auch für viele ordinale Fragen, die oft auf Multiple Choice beruhen. Ordinale Fragen können jedoch auch offen sein und Meinungsfreiheit bieten, indem sie es den Menschen ermöglichen, in ihre Antworten zu schreiben. Wenn Sie beispielsweise nach Geschlecht fragen, schreiben die Befragten in ihre Antworten, damit sie nicht in eine strenge männliche / weibliche Antwort für nicht-binäre oder Transgender-Personen eingeschlossen sind. Dies ermöglicht es ihnen, sich nach Belieben zu identifizieren und die Umfrage umfassender zu gestalten. Lesen Sie mehr über DEI-Umfragen (Diversity, Equity und Inclusion).
Beseitigung irrelevanter Daten
Den Befragten die Freiheit zu geben, sich auszudrücken, kann für die Forscher mit Zeitkosten verbunden sein, die auch in Betracht gezogen werden sollten, je nachdem, wie schnell die Ergebnisse zusammengestellt werden müssen. Nominale Daten liefern oft wertvolle Einblicke, können aber auch irrelevante Daten enthalten, die Analysten durchforsten müssen. Daher ist es wichtig, abzuwägen, was Sie mit der Forschung oder Umfrage erreichen möchten, wenn Sie entscheiden, welche Art von Daten gesammelt werden sollen. Betrachten Sie eine Frage über die Leistung eines Präsidenten. In einer Ordnungsfrage können Sie einen Befragten bitten, die Leistung des Präsidenten zu bewerten; Jetzt kann der Befragte mit der Arbeit des Präsidenten zufrieden sein, aber einen kürzlichen persönlichen Skandal peinlich finden. Sie weisen also eine 2 von 5 zu, was die Leistung schlecht widerspiegelt, obwohl dies nicht das Problem ist. Eine nominelle, offene Frage hätte jedoch zwischen Leistung und Skandal unterscheiden können.
Einfacher Vergleich
Wie einfach müssen Sie schließlich die Antworten vergleichen? Nominale Daten sind nicht immer einfach zu vergleichen; eine Frage könnte haben 8 Multiple-Choice-Antworten, was zu einer Vielzahl von Möglichkeiten führt, oder offene Fragen, denen nur schwer ein Wert zugewiesen werden kann. Auf der anderen Seite sind Ordinaldaten sehr einfach zu vergleichen, was es äußerst praktisch macht, die Variablen nach der Bestellung zu gruppieren.
Verhältnis- und Intervallvariablen
Um Sie über die anderen Arten von Daten, die in Forschung und Statistik verwendet werden, Intervall- und Verhältnisdaten, auf dem Laufenden zu halten, wollten wir sie auch kurz behandeln. Diese Daten werden als numerische oder quantifizierbare Daten klassifiziert. Verhältnisvariablen beginnen mit Null, die die Gleichheit zwischen zwei Dingen darstellen (im Vergleich zu Ordinalvariablen, die, wie bereits erwähnt, keine Gleichheit zwischen Dingen darstellen). Verhältnisdaten stellen relative Unterschiede dar. Vergleicht man beispielsweise die Bevölkerung der Vereinigten Staaten mit China, könnte eine Verhältnisvariable die USA als Nullbasis mit 311 Millionen Menschen annehmen, was China mit 1,3 Milliarden Menschen einen Verhältniswert von 4,29 ergibt. Das bedeutet, dass China 4,29 so viele Menschen hat wie die Vereinigten Staaten.
Intervallvariablen hingegen können unter Null fallen. Sie halten keinen wahren Nullpunkt und können beispielsweise bei der Temperatur Werte unter Null darstellen. Es ist möglich zu messen temperatur unter 0 grad Celsius, wie-10 grad, erfordern eine intervall skala. Höhe oder Gewicht messen? Diese gehen von 0 und höher und erfordern eine Verhältnisvariable.
Fazit
Wenn Sie mit einer Studie oder Umfrage beginnen, ist es wichtig zu entscheiden, ob Sie nominale oder ordinale Daten sammeln möchten. Natürlich können Sie auch eine Kombination aus beidem wählen. Bei der Entscheidung, welche für Ihre Forschung am besten geeignet ist, müssen Sie viele Überlegungen anstellen, die wir hier beschrieben haben. Wenn Sie bereit sind, Ihre nominale oder ordinale Datenerhebung zu starten, ist SurveyLegend hier! Unsere Umfragen sind einfach zu bedienen und Sie können wählen, welche Art von Fragen Sie stellen möchten und welche Art von Daten Sie zurückerhalten möchten. Laden Sie unbedingt unseren Leitfaden herunter, wie Sie Umfragefragen wie ein Experte schreiben, um weitere Informationen zu erhalten!
Welche Art der Datenerfassung bevorzugen Sie, nominale vs. ordinale Daten? Oder bevorzugen Sie eine Kombination aus beidem? Lass es uns in den Kommentaren wissen!
Erstellen Sie jetzt Ihre nominale oder ordinale Datenerhebung!
Häufig gestellte Fragen (FAQs)
Nominaldaten fügt einen Namen oder Beschriftungsvariablen ohne numerischen Wert hinzu. Antworten sind in der Regel Ja / Nein, Multiple Choice oder Open-Ended.
Ordinaldaten weisen Antworten Zahlen zu, um eine Rangfolge anzuzeigen. Verwenden Sie Likert-Skalen, wenn Sie jemanden bitten, sein Serviceniveau nach einer Transaktion zu bewerten.
Nominale Daten geben den Befragten mehr Möglichkeiten, sich auszudrücken, sodass sie mehrere Antworten auswählen oder offene Fragen ausfüllen können. Dies kann jedoch die Analyse erschweren. Ordinaldaten sind sehr einfach zu vergleichen und ermöglichen es Forschern, schnell zu Schlussfolgerungen zu kommen. Es bietet jedoch keinen Kontext für die Antworten. Daher verwenden viele Forscher eine Kombination aus beidem.
Ein Beispiel für eine nominale Variable wäre die demografische Frage der „Rasse.“ Die Befragten können zwischen mehreren Antworten wählen. Ein ordinales Datenbeispiel wäre, jemanden zu bitten, das Serviceniveau zu bewerten, das er erhalten hat.