Wenn Sie in irgendeiner Funktion mit Daten arbeiten, müssen Sie mit den vier wichtigsten Datentypen vertraut sein: Nominal-, Ordinal-, Intervall- und Verhältnisdaten. In diesem Blog werden wir uns auf ordinale Daten konzentrieren. Wir werden sie definieren, ihre Merkmale untersuchen und Beispiele für diese Daten liefern.
Lesen Sie weiter, um alles zu erfahren, was Sie über diese Daten, ihre Verwendung, ihre Analyse und den Unterschied zwischen nominalen und ordinalen Daten wissen müssen.
Was sind ordinale Daten?
Ordinale Daten sind ein statistischer Typ von quantitativen Daten in denen Variablen in natürlich vorkommenden geordneten Kategorien existieren. Sie kann jedoch nicht verwendet werden, um den Abstand zwischen den beiden Kategorien zu bestimmen.
In der Statistik gibt eine Gruppe von Ordnungszahlen dieseDaten an, und eine Gruppe dieser Daten wird mithilfe einer Ordinalskala. Der Hauptunterschied zwischen ordinalen und nominalen Daten besteht darin, dass ordinale Daten eine Reihenfolge der Kategorien haben, während nominale Daten keine Reihenfolge haben.
Likert-Skala ist ein beliebtes Beispiel für diese Daten. Bei einer Frage wie der folgenden: „Bitte geben Sie an, wie wichtig Ihnen der Preis für den Kauf eines Produkts ist.“, hat eine Likert-Skala die folgenden Optionen, die mit 1, 2, 3, 4 und 5 (Zahlen) kodiert sind. 1 ist kleiner als 2, was kleiner als 3 ist, was kleiner als 4 ist, was wiederum kleiner als 5 ist.
| Sehr wichtig | Wichtig | Neutral | Unwichtig | Sehr unbedeutend |
| 1 | 2 | 3 | 4 | 5 |
Ordinale Daten sind also eine Sammlung von Ordinalvariablen, d.h. wenn Sie Variablen in einer bestimmten Reihenfolge haben – „niedrig, mittel, hoch“ – können sie als diese Art von Daten dargestellt werden. Bei diesen Daten gibt es zwei wichtige Faktoren zu beachten:
- Mehrere Begriffe stellen eine „Reihenfolge“ dar, z. B. „Hoch, Höher, Am höchsten“ oder „Zufrieden, Unzufrieden, Äußerst unzufrieden“.
- Der Unterschied zwischen den Variablen ist nicht einheitlich.
Erfahren Sie mehr: Arten von Messvariablen
Verwendungen von Ordinaldaten
Diese Daten sind eine wichtige Art von Daten in vielen Bereichen und werden in Forschung und Praxis vielfältig verwendet. Hier werden wir einige wichtige Verwendungszwecke dieser Daten erörtern:
Surveys/Questionnaires
Sie wird für Umfragen und Fragebögen verwendet, da sie „geordnet“ ist. Die statistische Analyse wird verwendet, um Antworten zu sammeln und die Befragten auf der Grundlage ihrer Antworten zu kategorisieren. Bei der statistischen Analyse ist es wichtig, zwischen kategorischen und numerischen Daten zu unterscheiden, da kategorische Daten eindeutige Kategorien oder Etiketten beinhalten, während numerische Daten aus messbaren Größen bestehen.
Die Erkenntnisse aus dieser Analyse werden verwendet, um Rückschlüsse auf die Befragten in Bezug auf bestimmte Variablen zu ziehen. Sie wird hierfür häufig verwendet, da sie sich leicht kategorisieren und zusammenstellen lässt.
Research
Forscher verwenden diese Art von Daten, um nützliche Informationen über den Gegenstand ihrer Forschung zu sammeln. Medizinische Forscher müssen zum Beispiel Daten sammeln, wenn sie die Nebenwirkungen eines Medikaments untersuchen, das 50 Patienten verabreicht wurde.
Nach der Verabreichung des Medikaments kann jeder Patient gebeten werden, ein Formular auszufüllen, in dem er angibt, inwieweit er einige mögliche Nebenwirkungen verspürt.
Customer service
Diese Daten werden von Unternehmen verwendet, um den allgemeinen Kundenservice zu verbessern. Wenn Kunden eine Dienstleistung in Anspruch nehmen oder ein Produkt von einem Unternehmen kaufen, werden sie oft gebeten, ein Formular über ihre Erfahrungen auszufüllen. Diese Daten helfen den Unternehmen, ihren Kundenservice zu verbessern.
Job applications
Arbeitgeber verwenden gelegentlich eine Likert-Skala, wenn sie während des Bewerbungsverfahrens Informationen von Bewerbern einholen. Wenn sich ein Bewerber zum Beispiel für eine Stelle als Social Media Manager bewirbt, kann eine Likert-Skala verwendet werden, um festzustellen, wie vertraut der Bewerber mit Facebook, Twitter, LinkedIn usw. ist.
Merkmale von Ordinaldaten
Ordinale Daten sind eine der vier wichtigsten Messgrößen in der Statistik und weisen mehrere Merkmale auf, anhand derer sie unterschieden werden können. Im Folgenden führen wir 5 der wichtigsten auf, damit Sie sie erkennen und eine Vorstellung davon bekommen, wie oder wann Sie sie verwenden können.
- Legen Sie einen relativen Rang fest: In dem oben genannten Beispiel ist etwas angenehm definitiv schlechter als sehr angenehm, oder sehr unangenehm ist schlechter als etwas unangenehm. Es gibt eindeutig eine Rangfolge innerhalb der Optionen – ein Hinweis auf dieseArt von Daten.
- Der Wert des Intervalls ist unbekannt: Die Abweichung zwischen angenehm und angenehm ist möglicherweise nicht dasselbe wie der Unterschied zwischen etwas unangenehm und sehr unangenehm. Sie können dieses Intervall mit diesen Daten nicht berücksichtigen.
- Messen Sie nicht-numerische Merkmale: Alle Antwortmöglichkeiten im vorherigen Beispiel sind nicht-numerisch. Mit diesen Daten können Sie Gefühle wie Zufriedenheit, Glück, Häufigkeit usw. erfassen.
- Zusatz zu den Nominaldaten: Nominale Daten sind „etikettierte“ Daten. I t ist die Kennzeichnung von Daten in einer bestimmten Reihenfolge. In dem oben erwähnten Beispiel gibt es eine bemerkenswerte Reihenfolge bei den Optionen, was es zu einem klassischen Fall dieser Art von Daten macht.
- Ordinale Daten haben einen Median: Der Median ist der Wert in der Mitte einer Skala, der nicht der Mittelwert ist, und er kann mit Daten berechnet werden, die eine inhärente Ordnung haben.
Statistische Analyse von Ordinaldaten
Diese Datenanalyse ist ein statistischer Analyseplan für die Analyse von Daten mit einer natürlichen Ordnung oder Rangfolge. Diese Art von Daten wird häufig durch Umfragen oder Fragebögen erhoben. Lassen Sie uns untersuchen, wie Sie Ihre ordinalen Daten analysieren können:
Einfache Methoden der Ordinaldatenanalyse
Diese Daten werden in einem tabellarischen Format präsentiert, um erleichtern die Analyse für den Forscher. Mosaikdiagramme stellen auch die Beziehung zwischen nominalen und ordinalen Daten her.
Wenn ein Unternehmen beispielsweise die Anzahl der Mitarbeiter in jeder Hierarchie analysieren möchte, um einen systematischen Einstellungsprozess für das kommende Jahr durchzuführen, können Sie diese Daten in einem geordneten Tabellenformat bereitstellen. Für die Personalverantwortlichen sind diese Daten bei künftigen Aktualisierungen sehr leicht zu handhaben und zu analysieren.
Mann-Whitney-U-Test
Der Mann-Whitney U-Test ist wird verwendet, um zwei ordinale Datengruppen zu vergleichen. Mit diesem Test kann ein Forscher feststellen, ob eine Variable aus einer Stichprobe größer oder kleiner ist als eine andere Variable, die zufällig aus einer anderen Stichprobe ausgewählt wurde.
Psychologische Forscher können zum Beispiel Verhaltensmuster untersuchen, um zwei verschiedene Medikamente zu vergleichen.
Kruskal-Wallis H-Test
Um mehr als zwei Gruppen mit diesen Daten zu vergleichen sollte der Kruskal-Wallis H-Test verwendet werden. Bei diesem Test wird nicht angenommen, dass die Daten aus einer bestimmten Quelle stammen. Dieser Test stellt fest, ob der Median von zwei oder mehr Gruppen unterschiedlich ist. Er zeigt den Unterschied zwischen mehr als zwei Gruppen an. dieser Daten.
Ein Forscher möchte zum Beispiel die Auswirkungen von Stress am Arbeitsplatz auf die Qualität der Arbeit bewerten. In diesem Fall, die unabhängige Variable ist der Stress bei der Arbeit, der idealerweise drei Stufen hat: kein Stress, zu viel Stress und beherrschbarer Stress, und die Qualität der Arbeit variiert von schlecht bis ausgezeichnet.
Beispiele für Ordinaldaten
Es handelt sich um eine Art von kategorischen Daten, bei denen die Kategorien eine natürliche Reihenfolge oder ein Ranking haben. Hier sind einige Beispiele für diese Art von Daten:
- In einer Schule mit 3000 Schülern gibt es verschiedene Kategorien – Erstsemester, Zehntklässler, Juniors und Seniors. Nach Beginn des Semesters ist dies die Anzahl der einzelnen Kategorien:
- 1000 – Erstsemester
- 800 – Zwölftklässler
- 750 – Junioren
- 450 – Senioren
- Ein Unternehmen führt vierteljährlich eine Umfrage zur Mitarbeiterzufriedenheit durch, bei der diese Frage im Mittelpunkt steht: „Wie zufrieden sind Sie mit Ihrem Vorgesetzten und Ihren Kollegen?“
- Äußerst glücklich – 1
- Glücklich – 2
- Neural – 3
- Unglücklich – 4
- Äußerst unglücklich – 5
- Bitte bewerten Sie diese 5 meistverkauften Bücher nach Ihren Vorlieben:
- Feuer und Zorn – 1
- Eine höhere Loyalität: Wahrheit, Lügen und Führungsqualitäten – 2
- Die Frau im Fenster – 3
- Das große Alleinsein – 4
- Die subtile Kunst, sich nicht zu schämen: Eine kontraintuitive Herangehensweise an ein gutes Leben – 5
Sind Sie daran interessiert, mehr über den durchschnittlichen Bestellwert zu erfahren? Klicken Sie auf das Thema, um mehr darüber zu erfahren.
Unterschied zwischen Ordinaldaten und Nominaldaten
Daten können in der Statistik aufgrund ihrer Merkmale und Eigenschaften in verschiedene Typen eingeteilt werden. Ordinale Daten und nominale Daten sind zwei Beispiele für solche Daten.
Das Verständnis des Unterschieds zwischen ordinalen und nominalen Daten ist bei vielen statistischen Analysen wichtig, da es darüber entscheidet, welche Analysemethoden verwendet werden müssen. Hier lernen wir einige wichtige Unterschiede zwischen diesen beiden Datentypen kennen:
- Nominale Daten sind Daten, die ohne eine bestimmte Reihenfolge oder Rangfolge kategorisiert werden. Zum Beispiel sind Haarfarbe, Geschlecht und Autotypen alles Beispiele für nominale Daten. Ordinale Daten hingegen sind eine Art von Daten, die eine natürliche Ordnung oder Rangfolge aufweisen. Es handelt sich um kategoriale Daten, die nach einem bestimmten Attribut oder Merkmal geordnet werden können.
Beispiele für ordinale Daten sind das Bildungsniveau, die Einkommensspanne oder die Noten. - Sie können nominale Daten zählen, klassifizieren und kategorisieren, sie aber nicht einordnen. Ordinale Daten hingegen können Sie einordnen oder ordnen, aber der Unterschied zwischen den einzelnen Kategorien ist nicht immer erkennbar oder messbar.
- Für nominale Daten werden Kreisdiagramme verwendet. Ordinale Daten hingegen werden in einem Histogramm oder Balkendiagramm dargestellt.
Hier finden Sie eine Tabelle mit weiteren bemerkenswerten Unterschieden zwischen diesen beiden Arten von Daten.
Erfahren Sie mehr über die Unterschiede zwischen: Nominalskala vs. Ordinalskala
Wie kann QuestionPro bei der Verwaltung ordinaler Daten helfen?
QuestionPro ist eine Umfragesoftware-Plattform, die einige Funktionen und Tools bietet, die Forschern und Analysten beim Umgang mit verschiedenen Datentypen, einschließlich Ordinaldaten, helfen. QuestionPro kann bei diesen Daten auf verschiedene Weise helfen. Hier sind ein paar Beispiele:
- Entwerfen von Umfragen: Mit der Umfrageentwurfsoberfläche von QuestionPro können Sie schnell Fragen erstellen, die für die Datenerfassung geeignet sind. Sie können Bewertungsskalen, Likert-Skalen und andere Arten von ordinalen Antwortskalen verwenden, um Fragen zu erstellen.
- Datenerfassung: Es gibt viele Möglichkeiten, mit QuestionPro Daten zu sammeln, darunter Online-Umfragen, Umfragen für mobile Geräte, Umfragen für Kioske und Umfragen auf Papier. Sie können die beste Methode für Ihren speziellen Forschungsbedarf auswählen.
- Datenanalyse: QuestionPro verfügt über eine Reihe von leistungsstarken Tools zur Datenanalyse, die speziell für diese Daten entwickelt wurden. Die Software kann zum Beispiel den Median, den Modus, den Bereich, die Quartile und andere deskriptive Statistiken berechnen. Sie können auch Grafiken und Diagramme erstellen, die für die Visualisierung dieser Daten geeignet sind, wie z. B. Boxplots, Histogramme und Scatterplots.
- Berichte: QuestionPro bietet verschiedene Berichtsoptionen, die Ihnen helfen, Ihre Erkenntnisse zu vermitteln, nachdem Sie Ihre Daten gesammelt und analysiert haben. Die Berichte können in verschiedenen Formaten erstellt werden, darunter PDF, Excel und Word, und sie können so angepasst werden, dass sie nur die für Ihre Forschung relevanten Daten enthalten.
QuestionPro ist ein leistungsstarkes Tool für die Arbeit mit ordinalen Daten und kann Ihnen helfen, Ihre Daten effizient und effektiv zu erfassen, zu analysieren und zu berichten.
