Quelle est la différence entre les variables ordinales, d’intervalle et de rapport? Pourquoi devrais-je m’en soucier?

dans les années 1940, Stanley Smith Stevens introduit quatre échelles de mesure: nominale, ordinale, intervalle et rapport. Ceux-ci sont encore largement utilisés aujourd’hui comme moyen de décrire les caractéristiques d’une variable. Connaître l’échelle de mesure d’une variable est un aspect important dans le choix de la bonne analyse statistique.,

Nominale

Une échelle nominale décrit une variable avec des catégories qui n’ont pas d’ordre naturel ou de classement. Vous pouvez coder des variables nominales avec des nombres si vous le souhaitez, mais l’ordre est arbitraire et tous les calculs, tels que le calcul d’une moyenne, d’une médiane ou d’un écart type, n’auraient aucun sens.,

exemples de variables nominales:

• génotype, groupe sanguin, code postal, sexe, race, couleur des yeux, parti politique

Ordinal

Une échelle ordinale est celle où l’ordre compte mais pas la différence entre les valeurs.

des Exemples de variables ordinales suivants:

Notez les différences entre les catégories n’ont pas nécessairement la même signification. Par exemple, la différence entre les deux niveaux de revenu « à moins de 50K” et « 50K-100K” n’a pas le même sens que la différence entre les deux niveaux de revenu « 50K-100K” et « plus de 100”.,

faites des choix d’analyse plus éclairés et plus précis avec Prism. Commencez votre essai gratuit de Prism.

intervalle

Une échelle d’intervalle est une échelle où il y a un ordre et la différence entre deux valeurs est significative.

des exemples de variables d’intervalle incluent:

• température (Farenheit), température (Celcius), pH, score SAT (200-800), pointage de crédit (300-850).

Rapport

Un ratio variable, a toutes les propriétés d’un intervalle variable, et dispose également d’une définition claire de 0.0. Lorsque la variable est égale à 0,0, il n’y a aucune de cette variable.,

des exemples de variables de rapport incluent:

• activité enzymatique, quantité de dose, vitesse de réaction, débit, concentration, impulsion, poids, longueur, température en Kelvin (0.0 Kelvin signifie vraiment « pas de chaleur”), temps de survie.

lorsque vous travaillez avec des variables de rapport, mais pas avec des variables d’intervalle, le rapport de deux mesures a une interprétation significative. Par exemple, parce que le poids est une variable de rapport, un poids de 4 grammes est deux fois plus lourd qu’un poids de 2 grammes. Cependant, une température de 10 degrés C ne doit pas être considérée comme deux fois plus chaude que 5 degrés C., Si c’était le cas, un conflit serait créé parce que 10 degrés C est 50 degrés F et 5 degrés C est 41 degrés F. clairement, 50 degrés ne sont pas deux fois 41 degrés. Un autre exemple, un pH de 3 n’est pas deux fois plus acide qu’un pH de 6, car le pH n’est pas une variable de rapport.

en Savoir plus sur la différence entre la valeur nominale, ordinale, d’intervalle et de données de rapport avec cette vidéo de NurseKillam

la connaissance de l’échelle de mesure pour les variables peuvent aider à prévenir de telles erreurs en prenant la moyenne d’un groupe de zip (postale), des codes, ou en prenant le rapport de deux valeurs de pH., Au-delà de cela, connaître l’échelle de mesure de vos variables ne vous aide pas vraiment à planifier vos analyses ou à interpréter les résultats.

Notez que, parfois, l’échelle de mesure d’une variable n’est pas claire. Quel type de variable est la couleur? Dans une étude psychologique de la perception, différentes couleurs seraient considérées comme nominales. Dans une étude de physique, la couleur est quantifiée par longueur d’onde, de sorte que la couleur serait considérée comme une variable de rapport. Qu’en est l’importance?

Il y a des occasions où vous aurez un certain contrôle sur l’échelle de mesure., Par exemple, avec la température, vous pouvez choisir degrés C ou F et avoir une échelle d’intervalle ou choisir degrés Kelvin et avoir une échelle de rapport. Avec le niveau de revenu, au lieu d’offrir des catégories et d’avoir une échelle ordinale, vous pouvez essayer d’obtenir le revenu réel et avoir un ratio de l’échelle. D’une manière générale, vous voulez vous efforcer d’avoir une échelle vers la fin du rapport par opposition à la fin nominale.

Gagnez du temps en effectuant des analyses statistiques avec Prism. Essayez Prism gratuitement.,

Testez votre compréhension des échelles nominales, ordinales, D’intervalle et de rapport

chaque échelle est représentée une fois dans la liste ci-dessous.

• barre chocolatée préférée
• Poids des bagages
• année de votre naissance
• taille des œufs (Petit, Moyen, Grand, extra large, jumbo)

chaque échelle est représentée une fois dans la liste ci-dessous.,

• grade militaire
• Nombre D’enfants dans une famille
• numéros de maillot pour une équipe de football
• pointure de chaussure

réponses: N,R,I,O et O,R,N,I

Quantitative (numérique) vs Qualitative (catégorique)

Il existe d’autres façons de classer les variables L’un est qualitatif vs quantitatif. Les variables qualitatives sont descriptives / catégorielles. De nombreuses statistiques, telles que la moyenne et l’écart type, n’ont pas de sens à calculer avec des variables qualitatives., Les variables quantitatives ont une signification numérique, de sorte que les statistiques telles que les moyennes et les écarts types ont du sens.

Ce type de classification peut être important de connaître afin de choisir le bon type de l’analyse statistique. Par exemple, le choix entre régression (quantitative X) et ANOVA (qualitative X) est basé sur la connaissance de ce type de classification pour la ou les variables X dans votre analyse.

Les variables quantitatives peuvent être classées en variables discrètes et continues., Les variables discrètes peuvent prendre soit un nombre fini de valeurs, soit un nombre infini, mais dénombrable de valeurs. Le nombre de patients dont la taille de la tumeur est réduite en réponse à un traitement est un exemple de variable aléatoire discrète qui peut prendre un nombre fini de valeurs. Le nombre d’accidents de voiture à une intersection est un exemple d’une variable aléatoire discrète qui peut prendre un nombre infini dénombrable de VALEURs (il n’y a pas de limite supérieure fixe au nombre).

Les variables continues peuvent prendre une infinité de valeurs, telles que la pression artérielle ou la température corporelle., Même si les mesures réelles peuvent être arrondies au nombre entier le plus proche, en théorie, il y a une température corporelle exacte qui sort plusieurs décimales, ce qui rend les variables telles que la pression artérielle et la température corporelle continues.

Il est important de savoir si vous avez une variable discrète ou continue lors de la sélection d’une distribution pour modéliser vos données. Les distributions binomiales et de Poisson sont des choix populaires pour les données discrètes, tandis que les distributions gaussienne et lognormale sont des choix populaires pour les données continues.,

Testez votre compréhension de discret vs continu

la liste ci-dessous contient 3 variables discrètes et 3 variables continues:

• Nombre de patients aux urgences
• tension artérielle d’un patient
• Poids D’un patient
• pouls D’un patient
• temps d’attente aux urgences arrondi à la minute la plus proche
• Taille de la tumeur

réponses: C,D,D,C

remarque,même si une variable peut être discrète,si la variable prend suffisamment de valeurs différentes, elle est souvent traitée comme continue., Par exemple, la plupart des analystes traiteraient le nombre de battements cardiaques par minute comme continu, même s’il s’agit d’un comptage. Le principal avantage de traiter une variable discrète avec de nombreuses valeurs uniques différentes comme continue est de supposer la distribution gaussienne dans une analyse.

Commencez votre essai gratuit de Prism.