poziom pomiaru odnosi się do zależności między wartościami, które są przypisane do atrybutów zmiennej. Co to znaczy? Zacznij od idei zmiennej, w tym przykładzie ” Przynależność partyjna.”
ta zmienna ma wiele atrybutów. Załóżmy, że w tym konkretnym kontekście wyborczym jedynymi istotnymi atrybutami są „republikanin”, ” demokrata „i”niezależny”., Do celów analizy wyników tej zmiennej, dowolnie przypisujemy wartości 1, 2I 3 do trzech atrybutów. Poziom pomiaru opisuje zależność między tymi trzema wartościami. W tym przypadku po prostu używamy liczb jako krótszych elementów zastępczych dla dłuższych terminów tekstowych. Nie zakładamy, że wyższe wartości oznaczają „więcej” czegoś, a niższe liczby oznaczają „mniej”. Nie zakładamy, że wartość 2 oznacza, że Demokraci to dwa razy więcej niż Republikanie., Nie zakładamy, że Republikanie są na pierwszym miejscu lub mają najwyższy priorytet tylko dlatego, że mają wartość 1. W tym przypadku używamy tylko wartości jako krótszej nazwy atrybutu. Tutaj opisalibyśmy poziom pomiaru jako „nominalny”.
dlaczego poziom pomiaru jest ważny?
Po pierwsze, znajomość poziomu pomiaru pomaga zdecydować, jak zinterpretować dane z tej zmiennej. Kiedy wiesz, że miara jest nominalna (jak ta właśnie opisana), to wiesz, że wartości liczbowe są tylko krótkimi kodami dla dłuższych nazw., Po drugie, znajomość poziomu pomiaru pomaga zdecydować, jaka analiza statystyczna jest odpowiednia dla przypisanych wartości. Jeśli miara jest nominalna, wiesz, że nigdy nie uśrednisz wartości danych lub nie wykonasz testu t NA danych.
są zazwyczaj cztery poziomy pomiaru, które są zdefiniowane:
- nominalne
- porządkowe
- interwał
- stosunek
w pomiarze nominalnym wartości liczbowe po prostu „nazwa” atrybutu jednoznacznie. Kolejność spraw nie jest sugerowana. Na przykład numery jersey w koszykówce są miary na poziomie nominalnym., Gracz z numerem 30nie jest niczym więcej niż graczem z numerem 15, a na pewno nie jest dwukrotnie mniejsza niż liczba 15.
w pomiarze porządkowym atrybuty mogą być uporządkowane według rangi. Tutaj odległości między atrybutami nie mają żadnego znaczenia. Na przykład w ankiecie można kodować poziom wykształcenia jako 0=mniej niż szkoła średnia; 1=jakaś szkoła średnia.; 2=wykształcenie średnie; 3=jakieś studia; 4 = studia; 5 = studia podyplomowe. W tym miarze wyższe liczby oznaczają więcej wykształcenia., Ale czy odległość od 0 do 1 jest taka sama jak 3 do 4? Oczywiście, że nie. Odstęp między wartościami nie jest interpretowalny w miarze Porządkowej.
w pomiarze interwału odległość między atrybutami ma znaczenie. Na przykład, gdy mierzymy temperaturę (w Fahrenheicie), odległość od 30-40 jest taka sama jak odległość od 70-80. Odstęp między wartościami jest interpretowalny. Z tego powodu ma sens obliczanie średniej zmiennej interwałowej, gdzie nie ma sensu robić tego dla skal porządkowych., Ale zauważ, że w pomiarach interwałowych nie ma sensu-80 stopni nie jest dwa razy gorący niż 40 stopni(chociaż wartość atrybutu jest dwa razy większa).
wreszcie w pomiarze proporcji zawsze jest ZERO bezwzględne, które ma znaczenie. Oznacza to, że można skonstruować wymowny ułamek (lub stosunek) ze zmienną ratio. Waga jest zmienna w stosunku. W stosowanych badaniach społecznych większość zmiennych „count” to stosunek, na przykład liczba klientów w ciągu ostatnich sześciu miesięcy. Dlaczego?, Ponieważ możesz mieć zero klientów i dlatego, że warto powiedzieć, że ” … mieliśmy dwa razy więcej klientów w ciągu ostatnich sześciu miesięcy niż w ciągu ostatnich sześciu miesięcy.”
ważne jest, aby uznać, że istnieje hierarchia implikowana w idei poziomu pomiaru. Na niższych poziomach pomiaru założenia są zwykle mniej restrykcyjne, a analizy danych są mniej wrażliwe. Na każdym poziomie w hierarchii, obecny poziom zawiera wszystkie cechy tego poniżej i dodaje coś nowego. Ogólnie rzecz biorąc, pożądane jest posiadanie wyższego poziomu pomiaru (np.,, interwał lub stosunek), a nie niższy (nominalny lub porządkowy).