Hvis du læser en statistik eksamen og har brug for at gennemgå dine data typer i denne artikel vil give dig en kort oversigt med nogle enkle eksempler.
fordi lad os se det i øjnene: ikke mange mennesker studerer datatyper for sjov eller i deres virkelige hverdag.
så lad os dykke ind.
kvantitative vs kvalitative data – hvad er forskellen?
kort sagt: kvantitativ betyder, at du kan tælle det, og det er numerisk (tænk mængde – noget du kan tælle)., Kvalitativ betyder, at du ikke kan, og det er ikke numerisk (tænk kvalitet – kategoriske data i stedet).
Boom! Enkel, ikke?
Der er endnu en sondring, vi skal komme lige før vi går videre til de faktiske datatyper, og det har at gøre med kvantitative (tal) data: diskrete vs. kontinuerlige data.
diskrete data involverer hele tal (heltal – som 1, 356 eller 9), der ikke kan opdeles ud fra arten af, hvad de er.
ligesom antallet af personer i en klasse, antallet af fingre på dine hænder eller antallet af børn nogen har. Du kan ikke have 1.,9 børn i en familie (på trods af hvad folketællingen kan sige).
kontinuerlige data er derimod det modsatte. Det kan opdeles så meget som du vil, og måles til mange decimaler.
ligesom vægten af en bil (kan beregnes til mange decimaler), temperatur (32.543 grader osv.)
nu for de sjove ting.
kvalitative datatyper
nominelle data
nominelle data bruges til at mærke variabler uden nogen kvantitativ værdi., Almindelige eksempler omfatter mand/kvinde (omend noget forældet), hårfarve, nationaliteter, navne på mennesker og så videre.
på almindeligt engelsk: dybest set er de etiketter (og nominelle kommer fra “navn” for at hjælpe dig med at huske). Du har brunt hår (eller brune øjne). Du er amerikaner. Du hedder Jane.
eksempler:
hvilken farve hår har du?
- Brun
- Blonde
- Sort
- Rainbow unicorn
Hvad er din nationalitet?
- Amerikansk
- tysk
- Kenyansk
- Japansk
Bemærk, at disse variabler ikke overlapper hinanden., Med henblik på statistikker kan du alligevel ikke have både brunt og regnbue enhjørningsfarvet hår. Og de er kun virkelig relateret til hovedkategorien, som de er en del af.
Ordinal data
nøglen med ordinal data er at huske, at ordinal lyder som orden – og det er rækkefølgen af de variabler, der betyder noget. Ikke så meget forskellene mellem disse værdier.
ordinære skalaer bruges ofte til mål for tilfredshed, lykke og så videre. Har du nogensinde taget en af disse undersøgelser, som denne?
“hvor sandsynligt er det, at du vil anbefale vores tjenester til dine venner?,”
- Meget sandsynligt
- Sandsynlighed
- Neutral
- Usandsynligt
- Meget usandsynligt
Se, vi ikke rigtig ved, hvad forskellen er mellem meget usandsynligt, og usandsynligt – eller hvis det er den samme mængde af sandsynligheden (eller, unlikeliness) mellem sandsynlige og meget sandsynligt. Men det er okay. Vi ved bare, at sandsynligvis er mere end neutral og usandsynligt er mere end meget usandsynligt. Det hele er i orden.
kvantitative datatyper
intervaldata
intervaldata er sjovt (og nyttigt), fordi det drejer sig om både rækkefølgen og forskellen mellem dine variabler., Dette giver dig mulighed for at måle standardafvigelse og central tendens.
alles foretrukne eksempel på intervaldata er temperaturer i grader Celsius. 20 grader C er varmere end 10, og forskellen mellem 20 grader og 10 grader er 10 grader. Forskellen mellem 10 og 0 er også 10 grader.
Hvis du har brug for hjælp til at huske, hvilke intervalskalaer der er, skal du bare tænke på betydningen af interval: mellemrummet mellem. Så ikke kun bekymrer du dig om rækkefølgen af variabler, men også om værdierne mellem dem.,
Der er dog et lille problem med intervaller: der er ingen “ægte nul.”Et ægte nul har ingen værdi – der er ingen af den ting – men 0 grader C har bestemt en værdi: det er ret køligt. Du kan også have negative tal.
Hvis du ikke har et ægte nul, kan du ikke beregne forhold. Dette betyder addition og subtraktion arbejde, men division og multiplikation ikke.
Ratio data
gudskelov der er forholdet data. Det løser alle vores problemer.
Ratio data fortæller os om rækkefølgen af variabler, forskellene mellem dem, og de har det absolutte nul., Hvilket gør det muligt at udføre og tegne alle mulige beregninger og konklusioner.
Ratio data er meget ens interval data, undtagen nul betyder ingen. For forholdsdata er det ikke muligt at have negative værdier.
for eksempel, højde er forholdet data. Det er ikke muligt at have negativ højde. Hvis et objekts højde er nul, så er der ingen objekt. Dette er anderledes end noget som temperatur. Både 0 grader og -5 grader er helt gyldige og meningsfulde temperaturer.,nu hvor du har et grundlæggende håndtag på disse datatyper, skal du være lidt mere klar til at tackle den statistikeksamen.