Wenn Sie für eine Statistikprüfung studieren und Ihre Datentypen überprüfen müssen Dieser Artikel gibt Ihnen einen kurzen Überblick mit einigen einfachen Beispielen.
Denn seien wir ehrlich: Nicht viele Menschen studieren Datentypen zum Spaß oder in ihrem wirklichen Alltag.
Also tauchen wir ein.
Quantitative vs Qualitative Daten – was ist der Unterschied?
Kurz gesagt: quantitativ bedeutet, dass Sie es zählen können und es numerisch ist (denken Sie an Quantität – etwas, das Sie zählen können)., Qualitativ bedeutet, dass Sie nicht können, und es ist nicht numerisch (denken Sie stattdessen an qualitätskategorische Daten).
Boom! Einfach, richtig?
Es gibt noch einen weiteren Unterschied, den wir direkt machen sollten, bevor wir zu den tatsächlichen Datentypen übergehen, und dies hat mit quantitativen (Zahlen -) Daten zu tun: diskrete vs. kontinuierliche Daten.
Diskrete Daten beinhalten ganze Zahlen (ganze Zahlen – wie 1, 356 oder 9), die nicht basierend auf der Art ihrer Existenz geteilt werden können.
Wie die Anzahl der Personen in einer Klasse, die Anzahl der Finger an Ihren Händen oder die Anzahl der Kinder, die jemand hat. Sie können nicht 1.,9 kinder in einer Familie (trotz allem, was die Volkszählung sagen könnte).
Kontinuierliche Daten hingegen sind das Gegenteil. Es kann so viel aufgeteilt werden, wie Sie möchten, und auf viele Dezimalstellen gemessen werden.
Wie das Gewicht eines Autos (kann auf viele Dezimalstellen berechnet werden), die Temperatur (32.543 Grad usw.) oder die Geschwindigkeit eines Flugzeugs.
Jetzt für die lustigen Sachen.
Qualitative Datentypen
Nominaldaten
Nominaldaten werden verwendet, um Variablen ohne quantitativen Wert zu kennzeichnen., Häufige Beispiele sind männlich / weiblich (wenn auch etwas veraltet), Haarfarbe, Nationalitäten, Namen von Personen usw.
Im Klartext: Im Grunde sind sie Etiketten (und es kommt von „name“, damit Sie sich erinnern können). Sie haben braune Haare (oder braune Augen). Sie sind Amerikaner. Ihr name ist Jane.
Beispiele:
Welche Haarfarbe haben Sie?
- Braun
- Blond
- Schwarz
- Regenbogen einhorn
Was ist ihre nationalität?
- American
- Deutsch
- Kenia
- Japanisch
Beachten Sie, dass diese Variablen nicht überlappen., Für die Zwecke der Statistik können Sie sowieso nicht sowohl braunes als auch regenbogenfarbenes Einhornhaar haben. Und sie sind nur wirklich durch die Hauptkategorie verwandt, zu der sie gehören.
Ordinale Daten
Der Schlüssel zu ordinalen Daten ist, sich daran zu erinnern, dass Ordinal wie Ordnung klingt – und es ist die Reihenfolge der Variablen, die wichtig ist. Nicht so sehr die Unterschiede zwischen diesen Werten.
Ordinalskalen werden häufig für Maße der Zufriedenheit, des Glücks usw. verwendet. Haben Sie jemals so eine Umfrage gemacht?
“ Wie wahrscheinlich sind Sie unsere Dienste an Ihre Freunde empfehlen?,“
- Sehr wahrscheinlich
- Wahrscheinlich
- Neutral
- Unwahrscheinlich
- Sehr unwahrscheinlich
Siehe, wir wissen nicht wirklich, was der Unterschied zwischen sehr unwahrscheinlich und unwahrscheinlich ist – oder ob es die gleiche Menge an Ähnlichkeit (oder Unwahrscheinlichkeit) wie zwischen wahrscheinlich und sehr wahrscheinlich ist. Aber das ist ok. Wir wissen nur, dass wahrscheinlich mehr als neutral und unwahrscheinlich ist mehr als sehr unwahrscheinlich. Es ist alles in der Reihenfolge.
Quantitative Datentypen
Intervalldaten
Intervalldaten machen Spaß (und sind nützlich), da es sich sowohl um die Reihenfolge als auch um die Differenz zwischen Ihren Variablen handelt., Auf diese Weise können Sie die Standardabweichung und die zentrale Tendenz messen.
Jedes bevorzugte Beispiel für Intervalldaten sind Temperaturen in Grad Celsius. 20 grad C ist wärmer als 10, und der unterschied zwischen 20 grad und 10 grad ist 10 grad. Der Unterschied zwischen 10 und 0 beträgt ebenfalls 10 Grad.
Wenn Sie Hilfe beim Erinnern benötigen, was Intervallskalen sind, denken Sie nur an die Bedeutung von Intervall: der Abstand zwischen. Sie kümmern sich also nicht nur um die Reihenfolge der Variablen, sondern auch um die Werte dazwischen.,
Es gibt jedoch ein kleines Problem mit Intervallen: Es gibt keine „wahre Null“.“Eine wahre Null hat keinen Wert – es gibt nichts davon – aber 0 Grad C hat definitiv einen Wert: Es ist ziemlich kalt. Sie können auch negative zahlen haben.
Wenn Sie keine wahre Null haben, können Sie keine Verhältnisse berechnen. Dies bedeutet Additions-und Subtraktionsarbeit, Division und Multiplikation jedoch nicht.
Ratio data
Gott sei Dank gibt es ratio data. Es löst alle unsere Probleme.
Verhältnis von Daten, die uns sagt, über die Reihenfolge der Variablen, die Unterschiede zwischen Ihnen, und Sie haben das absolute null., Dadurch können alle Arten von Berechnungen und Schlussfolgerungen durchgeführt und gezeichnet werden.
Verhältnis daten ist sehr ähnlich intervall daten, außer null bedeutet keine. Für Verhältnisdaten ist es nicht möglich, negative Werte zu haben.
Zum Beispiel sind Höhe Verhältnisdaten. Es ist nicht möglich, eine negative Höhe zu haben. Wenn die Höhe eines Objekts Null ist, gibt es kein Objekt. Das ist anders als so etwas wie Temperatur. Sowohl 0 Grad als auch -5 Grad sind völlig gültige und aussagekräftige Temperaturen.,
Nun, da Sie einen grundlegenden Griff auf diese Datentypen haben, sollten Sie ein bisschen mehr bereit sein, diese Statistik Prüfung zu bewältigen.