om du studerar för en statistik examen och behöver granska dina datatyper denna artikel kommer att ge dig en kort översikt med några enkla exempel.
eftersom låt oss inse det: inte många människor studerar datatyper för skojs skull eller i deras verkliga vardag.
så låt oss dyka in.
Kvantitativa vs Kvalitativa data – vad är skillnaden?
kort sagt: kvantitativt betyder att du kan räkna det och det är numeriskt (tänk kvantitet – något du kan räkna)., Kvalitativa innebär att du inte kan, och det är inte numeriskt (tänk kvalitet – kategoriska data istället).
– Boom! Enkelt, eller hur?
det finns ytterligare en skillnad som vi borde få rakt innan vi går vidare till de faktiska datatyperna, och det har att göra med kvantitativa (tal) data: diskreta vs kontinuerliga data.
diskreta data involverar heltal (heltal – som 1, 356 eller 9) som inte kan delas baserat på arten av vad de är.
som antalet personer i en klass, antalet fingrar på dina händer eller antalet barn som någon har. Du kan inte ha 1.,9 barn i en familj (trots vad folkräkningen kan säga).
kontinuerliga data är å andra sidan motsatsen. Det kan delas upp så mycket du vill och mätas till många decimaler.
som vikten av en bil (kan beräknas till många decimaler), temperatur (32.543 grader, och så vidare), eller hastigheten på ett flygplan.
nu för det roliga.
kvalitativa datatyper
nominella data
nominella data används för att märka variabler utan något kvantitativt värde., Vanliga exempel är man / kvinna (om än något föråldrad), Hårfärg, nationaliteter, namn på människor och så vidare.
på vanlig engelska: i grund och botten är de etiketter (och nominella kommer från ”namn” för att hjälpa dig att komma ihåg). Du har brunt hår (eller bruna ögon). Du är Amerikan. Du heter Jane.
exempel:
vilken färg hår har du?
- brun
- Blond
- Svart
- Rainbow unicorn
vad är din nationalitet?
- amerikanska
- tyska
- kenyanska
- japanska
märker att dessa variabler inte överlappar varandra., För statistiken kan du ändå inte ha både brunt och regnbåge enhörningsfärgat hår. Och de är bara riktigt relaterade till huvudkategorin som de är en del av.
Ordinal data
nyckeln med ordinal data är att komma ihåg att ordinal låter som ordning – och det är ordningen för de variabler som är viktiga. Inte så mycket skillnaderna mellan dessa värden.
Ordinala skalor används ofta för åtgärder av tillfredsställelse, lycka och så vidare. Har du någonsin tagit en av dessa undersökningar, så här?
”hur sannolikt är det att du rekommenderar våra tjänster till dina vänner?,”
- mycket troligt
- sannolikt
- Neutral
- osannolikt
- mycket osannolikt
Se, vi vet inte riktigt vad skillnaden är mellan mycket osannolikt och osannolikt – eller om det är samma mängd aktualitet (eller, till skillnad från sannolikt och mycket sannolikt). Men det är okej. Vi vet bara att sannolikt är mer än neutral och osannolikt är mer än mycket osannolikt. Allt är i ordning.
kvantitativa datatyper
intervalldata
intervalldata är roliga (och användbara) eftersom det handlar om både ordning och skillnad mellan dina variabler., Detta gör att du kan mäta standardavvikelse och central tendens.
allas favorit exempel på intervalldata är temperaturer i grader celsius. 20 grader C är varmare än 10, och skillnaden mellan 20 grader och 10 grader är 10 grader. Skillnaden mellan 10 och 0 är också 10 grader.
om du behöver hjälp med att komma ihåg vilka intervallskalor som är, tänk bara på betydelsen av intervallet: utrymmet mellan. Så inte bara bryr du dig om variabelordningen, men också om värdena mellan dem.,
det finns ett litet problem med intervaller, men: det finns ingen ”true zero.”En sann noll har inget värde – det finns ingen av det-men 0 grader c har definitivt ett värde: det är ganska kyligt. Du kan också ha negativa tal.
om du inte har en sann noll, kan du inte beräkna nyckeltal. Detta innebär addition och subtraktion arbete, men division och multiplikation inte.
Ratio data
Tack och lov att det finns ratio data. Det löser alla våra problem.
Ratio data berättar om storleksordningen variabler, skillnaderna mellan dem, och de har den absoluta noll., Vilket gör att alla typer av beräkningar och slutsatser kan utföras och dras.
förhållandet data är mycket liknande intervalldata, utom noll betyder ingen. För ratio data är det inte möjligt att ha negativa värden.
till exempel, höjd är förhållandet data. Det är inte möjligt att ha negativ höjd. Om ett objekts höjd är noll, så finns det inget objekt. Detta är annorlunda än något som temperatur. Både 0 grader och -5 grader är helt giltiga och meningsfulla temperaturer.,
Nu när du har ett grundläggande handtag på dessa datatyper bör du vara lite mer redo att ta itu med den statistik examen.