Zkoumání ordinálních dat: Příklady a využití

V oblasti výzkumu a analýzy dat je pochopení různých typů dat zásadní pro vyvození smysluplných závěrů a přijímání informovaných rozhodnutí. Jedním z takových typů jsou pořadová data, která hrají klíčovou roli v různých oborech, od společenských věd až po průzkum trhu. Pochopení toho, co představují ordinální data a jak se liší od ostatních typů dat, je pro výzkumné pracovníky, kteří chtějí ze svých datových souborů získat smysluplné poznatky, zásadní. Tento článek poskytne komplexní vysvětlení toho, co jsou ordinální data a jaký mají význam v oblasti výzkumu.

Co jsou to ordinální data?

Ordinální data jsou typem kategoriálních dat, v nichž mají kategorie přirozené pořadí nebo řazení. To znamená, že kategorie jsou uspořádány tak, že je lze seřadit nebo seřadit na základě jejich relativní hodnoty nebo důležitosti. Například otázka v průzkumu, která žádá respondenty, aby ohodnotili míru svého souhlasu na stupnici od 1 do 5, shromažďuje ordinální data, protože odpovědi mají přirozené pořadí od "rozhodně nesouhlasím" (1) po "rozhodně souhlasím" (5). Příklady ordinálních dat lze analyzovat pomocí statistických metod, jako jsou chí-kvadrát testy, ale je třeba určité opatrnosti, protože vzdálenosti mezi kategoriemi nemusí být stejné.

Ordinální data mají ve vědeckém výzkumu zásadní význam, protože umožňují klasifikovat a porovnávat data s přirozeným pořadím nebo řazením, což může poskytnout cenné informace o vzorcích, vztazích a trendech v datech. Tento typ dat se často používá ve společenskovědním výzkumu, například v průzkumech a dotaznících, kde jsou respondenti požádáni, aby ohodnotili své názory nebo zkušenosti na stupnici.

Obrázek: https://www.voxco.com/wp-content/uploads/2021/03/Cover-scale-1536×864.jpg

Charakteristiky ordinálních dat

Ordinální data jsou typem kategoriálních dat, která představují určité pořadí nebo řazení mezi svými kategoriemi. Následují některé klíčové charakteristiky ordinálních dat:

Objednávka: Kategorie v ordinálních datech mají specifické pořadí, které vyjadřuje míru souhlasu, nesouhlasu nebo preferencí. Například v průzkumu, který se ptá na kvalitu obdržených služeb, mohou být možnosti odpovědí "výborná", "dobrá", "slušná" nebo "špatná", které mají jasné pořadí.

Nečíselné: Kategorie ordinálních dat nemusí být nutně reprezentovány čísly a kategorie mohou mít podobu slov nebo symbolů. Například systém hodnocení restaurací může místo číselných hodnot používat hvězdičky k označení úrovně kvality.

Nerovnoměrné intervaly: Vzdálenosti mezi kategoriemi nemusí být nutně stejné. Například rozdíl mezi "rozhodně souhlasím" a "souhlasím" na Likertově stupnici nemusí být stejný jako rozdíl mezi "nesouhlasím" a "rozhodně nesouhlasím".

Omezený počet kategorií: Ordinální data mají obvykle konečný počet kategorií, které jsou často předem definovány výzkumníkem. Například v průzkumu může být použita Likertova škála s pěti možnostmi odpovědí.

Lze s nimi zacházet jako s číselnými údaji: Někdy lze pro účely statistické analýzy s ordinálními údaji zacházet jako s číselnými údaji, ale je třeba postupovat opatrně. Přiřazení smysluplných číselných hodnot ordinálním kategoriím může usnadnit analýzu a interpretaci, ale nemělo by měnit základní povahu dat.

Typy ordinálních proměnných

Ordinální proměnné jsou proměnné, které lze seřadit nebo seřadit na základě jejich hodnot nebo atributů. Existují dva typy ordinálních proměnných:

Odpovídající kategorie

U ordinálních proměnných s přiřazenou kategorií existuje přirozené pořadí kategorií proměnné. Toto pořadí je definováno samotnou proměnnou a kategorie se vzájemně vylučují. Například ve studii před a po se u stejné skupiny účastníků měří stejná ordinální proměnná ve dvou různých časových okamžicích, například před léčbou a po ní. Kategorie v měření "před" jsou porovnány nebo spárovány s kategoriemi v měření "po".

Dalším příkladem je studie porovnávající preference párů v určitém ohledu, kdy jsou preference jednoho partnera porovnávány nebo párovány s preferencemi druhého partnera. Shodné kategorie se často analyzují pomocí neparametrických statistických testů, jako je Wilcoxonův signovanýrank test nebo Friedmanův test, aby se porovnaly rozdíly mezi kategoriemi v rámci každé dvojice nebo skupiny.

Nesrovnatelná kategorie

Dalším typem ordinální proměnné je kategorie neshodných. Na rozdíl od odpovídajících kategorií nemají neodpovídající kategorie jasný vztah nebo souvislost mezi kategoriemi. Pokud například žádáte respondenty, aby ohodnotili své preference pro různé typy hudebních žánrů, nemusí být mezi kategoriemi jazz, country a rock jasné pořadí nebo vztah.

V nesrovnatelných kategoriích mohou být kategorie stále seřazeny na základě individuálních preferencí nebo vnímání respondenta, ale neexistuje žádné objektivní nebo konzistentní seřazení, které by platilo pro všechny respondenty. To může ztížit analýzu a interpretaci dat ve srovnání s odpovídajícími kategoriemi, které mají jasné a konzistentní uspořádání.

Příklady ordinálních dat

Příklady ordinálních dat lze nalézt v mnoha oblastech výzkumu a v různých typech měření. Mezi příklady ordinálních dat patří:

Intervalová stupnice

Intervalová škála je typ měřící škály, která má ke každé kategorii nebo odpovědi přiřazenou číselnou hodnotu a rozdíly mezi hodnotami jsou smysluplné a stejné. Je podobná poměrové stupnici s tím rozdílem, že nemá skutečný nulový bod.

Příkladem intervalové stupnice je například Celsiova teplotní stupnice. Rozdíl mezi 10 °C a 20 °C je stejný jako rozdíl mezi 20 °C a 30 °C. Nicméně 0°C nepředstavuje úplnou absenci teploty, ale spíše určitý bod na stupnici.

Likertova stupnice

Likertova škála je běžný typ ordinálních dat, který k měření postojů, názorů nebo vnímání používá sadu možností odpovědí, jako jsou "rozhodně souhlasím", "souhlasím", "neutrální", "nesouhlasím" a "rozhodně nesouhlasím". Každé odpovědi je přiřazena číselná hodnota, obvykle v rozmezí 1 až 5 nebo 1 až 7, přičemž vyšší hodnota znamená pozitivnější nebo silnější odpověď. Likertova škála se často používá v průzkumech a dotaznících ke shromažďování ordinálních údajů, které lze analyzovat pomocí specifických metod.

Jak analyzovat ordinální data?

Existuje několik metod analýzy ordinálních dat, včetně:

Popisná statistika: Popisná statistika se používá k shrnutí a popisu centrální tendence a rozdělení ordinálních dat. Mezi běžně používané popisné statistiky pro ordinální data patří medián, modus a percentily. Popisná statistika může pomoci poskytnout obecný přehled o datech a identifikovat případné problémy, jako jsou odlehlé hodnoty nebo zkreslené rozdělení. Neposkytují však žádné informace o statistické významnosti rozdílů nebo vztahů mezi skupinami.

Neparametrické testy: Neparametrické testy se běžně používají k analýze ordinálních dat, protože nevyžadují, aby data odpovídala určitému rozdělení, například normálnímu rozdělení, a nepředpokládají, že intervaly mezi kategoriemi jsou stejné. Tyto testy jsou založeny spíše na pořadí pozorování než na jejich přesných hodnotách. Neparametrické testy jsou odolné vůči odlehlým hodnotám a často se používají, pokud nejsou splněny předpoklady parametrických testů. Mohou však mít menší statistickou sílu než parametrické testy, zejména pokud je velikost vzorku malá.

Ordinální logistická regrese: Ordinální logistická regrese je statistická metoda používaná k modelování vztahu mezi jednou nebo více ordinálními nezávislými proměnnými a ordinální závislou proměnnou. Tato metoda je užitečná, pokud chcete určit faktory, které ovlivňují výsledek ordinální proměnné. Ordinální logistická regrese předpokládá, že kategorie závislé proměnné jsou uspořádané a že vzdálenost mezi kategoriemi nemusí být nutně stejná. Předpokládá také, že vztah mezi závislou proměnnou a nezávislými proměnnými je log-lineární.

Analýza korespondence: Tato metoda se používá ke zkoumání vztahu mezi dvěma nebo více ordinálními proměnnými. Pomáhá identifikovat zákonitosti a vztahy mezi proměnnými a vizualizovat je ve dvourozměrném prostoru. Metoda zahrnuje vytvoření kontingenční tabulky, která zobrazuje četnosti jednotlivých kategorií pro každou proměnnou. Poté se pro každou kategorii vypočítá soubor skóre na základě celkového rozložení dat. Tato skóre se použijí k vytvoření dvourozměrného grafu, kde je každá kategorie reprezentována bodem. Vzdálenost mezi body udává míru podobnosti nebo nepodobnosti mezi kategoriemi.

Modelování strukturálních rovnic: Modelování strukturálních rovnic (SEM) je statistická metoda používaná k analýze vztahů mezi proměnnými a k testování složitých modelů. Jedná se o techniku vícerozměrné analýzy, která dokáže pracovat s více proměnnými, pozorovanými i latentními, a dokáže testovat kauzální vztahy mezi proměnnými. Při analýze ordinálních dat lze SEM použít k testování modelů, které zahrnují více ordinálních proměnných a latentních konstruktů. Může také pomoci identifikovat a odhadnout velikost přímých a nepřímých vzájemných účinků proměnných.

Inferenční statistika

Inferenční statistika je obor statistiky, který se zabývá vyvozováním závěrů a usuzováním o populaci na základě vzorku dat. Jedná se o mocný nástroj, který umožňuje výzkumníkům vytvářet zobecnění, předpovědi a hypotézy o větší skupině nad rámec pozorovaných dat.

Zatímco popisná statistika shrnuje a popisuje data, inferenční statistika jde o krok dále a využívá teorii pravděpodobnosti a statistické metody k analýze dat z výběrového souboru a k vyvození závěrů o populaci, z níž byl vzorek vybrán. Využitím inferenční statistiky mohou výzkumní pracovníci vytvářet předpovědi, testovat hypotézy a na základě zjištěných výsledků činit informovaná rozhodnutí.

Použití ordinálních dat

Ordinální data se používají v široké škále aplikací a často se shromažďují prostřednictvím průzkumů, dotazníků a dalších forem výzkumu. Zde je uvedeno několik běžných způsobů použití ordinálních dat:

Průzkumy/dotazníky

Průzkumy a dotazníky jsou běžným způsobem sběru ordinálních dat. V průzkumu mohou být respondenti například požádáni, aby ohodnotili míru svého souhlasu s určitým tvrzením na stupnici od "rozhodně nesouhlasím" po "rozhodně souhlasím". Tento typ údajů lze pak použít k analýze trendů nebo vzorců v odpovědích.

Výzkum

Ordinální data lze také použít ve výzkumných studiích k měření vztahu mezi různými proměnnými. Výzkumník může například použít ordinální stupnici k měření závažnosti určitého příznaku u skupiny pacientů s určitým onemocněním. Tento typ údajů pak může být použit k porovnání závažnosti příznaku u různých skupin pacientů nebo ke sledování změn příznaku v průběhu času.

Zákaznický servis

Ordinální data lze použít také v zákaznickém servisu k měření spokojenosti nebo nespokojenosti zákazníků. Zákazník může být například požádán, aby ohodnotil své zkušenosti s produktem nebo službou společnosti na stupnici od "velmi nespokojen" po "velmi spokojen". Tento typ údajů lze pak použít k identifikaci oblastí, které je třeba zlepšit, a ke sledování změn spokojenosti zákazníků v průběhu času.

Žádosti o zaměstnání

Ordinální data lze také použít v žádostech o zaměstnání k měření kvalifikace nebo úrovně zkušeností uchazeče. Zaměstnavatel může například požádat uchazeče o zaměstnání, aby ohodnotili svou úroveň zkušeností v určité oblasti na stupnici od "bez zkušeností" po "odborník". Tento typ údajů pak může být použit k porovnání kvalifikace různých uchazečů o zaměstnání a k výběru nejkvalifikovanějšího kandidáta na danou pozici.

Rozdíl mezi ordinálními a nominálními daty

Ordinální a nominální data jsou dva typy kategoriálních dat. Hlavní rozdíl mezi nimi spočívá v úrovni měření a informacích, které zprostředkovávají.

Ordinální data jsou typem kategoriálních dat, u nichž mají proměnné přirozené pořadí. Měří se na ordinální úrovni, což znamená, že mají přirozené pořadí, ale rozdíly mezi hodnotami nelze kvantifikovat nebo měřit. Příkladem ordinálních dat jsou žebříčky, hodnocení a Likertovy škály.

Na druhou stranu nominální data jsou také typem kategoriálních dat, ale nemají přirozené uspořádání nebo pořadí. Měří se na nominální úrovni, což znamená, že data lze zařadit pouze do vzájemně se vylučujících kategorií bez přirozeného pořadí nebo řazení. Příkladem nominálních dat je pohlaví, etnický původ a rodinný stav.

Hlavní rozdíl mezi ordinálními a nominálními daty spočívá v tom, že ordinální data mají přirozené pořadí, zatímco nominální data nikoli. Chcete-li se dozvědět více o rozdílu mezi ordinálními a nominálními daty, podívejte se na na těchto webových stránkách.

Potřebujete velmi konkrétní ilustraci? Navrhneme ji pro vás!

Mind the Graph platforma nabízí rozsáhlou knihovnu vědeckých ilustrací a šablon s komplexními vědeckými koncepty a konkrétními obrázky, které potřebujete. Společnost Mind the Graph s vámi bude spolupracovat na vytvoření vysoce kvalitní ilustrace, která splní vaše očekávání. Tato služba vám zajistí, že budete mít k dispozici přesně takové vizualizace, jaké potřebujete pro svůj výzkum, prezentaci nebo publikaci, aniž byste potřebovali specializovaný návrhářský software nebo dovednosti.