Les donn\u00e9es ordinales sont un type de donn\u00e9es cat\u00e9gorielles dans lesquelles les cat\u00e9gories ont un ordre ou un classement naturel. Cela signifie que les cat\u00e9gories sont ordonn\u00e9es de telle sorte qu'elles peuvent \u00eatre class\u00e9es ou ordonn\u00e9es sur la base de leur valeur ou de leur importance relative. Par exemple, une question d'enqu\u00eate demandant aux personnes interrog\u00e9es d'\u00e9valuer leur degr\u00e9 d'accord sur une \u00e9chelle de 1 \u00e0 5 recueille des donn\u00e9es ordinales, car les r\u00e9ponses ont un ordre naturel allant de \"pas du tout d'accord\" (1) \u00e0 \"tout \u00e0 fait d'accord\" (5). Les exemples de donn\u00e9es ordinales peuvent \u00eatre analys\u00e9s \u00e0 l'aide de m\u00e9thodes statistiques telles que les tests du chi-carr\u00e9, mais une certaine prudence s'impose car les distances entre les cat\u00e9gories peuvent ne pas \u00eatre \u00e9gales.<\/p>\n\n\n\n
Les donn\u00e9es ordinales sont essentielles \u00e0 la recherche scientifique car elles permettent de classer et de comparer des donn\u00e9es avec un ordre naturel ou un classement, ce qui peut fournir des informations pr\u00e9cieuses sur les mod\u00e8les, les relations et les tendances au sein des donn\u00e9es. Ce type de donn\u00e9es est fr\u00e9quemment utilis\u00e9 dans les recherches en sciences sociales, telles que les enqu\u00eates et les questionnaires, o\u00f9 il est demand\u00e9 aux personnes interrog\u00e9es d'\u00e9valuer leurs opinions ou leurs exp\u00e9riences sur une \u00e9chelle.<\/p>\n\n\n\n
Figure : https:\/\/www.voxco.com\/wp-content\/uploads\/2021\/03\/Cover-scale-1536\u00d7864.jpg<\/p>\n\n\n\n
Caract\u00e9ristiques des donn\u00e9es ordinales<\/strong><\/h2>\n\n\n\nLes donn\u00e9es ordinales sont un type de donn\u00e9es cat\u00e9gorielles qui repr\u00e9sentent un ordre ou un classement particulier parmi leurs cat\u00e9gories. Voici quelques caract\u00e9ristiques cl\u00e9s des donn\u00e9es ordinales :<\/p>\n\n\n\n
Commander : <\/strong>Les cat\u00e9gories des donn\u00e9es ordinales ont un ordre ou un classement sp\u00e9cifique, et cet ordre repr\u00e9sente le niveau d'accord, de d\u00e9saccord ou de pr\u00e9f\u00e9rence. Par exemple, dans une enqu\u00eate portant sur la qualit\u00e9 du service re\u00e7u, les options de r\u00e9ponse pourraient \u00eatre \"excellent\", \"bon\", \"moyen\" ou \"m\u00e9diocre\", ce qui aurait un ordre clair.<\/p>\n\n\n\nNon num\u00e9rique :<\/strong> <\/em>Les cat\u00e9gories de donn\u00e9es ordinales ne sont pas n\u00e9cessairement repr\u00e9sent\u00e9es par des nombres, et les cat\u00e9gories peuvent \u00eatre des mots ou des symboles. Par exemple, un syst\u00e8me d'\u00e9valuation des restaurants peut utiliser des \u00e9toiles pour indiquer les niveaux de qualit\u00e9 au lieu de valeurs num\u00e9riques.<\/p>\n\n\n\nIntervalles in\u00e9gaux :<\/strong> <\/em>Les distances entre les cat\u00e9gories ne sont pas n\u00e9cessairement \u00e9gales. Par exemple, la diff\u00e9rence entre \"tout \u00e0 fait d'accord\" et \"d'accord\" sur une \u00e9chelle de Likert peut ne pas \u00eatre la m\u00eame que la diff\u00e9rence entre \"pas d'accord\" et \"pas du tout d'accord\".<\/p>\n\n\n\nNombre limit\u00e9 de cat\u00e9gories :<\/strong> Les donn\u00e9es ordinales comportent g\u00e9n\u00e9ralement un nombre fini de cat\u00e9gories, qui sont souvent pr\u00e9d\u00e9finies par le chercheur. Par exemple, une enqu\u00eate peut utiliser une \u00e9chelle de Likert avec cinq options de r\u00e9ponse.<\/p>\n\n\n\nElles peuvent \u00eatre trait\u00e9es comme des donn\u00e9es num\u00e9riques : <\/strong>Les donn\u00e9es ordinales peuvent parfois \u00eatre trait\u00e9es comme des donn\u00e9es num\u00e9riques \u00e0 des fins d'analyse statistique, mais cela doit \u00eatre fait avec prudence. L'attribution de valeurs num\u00e9riques significatives aux cat\u00e9gories ordinales peut faciliter l'analyse et l'interpr\u00e9tation, mais ne doit pas modifier la nature essentielle des donn\u00e9es.<\/p>\n\n\n\nTypes de variables ordinales<\/strong><\/h2>\n\n\n\nLes variables ordinales sont des variables qui peuvent \u00eatre class\u00e9es ou ordonn\u00e9es en fonction de leurs valeurs ou de leurs attributs. Il existe deux types de variables ordinales :<\/p>\n\n\n\n
Cat\u00e9gorie correspondante<\/h3>\n\n\n\n
Dans les variables ordinales \u00e0 cat\u00e9gories appari\u00e9es, il existe un ordre naturel dans les cat\u00e9gories de la variable. Cet ordre est d\u00e9fini par la variable elle-m\u00eame et les cat\u00e9gories s'excluent mutuellement. Par exemple, dans une \u00e9tude avant-apr\u00e8s, le m\u00eame groupe de participants est \u00e9valu\u00e9 sur la m\u00eame variable ordinale \u00e0 deux moments diff\u00e9rents, par exemple avant et apr\u00e8s un traitement. Les cat\u00e9gories de la mesure \"avant\" sont appari\u00e9es aux cat\u00e9gories de la mesure \"apr\u00e8s\". <\/p>\n\n\n\n
Un autre exemple est une \u00e9tude comparant les pr\u00e9f\u00e9rences des couples dans un certain domaine, o\u00f9 les pr\u00e9f\u00e9rences d'un partenaire sont appari\u00e9es aux pr\u00e9f\u00e9rences de l'autre partenaire. Les cat\u00e9gories appari\u00e9es sont souvent analys\u00e9es \u00e0 l'aide de tests statistiques non param\u00e9triques, tels que le test du rang sign\u00e9 de Wilcoxon ou le test de Friedman, afin de comparer les diff\u00e9rences entre les cat\u00e9gories au sein de chaque paire ou groupe.<\/p>\n\n\n\n
Cat\u00e9gorie in\u00e9gal\u00e9e<\/h3>\n\n\n\n
La cat\u00e9gorie non appari\u00e9e est un autre type de variable ordinale. Contrairement aux cat\u00e9gories appari\u00e9es, les cat\u00e9gories non appari\u00e9es n'ont pas de relation ou de lien clair entre elles. Par exemple, si vous demandez aux personnes interrog\u00e9es d'\u00e9valuer leurs pr\u00e9f\u00e9rences pour diff\u00e9rents genres musicaux, il se peut qu'il n'y ait pas d'ordre ou de relation claire entre les cat\u00e9gories jazz, country et rock.<\/p>\n\n\n\n
Dans les cat\u00e9gories non appari\u00e9es, les cat\u00e9gories peuvent toujours \u00eatre class\u00e9es en fonction des pr\u00e9f\u00e9rences ou des perceptions individuelles d'un r\u00e9pondant, mais il n'y a pas de classement objectif ou coh\u00e9rent qui s'applique \u00e0 tous les r\u00e9pondants. Cela peut rendre l'analyse et l'interpr\u00e9tation des donn\u00e9es plus difficiles que dans le cas des cat\u00e9gories appari\u00e9es, dont l'ordre est clair et coh\u00e9rent.<\/p>\n\n\n\n
Exemples de donn\u00e9es ordinales<\/strong><\/h2>\n\n\n\nOn trouve des exemples de donn\u00e9es ordinales dans de nombreux domaines de recherche et dans divers types de mesures. Voici quelques exemples de donn\u00e9es ordinales :<\/p>\n\n\n\n
\u00c9chelle d'intervalles<\/h3>\n\n\n\n
L'\u00e9chelle d'intervalle est un type d'\u00e9chelle de mesure dans laquelle une valeur num\u00e9rique est attribu\u00e9e \u00e0 chaque cat\u00e9gorie ou r\u00e9ponse, et les diff\u00e9rences entre les valeurs sont significatives et \u00e9gales. Elle est similaire \u00e0 l'\u00e9chelle de rapport, sauf qu'elle n'a pas de v\u00e9ritable point z\u00e9ro.<\/p>\n\n\n\n
Par exemple, l'\u00e9chelle de temp\u00e9rature Celsius est un exemple d'\u00e9chelle d'intervalle. La diff\u00e9rence entre 10\u00b0C et 20\u00b0C est la m\u00eame que la diff\u00e9rence entre 20\u00b0C et 30\u00b0C. Cependant, 0\u00b0C ne repr\u00e9sente pas une absence totale de temp\u00e9rature, mais plut\u00f4t un point sp\u00e9cifique de l'\u00e9chelle.<\/p>\n\n\n\n
\u00c9chelle de Likert<\/h3>\n\n\n\n
L'\u00e9chelle de Likert est un type courant de donn\u00e9es ordinales qui utilise un ensemble d'options de r\u00e9ponse, telles que \"tout \u00e0 fait d'accord\", \"d'accord\", \"neutre\", \"pas d'accord\" et \"pas du tout d'accord\", pour mesurer les attitudes, les opinions ou les perceptions. Chaque r\u00e9ponse se voit attribuer une valeur num\u00e9rique, g\u00e9n\u00e9ralement comprise entre 1 et 5 ou 1 et 7, une valeur plus \u00e9lev\u00e9e indiquant une r\u00e9ponse plus positive ou plus forte. L'\u00e9chelle de Likert est souvent utilis\u00e9e dans les enqu\u00eates et les questionnaires pour collecter des donn\u00e9es ordinales qui peuvent \u00eatre analys\u00e9es \u00e0 l'aide de m\u00e9thodes sp\u00e9cifiques.<\/p>\n\n\n\n
Comment analyser des donn\u00e9es ordinales ?<\/strong><\/h2>\n\n\n\nIl existe plusieurs m\u00e9thodes d'analyse des donn\u00e9es ordinales, notamment :<\/p>\n\n\n\n
Statistiques descriptives :<\/strong> Les statistiques descriptives sont utilis\u00e9es pour r\u00e9sumer et d\u00e9crire la tendance centrale et la distribution des donn\u00e9es ordinales. Parmi les statistiques descriptives couramment utilis\u00e9es pour les donn\u00e9es ordinales figurent la m\u00e9diane, le mode et les percentiles. Les statistiques descriptives peuvent aider \u00e0 fournir une vue d'ensemble des donn\u00e9es et \u00e0 identifier tout probl\u00e8me potentiel, tel que des valeurs aberrantes ou des distributions asym\u00e9triques. Cependant, elles ne fournissent aucune information sur la signification statistique des diff\u00e9rences ou des relations entre les groupes.<\/p>\n\n\n\nTests non param\u00e9triques : <\/strong>Les tests non param\u00e9triques sont couramment utilis\u00e9s pour analyser les donn\u00e9es ordinales car ils n'exigent pas que les donn\u00e9es suivent une distribution sp\u00e9cifique, telle qu'une distribution normale, et ne supposent pas que les intervalles entre les cat\u00e9gories sont \u00e9gaux. Ces tests sont bas\u00e9s sur les rangs des observations plut\u00f4t que sur leurs valeurs exactes. Les tests non param\u00e9triques sont r\u00e9sistants aux valeurs aberrantes et sont souvent utilis\u00e9s lorsque les hypoth\u00e8ses des tests param\u00e9triques ne sont pas respect\u00e9es. Toutefois, leur puissance statistique peut \u00eatre inf\u00e9rieure \u00e0 celle des tests param\u00e9triques, en particulier lorsque la taille de l'\u00e9chantillon est faible. <\/p>\n\n\n\nR\u00e9gression logistique ordinale :<\/strong> La r\u00e9gression logistique ordinale est une m\u00e9thode statistique utilis\u00e9e pour mod\u00e9liser la relation entre une ou plusieurs variables ind\u00e9pendantes ordinales et une variable d\u00e9pendante ordinale. Cette m\u00e9thode est utile lorsque vous souhaitez d\u00e9terminer les facteurs qui influencent le r\u00e9sultat d'une variable ordinale. La r\u00e9gression logistique ordinale suppose que les cat\u00e9gories de la variable d\u00e9pendante sont ordonn\u00e9es et que la distance entre les cat\u00e9gories n'est pas n\u00e9cessairement \u00e9gale. Elle suppose \u00e9galement que la relation entre la variable d\u00e9pendante et les variables ind\u00e9pendantes est log-lin\u00e9aire.<\/p>\n\n\n\nAnalyse de la correspondance :<\/strong> Cette m\u00e9thode est utilis\u00e9e pour explorer la relation entre deux ou plusieurs variables ordinales. Elle permet d'identifier des mod\u00e8les et des relations entre les variables et de les visualiser dans un espace bidimensionnel. La m\u00e9thode consiste \u00e0 cr\u00e9er un tableau de contingence qui montre les fr\u00e9quences de chaque cat\u00e9gorie pour chaque variable. Ensuite, un ensemble de scores est calcul\u00e9 pour chaque cat\u00e9gorie sur la base de la distribution globale des donn\u00e9es. Ces scores sont utilis\u00e9s pour cr\u00e9er un graphique bidimensionnel o\u00f9 chaque cat\u00e9gorie est repr\u00e9sent\u00e9e par un point. La distance entre les points indique le degr\u00e9 de similitude ou de dissemblance entre les cat\u00e9gories.<\/p>\n\n\n\nMod\u00e9lisation des \u00e9quations structurelles :<\/strong> La mod\u00e9lisation par \u00e9quations structurelles (SEM) est une m\u00e9thode statistique utilis\u00e9e pour analyser les relations entre les variables et pour tester des mod\u00e8les complexes. Il s'agit d'une technique d'analyse multivari\u00e9e qui peut traiter de multiples variables, tant observ\u00e9es que latentes, et tester les relations causales entre les variables. Lors de l'analyse de donn\u00e9es ordinales, la SEM peut \u00eatre utilis\u00e9e pour tester des mod\u00e8les qui incluent de multiples variables ordinales et des concepts latents. Elle peut \u00e9galement aider \u00e0 identifier et \u00e0 estimer l'ampleur des effets directs et indirects des variables les unes sur les autres.<\/p>\n\n\n\nStatistiques inf\u00e9rentielles<\/strong><\/h2>\n\n\n\nLa statistique inf\u00e9rentielle est une branche de la statistique qui consiste \u00e0 tirer des conclusions et \u00e0 faire des d\u00e9ductions sur une population \u00e0 partir d'un \u00e9chantillon de donn\u00e9es. Il s'agit d'un outil puissant qui permet aux chercheurs de faire des g\u00e9n\u00e9ralisations, des pr\u00e9dictions et des hypoth\u00e8ses sur un groupe plus large au-del\u00e0 des donn\u00e9es observ\u00e9es.<\/p>\n\n\n\n
Alors que les statistiques descriptives r\u00e9sument et d\u00e9crivent les donn\u00e9es, les statistiques inf\u00e9rentielles vont plus loin en utilisant la th\u00e9orie des probabilit\u00e9s et les m\u00e9thodes statistiques pour analyser les donn\u00e9es de l'\u00e9chantillon et tirer des conclusions sur la population dont l'\u00e9chantillon a \u00e9t\u00e9 pr\u00e9lev\u00e9. En utilisant les statistiques inf\u00e9rentielles, les chercheurs peuvent faire des pr\u00e9dictions, tester des hypoth\u00e8ses et prendre des d\u00e9cisions \u00e9clair\u00e9es sur la base des r\u00e9sultats.<\/p>\n\n\n\n
Utilisation des donn\u00e9es ordinales<\/strong><\/h2>\n\n\n\nLes donn\u00e9es ordinales sont utilis\u00e9es dans un large \u00e9ventail d'applications et sont souvent collect\u00e9es par le biais d'enqu\u00eates, de questionnaires et d'autres formes de recherche. Voici quelques utilisations courantes des donn\u00e9es ordinales :<\/p>\n\n\n\n
Enqu\u00eates\/Questionnaires<\/h3>\n\n\n\n
Les enqu\u00eates et les questionnaires sont un moyen courant de collecter des donn\u00e9es ordinales. Par exemple, une enqu\u00eate peut demander aux personnes interrog\u00e9es d'\u00e9valuer leur degr\u00e9 d'accord avec une d\u00e9claration sur une \u00e9chelle allant de \"pas du tout d'accord\" \u00e0 \"tout \u00e0 fait d'accord\". Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour analyser les tendances ou les mod\u00e8les dans les r\u00e9ponses.<\/p>\n\n\n\n
Recherche<\/h3>\n\n\n\n
Les donn\u00e9es ordinales peuvent \u00e9galement \u00eatre utilis\u00e9es dans les \u00e9tudes de recherche pour mesurer la relation entre diff\u00e9rentes variables. Par exemple, un chercheur peut utiliser une \u00e9chelle ordinale pour mesurer la gravit\u00e9 d'un sympt\u00f4me particulier dans un groupe de patients atteints d'une maladie particuli\u00e8re. Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour comparer la gravit\u00e9 du sympt\u00f4me dans diff\u00e9rents groupes de patients ou pour suivre l'\u00e9volution du sympt\u00f4me dans le temps.<\/p>\n\n\n\n
Service \u00e0 la client\u00e8le<\/h3>\n\n\n\n
Les donn\u00e9es ordinales peuvent \u00e9galement \u00eatre utilis\u00e9es dans le service \u00e0 la client\u00e8le pour mesurer la satisfaction ou l'insatisfaction des clients. Par exemple, on peut demander \u00e0 un client d'\u00e9valuer son exp\u00e9rience avec le produit ou le service d'une entreprise sur une \u00e9chelle allant de \"tr\u00e8s insatisfait\" \u00e0 \"tr\u00e8s satisfait\". Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour identifier les domaines \u00e0 am\u00e9liorer et pour suivre l'\u00e9volution de la satisfaction des clients au fil du temps.<\/p>\n\n\n\n
Demandes d'emploi<\/h3>\n\n\n\n
Les donn\u00e9es ordinales peuvent \u00e9galement \u00eatre utilis\u00e9es dans les demandes d'emploi pour mesurer les qualifications ou le niveau d'exp\u00e9rience d'un candidat. Par exemple, un employeur peut demander aux candidats d'\u00e9valuer leur niveau d'exp\u00e9rience dans un domaine particulier sur une \u00e9chelle allant de \"aucune exp\u00e9rience\" \u00e0 \"expert\". Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour comparer les qualifications de diff\u00e9rents candidats et pour s\u00e9lectionner le candidat le plus qualifi\u00e9 pour le poste.<\/p>\n\n\n\n
Diff\u00e9rence entre donn\u00e9es ordinales et donn\u00e9es nominales<\/strong><\/h2>\n\n\n\nLes donn\u00e9es ordinales et nominales sont deux types de donn\u00e9es cat\u00e9gorielles. La principale diff\u00e9rence entre elles r\u00e9side dans le niveau de mesure et l'information qu'elles v\u00e9hiculent.<\/p>\n\n\n\n
Les donn\u00e9es ordinales sont un type de donn\u00e9es cat\u00e9gorielles o\u00f9 les variables ont un ordre naturel ou un classement. Elles sont mesur\u00e9es au niveau ordinal, ce qui signifie qu'elles ont un ordre naturel, mais que les diff\u00e9rences entre les valeurs ne peuvent \u00eatre quantifi\u00e9es ou mesur\u00e9es. Les classements, les \u00e9valuations et les \u00e9chelles de Likert sont des exemples de donn\u00e9es ordinales.<\/p>\n\n\n\n
D'autre part, les donn\u00e9es nominales sont \u00e9galement un type de donn\u00e9es cat\u00e9gorielles, mais elles n'ont pas d'ordre ou de classement naturel. Elles sont mesur\u00e9es au niveau nominal, ce qui signifie que les donn\u00e9es ne peuvent \u00eatre class\u00e9es que dans des cat\u00e9gories mutuellement exclusives, sans classement ou ordre inh\u00e9rent. Le sexe, l'origine ethnique et l'\u00e9tat civil sont des exemples de donn\u00e9es nominales.<\/p>\n\n\n\n
La principale diff\u00e9rence entre les donn\u00e9es ordinales et nominales est que les donn\u00e9es ordinales ont un ordre naturel ou un classement, alors que les donn\u00e9es nominales n'en ont pas. Pour en savoir plus sur la diff\u00e9rence entre les donn\u00e9es ordinales et les donn\u00e9es nominales, voir ce site web.<\/a><\/p>\n\n\n\nVous avez besoin d'une illustration tr\u00e8s sp\u00e9cifique ? Nous la concevons pour vous !<\/strong><\/h2>\n\n\n\n
Non num\u00e9rique :<\/strong> <\/em>Les cat\u00e9gories de donn\u00e9es ordinales ne sont pas n\u00e9cessairement repr\u00e9sent\u00e9es par des nombres, et les cat\u00e9gories peuvent \u00eatre des mots ou des symboles. Par exemple, un syst\u00e8me d'\u00e9valuation des restaurants peut utiliser des \u00e9toiles pour indiquer les niveaux de qualit\u00e9 au lieu de valeurs num\u00e9riques.<\/p>\n\n\n\n Intervalles in\u00e9gaux :<\/strong> <\/em>Les distances entre les cat\u00e9gories ne sont pas n\u00e9cessairement \u00e9gales. Par exemple, la diff\u00e9rence entre \"tout \u00e0 fait d'accord\" et \"d'accord\" sur une \u00e9chelle de Likert peut ne pas \u00eatre la m\u00eame que la diff\u00e9rence entre \"pas d'accord\" et \"pas du tout d'accord\".<\/p>\n\n\n\n Nombre limit\u00e9 de cat\u00e9gories :<\/strong> Les donn\u00e9es ordinales comportent g\u00e9n\u00e9ralement un nombre fini de cat\u00e9gories, qui sont souvent pr\u00e9d\u00e9finies par le chercheur. Par exemple, une enqu\u00eate peut utiliser une \u00e9chelle de Likert avec cinq options de r\u00e9ponse.<\/p>\n\n\n\n Elles peuvent \u00eatre trait\u00e9es comme des donn\u00e9es num\u00e9riques : <\/strong>Les donn\u00e9es ordinales peuvent parfois \u00eatre trait\u00e9es comme des donn\u00e9es num\u00e9riques \u00e0 des fins d'analyse statistique, mais cela doit \u00eatre fait avec prudence. L'attribution de valeurs num\u00e9riques significatives aux cat\u00e9gories ordinales peut faciliter l'analyse et l'interpr\u00e9tation, mais ne doit pas modifier la nature essentielle des donn\u00e9es.<\/p>\n\n\n\n Les variables ordinales sont des variables qui peuvent \u00eatre class\u00e9es ou ordonn\u00e9es en fonction de leurs valeurs ou de leurs attributs. Il existe deux types de variables ordinales :<\/p>\n\n\n\n Dans les variables ordinales \u00e0 cat\u00e9gories appari\u00e9es, il existe un ordre naturel dans les cat\u00e9gories de la variable. Cet ordre est d\u00e9fini par la variable elle-m\u00eame et les cat\u00e9gories s'excluent mutuellement. Par exemple, dans une \u00e9tude avant-apr\u00e8s, le m\u00eame groupe de participants est \u00e9valu\u00e9 sur la m\u00eame variable ordinale \u00e0 deux moments diff\u00e9rents, par exemple avant et apr\u00e8s un traitement. Les cat\u00e9gories de la mesure \"avant\" sont appari\u00e9es aux cat\u00e9gories de la mesure \"apr\u00e8s\". <\/p>\n\n\n\n Un autre exemple est une \u00e9tude comparant les pr\u00e9f\u00e9rences des couples dans un certain domaine, o\u00f9 les pr\u00e9f\u00e9rences d'un partenaire sont appari\u00e9es aux pr\u00e9f\u00e9rences de l'autre partenaire. Les cat\u00e9gories appari\u00e9es sont souvent analys\u00e9es \u00e0 l'aide de tests statistiques non param\u00e9triques, tels que le test du rang sign\u00e9 de Wilcoxon ou le test de Friedman, afin de comparer les diff\u00e9rences entre les cat\u00e9gories au sein de chaque paire ou groupe.<\/p>\n\n\n\n La cat\u00e9gorie non appari\u00e9e est un autre type de variable ordinale. Contrairement aux cat\u00e9gories appari\u00e9es, les cat\u00e9gories non appari\u00e9es n'ont pas de relation ou de lien clair entre elles. Par exemple, si vous demandez aux personnes interrog\u00e9es d'\u00e9valuer leurs pr\u00e9f\u00e9rences pour diff\u00e9rents genres musicaux, il se peut qu'il n'y ait pas d'ordre ou de relation claire entre les cat\u00e9gories jazz, country et rock.<\/p>\n\n\n\n Dans les cat\u00e9gories non appari\u00e9es, les cat\u00e9gories peuvent toujours \u00eatre class\u00e9es en fonction des pr\u00e9f\u00e9rences ou des perceptions individuelles d'un r\u00e9pondant, mais il n'y a pas de classement objectif ou coh\u00e9rent qui s'applique \u00e0 tous les r\u00e9pondants. Cela peut rendre l'analyse et l'interpr\u00e9tation des donn\u00e9es plus difficiles que dans le cas des cat\u00e9gories appari\u00e9es, dont l'ordre est clair et coh\u00e9rent.<\/p>\n\n\n\n On trouve des exemples de donn\u00e9es ordinales dans de nombreux domaines de recherche et dans divers types de mesures. Voici quelques exemples de donn\u00e9es ordinales :<\/p>\n\n\n\n L'\u00e9chelle d'intervalle est un type d'\u00e9chelle de mesure dans laquelle une valeur num\u00e9rique est attribu\u00e9e \u00e0 chaque cat\u00e9gorie ou r\u00e9ponse, et les diff\u00e9rences entre les valeurs sont significatives et \u00e9gales. Elle est similaire \u00e0 l'\u00e9chelle de rapport, sauf qu'elle n'a pas de v\u00e9ritable point z\u00e9ro.<\/p>\n\n\n\n Par exemple, l'\u00e9chelle de temp\u00e9rature Celsius est un exemple d'\u00e9chelle d'intervalle. La diff\u00e9rence entre 10\u00b0C et 20\u00b0C est la m\u00eame que la diff\u00e9rence entre 20\u00b0C et 30\u00b0C. Cependant, 0\u00b0C ne repr\u00e9sente pas une absence totale de temp\u00e9rature, mais plut\u00f4t un point sp\u00e9cifique de l'\u00e9chelle.<\/p>\n\n\n\n L'\u00e9chelle de Likert est un type courant de donn\u00e9es ordinales qui utilise un ensemble d'options de r\u00e9ponse, telles que \"tout \u00e0 fait d'accord\", \"d'accord\", \"neutre\", \"pas d'accord\" et \"pas du tout d'accord\", pour mesurer les attitudes, les opinions ou les perceptions. Chaque r\u00e9ponse se voit attribuer une valeur num\u00e9rique, g\u00e9n\u00e9ralement comprise entre 1 et 5 ou 1 et 7, une valeur plus \u00e9lev\u00e9e indiquant une r\u00e9ponse plus positive ou plus forte. L'\u00e9chelle de Likert est souvent utilis\u00e9e dans les enqu\u00eates et les questionnaires pour collecter des donn\u00e9es ordinales qui peuvent \u00eatre analys\u00e9es \u00e0 l'aide de m\u00e9thodes sp\u00e9cifiques.<\/p>\n\n\n\n Il existe plusieurs m\u00e9thodes d'analyse des donn\u00e9es ordinales, notamment :<\/p>\n\n\n\n Statistiques descriptives :<\/strong> Les statistiques descriptives sont utilis\u00e9es pour r\u00e9sumer et d\u00e9crire la tendance centrale et la distribution des donn\u00e9es ordinales. Parmi les statistiques descriptives couramment utilis\u00e9es pour les donn\u00e9es ordinales figurent la m\u00e9diane, le mode et les percentiles. Les statistiques descriptives peuvent aider \u00e0 fournir une vue d'ensemble des donn\u00e9es et \u00e0 identifier tout probl\u00e8me potentiel, tel que des valeurs aberrantes ou des distributions asym\u00e9triques. Cependant, elles ne fournissent aucune information sur la signification statistique des diff\u00e9rences ou des relations entre les groupes.<\/p>\n\n\n\n Tests non param\u00e9triques : <\/strong>Les tests non param\u00e9triques sont couramment utilis\u00e9s pour analyser les donn\u00e9es ordinales car ils n'exigent pas que les donn\u00e9es suivent une distribution sp\u00e9cifique, telle qu'une distribution normale, et ne supposent pas que les intervalles entre les cat\u00e9gories sont \u00e9gaux. Ces tests sont bas\u00e9s sur les rangs des observations plut\u00f4t que sur leurs valeurs exactes. Les tests non param\u00e9triques sont r\u00e9sistants aux valeurs aberrantes et sont souvent utilis\u00e9s lorsque les hypoth\u00e8ses des tests param\u00e9triques ne sont pas respect\u00e9es. Toutefois, leur puissance statistique peut \u00eatre inf\u00e9rieure \u00e0 celle des tests param\u00e9triques, en particulier lorsque la taille de l'\u00e9chantillon est faible. <\/p>\n\n\n\n R\u00e9gression logistique ordinale :<\/strong> La r\u00e9gression logistique ordinale est une m\u00e9thode statistique utilis\u00e9e pour mod\u00e9liser la relation entre une ou plusieurs variables ind\u00e9pendantes ordinales et une variable d\u00e9pendante ordinale. Cette m\u00e9thode est utile lorsque vous souhaitez d\u00e9terminer les facteurs qui influencent le r\u00e9sultat d'une variable ordinale. La r\u00e9gression logistique ordinale suppose que les cat\u00e9gories de la variable d\u00e9pendante sont ordonn\u00e9es et que la distance entre les cat\u00e9gories n'est pas n\u00e9cessairement \u00e9gale. Elle suppose \u00e9galement que la relation entre la variable d\u00e9pendante et les variables ind\u00e9pendantes est log-lin\u00e9aire.<\/p>\n\n\n\n Analyse de la correspondance :<\/strong> Cette m\u00e9thode est utilis\u00e9e pour explorer la relation entre deux ou plusieurs variables ordinales. Elle permet d'identifier des mod\u00e8les et des relations entre les variables et de les visualiser dans un espace bidimensionnel. La m\u00e9thode consiste \u00e0 cr\u00e9er un tableau de contingence qui montre les fr\u00e9quences de chaque cat\u00e9gorie pour chaque variable. Ensuite, un ensemble de scores est calcul\u00e9 pour chaque cat\u00e9gorie sur la base de la distribution globale des donn\u00e9es. Ces scores sont utilis\u00e9s pour cr\u00e9er un graphique bidimensionnel o\u00f9 chaque cat\u00e9gorie est repr\u00e9sent\u00e9e par un point. La distance entre les points indique le degr\u00e9 de similitude ou de dissemblance entre les cat\u00e9gories.<\/p>\n\n\n\n Mod\u00e9lisation des \u00e9quations structurelles :<\/strong> La mod\u00e9lisation par \u00e9quations structurelles (SEM) est une m\u00e9thode statistique utilis\u00e9e pour analyser les relations entre les variables et pour tester des mod\u00e8les complexes. Il s'agit d'une technique d'analyse multivari\u00e9e qui peut traiter de multiples variables, tant observ\u00e9es que latentes, et tester les relations causales entre les variables. Lors de l'analyse de donn\u00e9es ordinales, la SEM peut \u00eatre utilis\u00e9e pour tester des mod\u00e8les qui incluent de multiples variables ordinales et des concepts latents. Elle peut \u00e9galement aider \u00e0 identifier et \u00e0 estimer l'ampleur des effets directs et indirects des variables les unes sur les autres.<\/p>\n\n\n\n La statistique inf\u00e9rentielle est une branche de la statistique qui consiste \u00e0 tirer des conclusions et \u00e0 faire des d\u00e9ductions sur une population \u00e0 partir d'un \u00e9chantillon de donn\u00e9es. Il s'agit d'un outil puissant qui permet aux chercheurs de faire des g\u00e9n\u00e9ralisations, des pr\u00e9dictions et des hypoth\u00e8ses sur un groupe plus large au-del\u00e0 des donn\u00e9es observ\u00e9es.<\/p>\n\n\n\n Alors que les statistiques descriptives r\u00e9sument et d\u00e9crivent les donn\u00e9es, les statistiques inf\u00e9rentielles vont plus loin en utilisant la th\u00e9orie des probabilit\u00e9s et les m\u00e9thodes statistiques pour analyser les donn\u00e9es de l'\u00e9chantillon et tirer des conclusions sur la population dont l'\u00e9chantillon a \u00e9t\u00e9 pr\u00e9lev\u00e9. En utilisant les statistiques inf\u00e9rentielles, les chercheurs peuvent faire des pr\u00e9dictions, tester des hypoth\u00e8ses et prendre des d\u00e9cisions \u00e9clair\u00e9es sur la base des r\u00e9sultats.<\/p>\n\n\n\n Les donn\u00e9es ordinales sont utilis\u00e9es dans un large \u00e9ventail d'applications et sont souvent collect\u00e9es par le biais d'enqu\u00eates, de questionnaires et d'autres formes de recherche. Voici quelques utilisations courantes des donn\u00e9es ordinales :<\/p>\n\n\n\n Les enqu\u00eates et les questionnaires sont un moyen courant de collecter des donn\u00e9es ordinales. Par exemple, une enqu\u00eate peut demander aux personnes interrog\u00e9es d'\u00e9valuer leur degr\u00e9 d'accord avec une d\u00e9claration sur une \u00e9chelle allant de \"pas du tout d'accord\" \u00e0 \"tout \u00e0 fait d'accord\". Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour analyser les tendances ou les mod\u00e8les dans les r\u00e9ponses.<\/p>\n\n\n\n Les donn\u00e9es ordinales peuvent \u00e9galement \u00eatre utilis\u00e9es dans les \u00e9tudes de recherche pour mesurer la relation entre diff\u00e9rentes variables. Par exemple, un chercheur peut utiliser une \u00e9chelle ordinale pour mesurer la gravit\u00e9 d'un sympt\u00f4me particulier dans un groupe de patients atteints d'une maladie particuli\u00e8re. Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour comparer la gravit\u00e9 du sympt\u00f4me dans diff\u00e9rents groupes de patients ou pour suivre l'\u00e9volution du sympt\u00f4me dans le temps.<\/p>\n\n\n\n Les donn\u00e9es ordinales peuvent \u00e9galement \u00eatre utilis\u00e9es dans le service \u00e0 la client\u00e8le pour mesurer la satisfaction ou l'insatisfaction des clients. Par exemple, on peut demander \u00e0 un client d'\u00e9valuer son exp\u00e9rience avec le produit ou le service d'une entreprise sur une \u00e9chelle allant de \"tr\u00e8s insatisfait\" \u00e0 \"tr\u00e8s satisfait\". Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour identifier les domaines \u00e0 am\u00e9liorer et pour suivre l'\u00e9volution de la satisfaction des clients au fil du temps.<\/p>\n\n\n\n Les donn\u00e9es ordinales peuvent \u00e9galement \u00eatre utilis\u00e9es dans les demandes d'emploi pour mesurer les qualifications ou le niveau d'exp\u00e9rience d'un candidat. Par exemple, un employeur peut demander aux candidats d'\u00e9valuer leur niveau d'exp\u00e9rience dans un domaine particulier sur une \u00e9chelle allant de \"aucune exp\u00e9rience\" \u00e0 \"expert\". Ce type de donn\u00e9es peut ensuite \u00eatre utilis\u00e9 pour comparer les qualifications de diff\u00e9rents candidats et pour s\u00e9lectionner le candidat le plus qualifi\u00e9 pour le poste.<\/p>\n\n\n\n Les donn\u00e9es ordinales et nominales sont deux types de donn\u00e9es cat\u00e9gorielles. La principale diff\u00e9rence entre elles r\u00e9side dans le niveau de mesure et l'information qu'elles v\u00e9hiculent.<\/p>\n\n\n\n Les donn\u00e9es ordinales sont un type de donn\u00e9es cat\u00e9gorielles o\u00f9 les variables ont un ordre naturel ou un classement. Elles sont mesur\u00e9es au niveau ordinal, ce qui signifie qu'elles ont un ordre naturel, mais que les diff\u00e9rences entre les valeurs ne peuvent \u00eatre quantifi\u00e9es ou mesur\u00e9es. Les classements, les \u00e9valuations et les \u00e9chelles de Likert sont des exemples de donn\u00e9es ordinales.<\/p>\n\n\n\n D'autre part, les donn\u00e9es nominales sont \u00e9galement un type de donn\u00e9es cat\u00e9gorielles, mais elles n'ont pas d'ordre ou de classement naturel. Elles sont mesur\u00e9es au niveau nominal, ce qui signifie que les donn\u00e9es ne peuvent \u00eatre class\u00e9es que dans des cat\u00e9gories mutuellement exclusives, sans classement ou ordre inh\u00e9rent. Le sexe, l'origine ethnique et l'\u00e9tat civil sont des exemples de donn\u00e9es nominales.<\/p>\n\n\n\n La principale diff\u00e9rence entre les donn\u00e9es ordinales et nominales est que les donn\u00e9es ordinales ont un ordre naturel ou un classement, alors que les donn\u00e9es nominales n'en ont pas. Pour en savoir plus sur la diff\u00e9rence entre les donn\u00e9es ordinales et les donn\u00e9es nominales, voir ce site web.<\/a><\/p>\n\n\n\nTypes de variables ordinales<\/strong><\/h2>\n\n\n\n
Cat\u00e9gorie correspondante<\/h3>\n\n\n\n
Cat\u00e9gorie in\u00e9gal\u00e9e<\/h3>\n\n\n\n
Exemples de donn\u00e9es ordinales<\/strong><\/h2>\n\n\n\n
\u00c9chelle d'intervalles<\/h3>\n\n\n\n
\u00c9chelle de Likert<\/h3>\n\n\n\n
Comment analyser des donn\u00e9es ordinales ?<\/strong><\/h2>\n\n\n\n
Statistiques inf\u00e9rentielles<\/strong><\/h2>\n\n\n\n
Utilisation des donn\u00e9es ordinales<\/strong><\/h2>\n\n\n\n
Enqu\u00eates\/Questionnaires<\/h3>\n\n\n\n
Recherche<\/h3>\n\n\n\n
Service \u00e0 la client\u00e8le<\/h3>\n\n\n\n
Demandes d'emploi<\/h3>\n\n\n\n
Diff\u00e9rence entre donn\u00e9es ordinales et donn\u00e9es nominales<\/strong><\/h2>\n\n\n\n
Vous avez besoin d'une illustration tr\u00e8s sp\u00e9cifique ? Nous la concevons pour vous !<\/strong><\/h2>\n\n\n\n
![\"\"](\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2022\/11\/beautiful-poster-templates.png\")
<\/a><\/figure><\/div>\n\n\n