Ordinalinių duomenų tyrinėjimas: Mind the Graph dienoraštis: pavyzdžiai ir panaudojimas

Mokslinių tyrimų ir duomenų analizės srityje norint padaryti reikšmingas išvadas ir priimti pagrįstus sprendimus labai svarbu suprasti skirtingus duomenų tipus. Vienas iš tokių tipų yra ordinariniai duomenys, kurie vaidina svarbų vaidmenį įvairiose disciplinose, pradedant socialiniais mokslais ir baigiant rinkos tyrimais. Tyrėjams, siekiantiems iš duomenų rinkinių gauti reikšmingų įžvalgų, labai svarbu suprasti, kas yra ordinariniai duomenys ir kuo jie skiriasi nuo kitų duomenų tipų. Šiame straipsnyje išsamiai paaiškinama, kas yra ordinariniai duomenys ir kokia jų reikšmė mokslinių tyrimų srityje.

Kas yra eilės duomenys?

Eiliškumo duomenys - tai kategorinių duomenų tipas, kai kategorijos turi natūralią tvarką arba eiliškumą. Tai reiškia, kad kategorijos yra išdėstytos taip, kad jas galima reitinguoti arba išdėstyti pagal santykinę vertę arba svarbą. Pavyzdžiui, apklausos klausimu, kuriame respondentų prašoma įvertinti savo sutikimo lygį skalėje nuo 1 iki 5, renkami ordinariniai duomenys, nes atsakymai turi natūralią tvarką nuo "visiškai nesutinku" (1) iki "visiškai sutinku" (5). Ordinalinių duomenų pavyzdžius galima analizuoti taikant statistinius metodus, pavyzdžiui, chi kvadrato testus, tačiau reikia būti atsargiems, nes atstumai tarp kategorijų gali būti nevienodi.

Eiliškumo duomenys yra labai svarbūs moksliniuose tyrimuose, nes jie leidžia klasifikuoti ir palyginti duomenis pagal natūralią tvarką ar eiliškumą, o tai gali suteikti vertingų įžvalgų apie duomenų dėsningumus, ryšius ir tendencijas. Šio tipo duomenys dažnai naudojami socialinių mokslų tyrimuose, pavyzdžiui, apklausose ir klausimynuose, kai respondentų prašoma įvertinti savo nuomonę ar patirtį pagal skalę.

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

Nuosekliųjų duomenų charakteristikos

Eiliškumo duomenys - tai kategorinių duomenų tipas, kuris parodo tam tikrą tvarką ar eiliškumą tarp kategorijų. Toliau pateikiamos kelios pagrindinės ordinalių duomenų savybės:

Užsakymas: Ordinarinių duomenų kategorijos yra išdėstytos tam tikra tvarka arba eiliškumu, o ši tvarka parodo sutikimo, nesutikimo arba pirmenybės lygį. Pavyzdžiui, apklausoje, kurioje klausiama apie gautų paslaugų kokybę, atsakymų variantai galėtų būti "puikus", "geras", "geras", "tinkamas" arba "prastas", kurie turėtų aiškią tvarką.

Neskaitmeninis: Eiliškosios duomenų kategorijos nebūtinai vaizduojamos skaičiais, o kategorijos gali būti žodžiai arba simboliai. Pavyzdžiui, restoranų vertinimo sistemoje kokybės lygiams nurodyti gali būti naudojamos žvaigždutės, o ne skaitinės vertės.

Nevienodi intervalai: Atstumai tarp kategorijų nebūtinai yra vienodi. Pavyzdžiui, skirtumas tarp "visiškai sutinku" ir "sutinku" Likerto skalėje gali būti kitoks nei skirtumas tarp "nesutinku" ir "visiškai nesutinku".

Ribotas kategorijų skaičius: Įprastai ordinariniai duomenys turi baigtinį kategorijų skaičių, kurį dažnai iš anksto nustato tyrėjas. Pavyzdžiui, apklausoje gali būti naudojama Likerto skalė su penkiais atsakymų variantais.

Gali būti traktuojami kaip skaitiniai duomenys: Kartais statistinės analizės tikslais eiliškus duomenis galima traktuoti kaip skaitinius duomenis, tačiau tai reikėtų daryti atsargiai. Priskiriant reikšmingas skaitines vertes ordinaliosioms kategorijoms, gali būti lengviau atlikti analizę ir aiškinimą, tačiau tai neturėtų pakeisti esminio duomenų pobūdžio.

Eilės kintamųjų tipai

Eilės kintamieji - tai kintamieji, kurie gali būti reitinguojami arba rikiuojami pagal jų reikšmes arba požymius. Yra dviejų tipų ordinaliniai kintamieji:

Suderinta kategorija

Suderintų kategorijų ordinaliųjų kintamųjų atveju kintamojo kategorijų tvarka yra natūrali. Šią tvarką apibrėžia pats kintamasis, o kategorijos viena kitą išskiria. Pavyzdžiui, atliekant tyrimą "prieš ir po", tos pačios grupės dalyviai vertinami pagal tą patį ordinarinį kintamąjį dviem skirtingais laiko momentais, pavyzdžiui, prieš gydymą ir po jo. Kategorijos, esančios "prieš" matavime, yra suderintos arba suporuotos su kategorijomis, esančiomis "po" matavime.

Kitas pavyzdys - tyrimas, kuriame lyginamos porų pirmenybės tam tikru aspektu, kai vieno partnerio pirmenybės lyginamos su kito partnerio pirmenybėmis. Suderintos kategorijos dažnai analizuojamos taikant neparametrinius statistinius testus, pavyzdžiui, Vilkoksono pasirašytąjį ranginį testą arba Fridmano testą, siekiant palyginti skirtumus tarp kategorijų kiekvienoje poroje ar grupėje.

Nesuderinta kategorija

Nesuderinta kategorija yra dar vieno tipo ordinarinis kintamasis. Skirtingai nuo suderintų kategorijų, nesuderintos kategorijos neturi aiškaus ryšio ar ryšio tarp kategorijų. Pavyzdžiui, jei prašote respondentų įvertinti, kam jie teikia pirmenybę skirtingų tipų muzikos žanrams, tarp džiazo, kantri ir roko kategorijų gali nebūti aiškaus eiliškumo ar ryšio.

Nesuderintose kategorijose kategorijos vis dar gali būti suskirstytos pagal individualius respondento pageidavimus ar suvokimą, tačiau nėra objektyvaus ar nuoseklaus eiliškumo, kuris būtų taikomas visiems respondentams. Dėl to gali būti sunkiau analizuoti ir aiškinti duomenis, palyginti su suderintomis kategorijomis, kurios turi aiškią ir nuoseklią tvarką.

Nuosekliųjų duomenų pavyzdžiai

Nuosekliųjų duomenų pavyzdžių galima rasti daugelyje mokslinių tyrimų sričių ir atliekant įvairius matavimus. Keletas ordinarinių duomenų pavyzdžių:

Intervalinė skalė

Intervalinė skalė - tai tokia matavimo skalė, kurioje kiekvienai kategorijai ar atsakymui priskiriama skaitinė vertė, o skirtumai tarp verčių yra reikšmingi ir vienodi. Ji panaši į santykio skalę, tik neturi tikrojo nulinio taško.

Pavyzdžiui, Celsijaus temperatūros skalė yra intervalinės skalės pavyzdys. Skirtumas tarp 10 °C ir 20 °C yra toks pat kaip tarp 20 °C ir 30 °C. Tačiau 0°C reiškia ne visišką temperatūros nebuvimą, o tam tikrą skalės tašką.

Likerto skalė

Likerto skalė - tai įprastas ordinarinių duomenų tipas, kai požiūriui, nuomonei ar suvokimui matuoti naudojamas atsakymų variantų rinkinys, pavyzdžiui, "visiškai sutinku", "sutinku", "neutralus", "nesutinku" ir "visiškai nesutinku". Kiekvienam atsakymui priskiriama skaitinė vertė, paprastai nuo 1 iki 5 arba nuo 1 iki 7, o didesnė vertė reiškia teigiamą arba stipresnį atsakymą. Likerto skalė dažnai naudojama apklausose ir klausimynuose, siekiant surinkti eiliškus duomenis, kuriuos galima analizuoti taikant tam tikrus metodus.

Kaip analizuoti eiliškus duomenis?

Egzistuoja keletas ordinalių duomenų analizės metodų, įskaitant:

Aprašomoji statistika: Aprašomoji statistika naudojama apibendrinti ir aprašyti ordinarinių duomenų centrinę tendenciją ir pasiskirstymą. Kai kurie dažniausiai naudojami aprašomieji statistiniai duomenys yra mediana, moda ir procentiliai. Aprašomoji statistika gali padėti pateikti bendrą duomenų apžvalgą ir nustatyti bet kokias galimas problemas, pavyzdžiui, išskirtines reikšmes ar iškreiptą pasiskirstymą. Tačiau jie nesuteikia jokios informacijos apie skirtumų ar ryšių tarp grupių statistinį reikšmingumą.

Neparametriniai testai: Neparametriniai testai dažniausiai naudojami eiliškiems duomenims analizuoti, nes nereikalaujama, kad duomenys atitiktų tam tikrą pasiskirstymą, pavyzdžiui, normalųjį pasiskirstymą, ir nedaroma prielaida, kad intervalai tarp kategorijų yra lygūs. Šie testai grindžiami stebinių rangais, o ne tiksliomis jų vertėmis. Neparametriniai testai yra atsparūs nukrypimams ir dažnai naudojami, kai parametrinių testų prielaidos netenkina. Tačiau jų statistinė galia gali būti mažesnė nei parametrinių testų, ypač kai imtis yra maža.

Įsakomoji logistinė regresija: Ordinalinė logistinė regresija - tai statistinis metodas, naudojamas vieno ar daugiau ordinalinių nepriklausomų kintamųjų ir ordinalinio priklausomo kintamojo ryšiui modeliuoti. Šis metodas naudingas, kai norima nustatyti veiksnius, darančius įtaką ordinalaus kintamojo rezultatui. Ordinalinė logistinė regresija daro prielaidą, kad priklausomo kintamojo kategorijos yra išdėstytos eilės tvarka ir kad atstumas tarp kategorijų nebūtinai yra vienodas. Taip pat daroma prielaida, kad priklausomo kintamojo ir nepriklausomų kintamųjų ryšys yra logaritminis.

Korespondencijos analizė: Šis metodas naudojamas dviejų ar daugiau ordinarinių kintamųjų ryšiui tirti. Jis padeda nustatyti dėsningumus ir ryšius tarp kintamųjų ir vizualizuoti juos dvimatėje erdvėje. Taikant šį metodą sudaroma kontingencijų lentelė, kurioje pateikiami kiekvieno kintamojo kiekvienos kategorijos dažniai. Tada kiekvienai kategorijai apskaičiuojamas balų rinkinys, pagrįstas bendru duomenų pasiskirstymu. Šie balai naudojami dvimačiam grafikui, kuriame kiekviena kategorija vaizduojama tašku, sukurti. Atstumas tarp taškų rodo kategorijų panašumo arba nepanašumo laipsnį.

Struktūrinių lygčių modeliavimas: Struktūrinių lygčių modeliavimas (SEM) yra statistinis metodas, naudojamas kintamųjų ryšiams analizuoti ir sudėtingiems modeliams tikrinti. Tai yra daugiamatės analizės metodas, kuriuo galima apdoroti daugybę kintamųjų - tiek stebimų, tiek latentinių - ir tikrinti priežastinius ryšius tarp kintamųjų. Analizuojant eiliškus duomenis, SEM gali būti naudojamas modeliams, apimantiems kelis eiliškus kintamuosius ir latentinius konstruktus, tikrinti. Ji taip pat gali padėti nustatyti ir įvertinti tiesioginio ir netiesioginio kintamųjų tarpusavio poveikio dydį.

Išvestinė statistika

Išvadinė statistika - tai statistikos šaka, apimanti išvadų darymą ir išvadų apie populiaciją darymą remiantis duomenų imtimi. Tai galingas įrankis, leidžiantis tyrėjams daryti apibendrinimus, prognozes ir hipotezes apie didesnę grupę, neapsiribojant stebėtais duomenimis.

Aprašomojoje statistikoje apibendrinami ir aprašomi duomenys, o išvadų statistikoje žengiamas dar vienas žingsnis į priekį: taikant tikimybių teoriją ir statistinius metodus analizuojami imties duomenys ir daromos išvados apie populiaciją, iš kurios buvo sudaryta imtis. Naudodami išvestinę statistiką tyrėjai gali daryti prognozes, tikrinti hipotezes ir, remdamiesi išvadomis, priimti pagrįstus sprendimus.

Nuosekliųjų duomenų naudojimas

Eilės duomenys naudojami įvairiose srityse ir dažnai renkami atliekant apklausas, klausimynus ir kitus tyrimus. Štai keletas dažniausiai pasitaikančių eiliškumo duomenų naudojimo būdų:

Apklausos / klausimynai

Apklausos ir klausimynai yra įprastas būdas rinkti eiliškus duomenis. Pavyzdžiui, apklausos metu respondentų gali būti prašoma įvertinti savo sutikimo su teiginiu lygį skalėje nuo "visiškai nesutinku" iki "visiškai sutinku". Tokius duomenis galima naudoti analizuojant atsakymų tendencijas ar dėsningumus.

Moksliniai tyrimai

Eiliškumo duomenys taip pat gali būti naudojami atliekant mokslinius tyrimus, siekiant įvertinti ryšį tarp skirtingų kintamųjų. Pavyzdžiui, tyrėjas gali naudoti ordinarinę skalę tam tikru simptomu sergančių pacientų grupės sunkumui įvertinti. Tokio tipo duomenys gali būti naudojami simptomo sunkumui skirtingose pacientų grupėse palyginti arba simptomo pokyčiams laikui bėgant stebėti.

Klientų aptarnavimas

Eiliškumo duomenys taip pat gali būti naudojami klientų aptarnavimo srityje, siekiant įvertinti klientų pasitenkinimą ar nepasitenkinimą. Pavyzdžiui, kliento gali būti paprašyta įvertinti savo patirtį, susijusią su įmonės produktu ar paslauga, skalėje nuo "labai nepatenkintas" iki "labai patenkintas". Tokius duomenis galima naudoti nustatant tobulintinas sritis ir stebint klientų pasitenkinimo pokyčius laikui bėgant.

Darbo paraiškos

Eiliškumo duomenys taip pat gali būti naudojami darbo paraiškose, siekiant įvertinti pareiškėjo kvalifikaciją ar patirties lygį. Pavyzdžiui, darbdavys gali paprašyti pretendentų į darbą įvertinti savo patirties tam tikroje srityje lygį pagal skalę nuo "neturiu patirties" iki "ekspertas". Tokius duomenis galima naudoti lyginant skirtingų kandidatų į darbą kvalifikaciją ir atrenkant tinkamiausią kandidatą darbui.

Eilinių ir vardinių duomenų skirtumas

Eiliniai ir nominalūs duomenys yra du kategorinių duomenų tipai. Pagrindinis skirtumas tarp jų yra matavimo lygis ir informacija, kurią jie perteikia.

Eiliškumo duomenys - tai kategorinių duomenų tipas, kai kintamieji turi natūralią tvarką arba eiliškumą. Jie matuojami ordinaliniu lygmeniu, t. y. turi natūralią tvarką, tačiau reikšmių skirtumų negalima kiekybiškai įvertinti ar išmatuoti. Ordinalinių duomenų pavyzdžiai yra reitingai, įvertinimai ir Likerto skalės.

Kita vertus, nominalieji duomenys taip pat yra kategorinių duomenų rūšis, tačiau jie neturi natūralios tvarkos ar eiliškumo. Jie matuojami nominaliuoju lygmeniu, o tai reiškia, kad duomenis galima suskirstyti tik į viena kitą išskiriančias kategorijas be jokio būdingo rangavimo ar eiliškumo. Nominaliųjų duomenų pavyzdžiai: lytis, etninė kilmė ir šeimyninė padėtis.

Pagrindinis ordinarinių ir nominaliųjų duomenų skirtumas yra tas, kad ordinariniams duomenims būdinga natūrali tvarka arba eiliškumas, o nominaliesiems - ne. Norėdami sužinoti daugiau apie ordinarinių ir nominaliųjų duomenų skirtumus, žr. šioje svetainėje.

Reikia labai konkrečios iliustracijos? Mes sukursime ją jums!

Mind the Graph platforma siūlo plačią mokslinių iliustracijų biblioteką ir šablonus su sudėtingomis mokslinėmis sąvokomis ir konkrečiais jums reikalingais vaizdais. Mind the Graph bendradarbiaus su jumis, kad sukurtų aukštos kokybės iliustraciją, atitinkančią jūsų lūkesčius. Ši paslauga užtikrina, kad galėsite turėti tikslią vaizdinę medžiagą, kurios reikia jūsų moksliniam tyrimui, pristatymui ar leidiniui, nereikalaujant specializuotos dizaino programinės įrangos ar įgūdžių.