Ordinālo datu izpēte: Piemēri un pielietojums

Pētniecības un datu analīzes jomā dažādu datu veidu izpratne ir būtiska, lai izdarītu jēgpilnus secinājumus un pieņemtu pamatotus lēmumus. Viens no šādiem tipiem ir kārtas dati, kuriem ir būtiska nozīme dažādās disciplīnās, sākot no sociālajām zinātnēm un beidzot ar tirgus izpēti. Izpratne par to, kas ir ordinālie dati un kā tie atšķiras no citiem datu veidiem, ir būtiska pētniekiem, kuru mērķis ir iegūt jēgpilnus secinājumus no datu kopām. Šajā rakstā tiks sniegts visaptverošs skaidrojums par to, kas ir kārtas dati un kāda ir to nozīme pētniecībā.

Kas ir kārtas dati?

Kārtējie dati ir kategorisko datu veids, kurā kategorijām ir noteikta dabiska secība vai secība. Tas nozīmē, ka kategorijas ir sakārtotas tā, ka tās var sarindot vai sakārtot, pamatojoties uz to relatīvo vērtību vai nozīmi. Piemēram, aptaujas jautājumā, kurā respondentiem lūdz novērtēt viņu piekrišanas līmeni skalā no 1 līdz 5, tiek vākti ordināli dati, jo atbildēm ir dabiska secība no "pilnīgi nepiekrītu" (1) līdz "pilnīgi piekrītu" (5). Ordinālo datu piemērus var analizēt, izmantojot statistikas metodes, piemēram, chi-kvadrāts testu, bet ir nepieciešama zināma piesardzība, jo attālumi starp kategorijām var nebūt vienādi.

Kārtējie dati ir ļoti svarīgi zinātniskajos pētījumos, jo tie ļauj klasificēt un salīdzināt datus ar dabisku kārtību vai rangu, kas var sniegt vērtīgu ieskatu par datu modeļiem, attiecībām un tendencēm. Šāda veida datus bieži izmanto sociālo zinātņu pētījumos, piemēram, aptaujās un anketās, kur respondentiem lūdz novērtēt savu viedokli vai pieredzi pēc skalas.

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

Ordinālo datu raksturlielumi

Kārtējie dati ir kategorisko datu veids, kas atspoguļo noteiktu kārtību vai rangu starp kategorijām. Tālāk ir uzskaitītas dažas galvenās ordinālo datu īpašības:

Pasūtījums: Kategorijām ordinālajos datos ir noteikta secība vai rangs, un šī secība atspoguļo piekrišanas, nepiekrišanas vai priekšroku līmeni. Piemēram, aptaujā, kurā jautāts par saņemtā pakalpojuma kvalitāti, atbilžu varianti varētu būt "teicami", "labi", "pietiekami" vai "slikti", un tiem būtu skaidra secība.

Nav skaitliski: Ordinālo datu kategorijas nav obligāti jānorāda ar skaitļiem, un kategorijas var būt vārdi vai simboli. Piemēram, restorānu vērtēšanas sistēmā kvalitātes līmeņu apzīmēšanai var izmantot zvaigznītes, nevis skaitliskās vērtības.

Nevienādi intervāli: Attālumi starp kategorijām ne vienmēr ir vienādi. Piemēram, starpība starp "pilnīgi piekrītu" un "piekrītu" Likerta skalā var nebūt tāda pati kā starpība starp "nepiekrītu" un "pilnīgi nepiekrītu".

Ierobežots kategoriju skaits: Ordinālajiem datiem parasti ir ierobežots kategoriju skaits, ko bieži vien iepriekš nosaka pētnieks. Piemēram, aptaujā var izmantot Likerta skalu ar piecām atbilžu iespējām.

Var uzskatīt par skaitliskajiem datiem: Dažreiz kārtas datus var uzskatīt par skaitliskajiem datiem statistiskās analīzes vajadzībām, taču tas jādara piesardzīgi. Nozīmīgu skaitlisko vērtību piešķiršana ordinālajām kategorijām var atvieglot analīzi un interpretāciju, bet tā nedrīkst mainīt datu būtību.

Ordinālo mainīgo veidi

Kārtējie mainīgie ir mainīgie, kurus var sakārtot vai sakārtot, pamatojoties uz to vērtībām vai atribūtiem. Ir divu veidu kārtas mainīgie:

Atbilstošā kategorija

Saskaņotu kategoriju ordinālajos mainīgajos ir noteikta mainīgā lieluma kategoriju dabiskā secība. Šo kārtību nosaka pats mainīgais, un kategorijas ir savstarpēji izslēdzošas. Piemēram, pirms un pēc pētījuma projektā vienai un tai pašai dalībnieku grupai mēra vienu un to pašu kārtas mainīgo divos dažādos laika posmos, piemēram, pirms un pēc ārstēšanas. Kategorijas mērījumā "pirms" ir saskaņotas vai pārī savienotas ar kategorijām mērījumā "pēc".

Cits piemērs ir pētījums, kurā tiek salīdzinātas pāru vēlmes kādā noteiktā aspektā, kur viena partnera vēlmes tiek saskaņotas vai pārī savienotas ar otra partnera vēlmēm. Saskaņotās kategorijas bieži analizē, izmantojot neparametriskos statistiskos testus, piemēram, Vilkoksona parakstītā ranga testu vai Frīdmena testu, lai salīdzinātu atšķirības starp kategorijām katrā pārī vai grupā.

Nesaskaņota kategorija

Neatbilstošā kategorija ir cita veida kārtas mainīgais. Atšķirībā no saskaņotajām kategorijām, nesaskaņotajām kategorijām nav skaidras saistības vai saiknes starp kategorijām. Piemēram, ja jūs lūdzat respondentus novērtēt savas vēlmes attiecībā uz dažādiem mūzikas žanriem, var nebūt skaidra sakārtojuma vai saistības starp džeza, kantri un roka kategorijām.

Nesaskaņotās kategorijās kategorijas joprojām var sakārtot, pamatojoties uz respondenta individuālajām vēlmēm vai uztveri, taču nav objektīvas vai konsekventas sakārtošanas, kas attiektos uz visiem respondentiem. Tas var apgrūtināt datu analīzi un interpretāciju salīdzinājumā ar saskaņotajām kategorijām, kurām ir skaidra un konsekventa secība.

Ordinālo datu piemēri

Ordinālo datu piemēri ir atrodami daudzās pētniecības jomās un dažādos mērījumu veidos. Daži ordinālo datu piemēri ir šādi:

Intervāla skala

Intervāla skala ir mērījumu skalas veids, kurā katrai kategorijai vai atbildei ir piešķirta skaitliska vērtība, un atšķirības starp vērtībām ir nozīmīgas un vienādas. Tā ir līdzīga attiecību skalai, tikai tai nav īsta nulles punkta.

Piemēram, Celsija temperatūras skala ir intervāla skalas piemērs. Starpība starp 10°C un 20°C ir tāda pati kā starpība starp 20°C un 30°C. Tomēr 0°C nenozīmē pilnīgu temperatūras neesamību, bet gan konkrētu punktu skalā.

Likerta skala

Likerta skala ir izplatīts ordinālo datu veids, kurā tiek izmantots atbilžu variantu kopums, piemēram, "pilnīgi piekrītu", "piekrītu", "neitrāli", "nepiekrītu" un "pilnīgi nepiekrītu", lai novērtētu attieksmi, viedokli vai uztveri. Katrai atbildei tiek piešķirta skaitliska vērtība, parasti no 1 līdz 5 vai no 1 līdz 7, kur augstāka vērtība norāda uz pozitīvāku vai spēcīgāku atbildi. Likerta skalu bieži izmanto aptaujās un anketās, lai iegūtu ordinālus datus, kurus var analizēt, izmantojot īpašas metodes.

Kā analizēt ordinālos datus?

Ir vairākas metodes, kā analizēt ordinālos datus, tostarp:

Aprakstošā statistika: Aprakstošo statistiku izmanto, lai apkopotu un aprakstītu ordinālo datu centrālo tendenci un sadalījumu. Dažas no parasti izmantotajām aprakstošajām statistikām ordinālajiem datiem ir mediāna, moda un procentiles. Aprakstošā statistika var palīdzēt sniegt vispārēju pārskatu par datiem un identificēt iespējamās problēmas, piemēram, novirzes vai izkliedētu sadalījumu. Tomēr tā nesniedz nekādu informāciju par atšķirību statistisko nozīmīgumu vai attiecībām starp grupām.

Neparametriskie testi: Neparametriskos testus parasti izmanto ordinālo datu analīzei, jo tie neprasa, lai dati atbilstu noteiktam sadalījumam, piemēram, normālajam sadalījumam, un neparedz, ka intervāli starp kategorijām ir vienādi. Šo testu pamatā ir novērojumu rangi, nevis to precīzās vērtības. Neparametriskie testi ir izturīgi pret novirzēm, un tos bieži izmanto, ja parametrisko testu pieņēmumi nav izpildīti. Tomēr tiem var būt mazāka statistiskā jauda nekā parametriskajiem testiem, jo īpaši, ja izlases lielums ir neliels.

Ordinālā loģistiskā regresija: Ordinālā statistiskā regresija ir statistikas metode, ko izmanto, lai modelētu sakarību starp vienu vai vairākiem ordinālajiem neatkarīgajiem mainīgajiem un ordinālo atkarīgo mainīgo. Šī metode ir noderīga, ja vēlaties noteikt faktorus, kas ietekmē ordinālā mainīgā iznākumu. Ordinālā loģistiskā regresija pieņem, ka atkarīgā mainīgā kategorijas ir sakārtotas un ka attālums starp kategorijām ne vienmēr ir vienāds. Tā arī pieņem, ka saistība starp atkarīgo mainīgo un neatkarīgajiem mainīgajiem ir logaritmiski lineāra.

Korespondences analīze: Šo metodi izmanto, lai izpētītu attiecības starp diviem vai vairākiem kārtas mainīgajiem. Tā palīdz noteikt modeļus un sakarības starp mainīgajiem un vizualizēt tos divdimensiju telpā. Šī metode ietver kontingences tabulas izveidi, kurā parādītas katras kategorijas biežumu vērtības katram mainīgajam. Pēc tam katrai kategorijai tiek aprēķināts punktu kopums, pamatojoties uz datu kopējo sadalījumu. Šos vērtējumus izmanto, lai izveidotu divdimensiju diagrammu, kurā katra kategorija ir attēlota ar punktu. Attālums starp punktiem norāda līdzības vai atšķirības pakāpi starp kategorijām.

Strukturālo vienādojumu modelēšana: Strukturālo vienādojumu modelēšana (SEM) ir statistikas metode, ko izmanto, lai analizētu attiecības starp mainīgajiem un pārbaudītu sarežģītus modeļus. Tā ir daudzdimensiju analīzes metode, kas var apstrādāt vairākus mainīgos - gan novērotos, gan latentos - un pārbaudīt cēloņsakarības starp mainīgajiem. Analizējot kārtas datus, SEM var izmantot, lai pārbaudītu modeļus, kas ietver vairākus kārtas mainīgos un latentos konstruktus. Tā var arī palīdzēt noteikt un novērtēt mainīgo savstarpējās tiešās un netiešās ietekmes lielumu.

Inferenciālā statistika

Inferenciālā statistika ir statistikas nozare, kas ietver secinājumu izdarīšanu un secinājumu izdarīšanu par populāciju, pamatojoties uz datu izlasi. Tas ir spēcīgs instruments, kas ļauj pētniekiem izdarīt vispārinājumus, prognozes un hipotēzes par lielāku grupu ārpus novērotajiem datiem.

Aprakstošā statistika apkopo un apraksta datus, bet secinošā statistika ir vēl viens solis tālāk, izmantojot varbūtību teoriju un statistikas metodes, lai analizētu izlases datus un izdarītu secinājumus par populāciju, no kuras tika ņemta izlase. Izmantojot secinošo statistiku, pētnieki var izteikt prognozes, pārbaudīt hipotēzes un pieņemt pamatotus lēmumus, pamatojoties uz iegūtajiem rezultātiem.

Ordinālo datu lietojums

Ordinālos datus izmanto visdažādākajos lietojumos, un tos bieži vāc, izmantojot aptaujas, anketas un citus pētījumu veidus. Šeit ir daži izplatītākie ordinālo datu izmantošanas veidi:

Aptaujas/aptaujas anketas

Aptaujas un aptaujas anketas ir izplatīts veids, kā vākt kārtas datus. Piemēram, aptaujā respondentiem var lūgt novērtēt, cik lielā mērā viņi piekrīt kādam apgalvojumam, izmantojot skalu no "pilnīgi nepiekrītu" līdz "pilnīgi piekrītu". Šāda veida datus pēc tam var izmantot, lai analizētu atbilžu tendences vai modeļus.

Pētniecība

Ordinālos datus var izmantot arī pētījumos, lai novērtētu saistību starp dažādiem mainīgajiem. Piemēram, pētnieks var izmantot ordinālo skalu, lai izmērītu konkrēta simptoma smagumu pacientu grupā ar konkrētu slimību. Šāda veida datus pēc tam var izmantot, lai salīdzinātu simptoma smagumu dažādās pacientu grupās vai lai sekotu līdzi simptoma izmaiņām laika gaitā.

Klientu apkalpošana

Kārtējos datus var izmantot arī klientu apkalpošanā, lai novērtētu klientu apmierinātību vai neapmierinātību. Piemēram, klientam var lūgt novērtēt savu pieredzi ar uzņēmuma produktu vai pakalpojumu skalā no "ļoti neapmierināts" līdz "ļoti apmierināts". Šāda veida datus pēc tam var izmantot, lai noteiktu jomas, kurās nepieciešami uzlabojumi, un sekotu līdzi klientu apmierinātības izmaiņām laika gaitā.

Darba pieteikumi

Ordinālos datus var izmantot arī darba pieteikumos, lai novērtētu pretendenta kvalifikāciju vai pieredzes līmeni. Piemēram, darba devējs var lūgt darba meklētājiem novērtēt savu pieredzes līmeni konkrētā jomā, izmantojot skalu no "nav pieredzes" līdz "eksperts". Šāda veida datus pēc tam var izmantot, lai salīdzinātu dažādu darba pretendentu kvalifikāciju un izvēlētos darbam viskvalificētāko kandidātu.

Ordinālo un nominālo datu atšķirība

Kārtējie un nominālie dati ir divi kategorisko datu veidi. Galvenā atšķirība starp tiem ir mērījumu līmenī un informācijā, ko tie sniedz.

Kārtējie dati ir kategorisko datu veids, kur mainīgajiem ir dabiska secība vai rangs. Tos mēra ordinālajā līmenī, kas nozīmē, ka tiem ir dabiska sakārtošana, bet atšķirības starp vērtībām nevar kvantitatīvi noteikt vai izmērīt. Ordinālo datu piemēri ir klasifikācija, reitingi un Likerta skalas.

No otras puses, nominālie dati arī ir kategorisko datu veids, taču tiem nav dabiskas sakārtošanas vai ranga. Tos mēra nominālajā līmenī, kas nozīmē, ka datus var klasificēt tikai savstarpēji izslēdzošās kategorijās bez raksturīgas sakārtošanas vai secības. Nominālo datu piemēri ir dzimums, etniskā izcelsme un ģimenes stāvoklis.

Galvenā atšķirība starp ordinālajiem un nominālajiem datiem ir tā, ka ordinālajiem datiem ir dabiska secība vai rangs, bet nominālajiem datiem tā nav. Lai uzzinātu vairāk par ordinālo un nominālo datu atšķirībām, skatiet šajā tīmekļa vietnē.

Nepieciešama ļoti specifiska ilustrācija? Mēs to izveidosim jums!

Mind the Graph platforma piedāvā plašu zinātnisko ilustrāciju bibliotēku un veidnes ar sarežģītiem zinātniskiem jēdzieniem un konkrētiem nepieciešamajiem attēliem. Mind the Graph sadarbosies ar jums, lai izveidotu augstas kvalitātes ilustrāciju, kas atbilst jūsu vēlmēm. Šis pakalpojums nodrošina, ka jūs varat iegūt tieši tādu vizuālo noformējumu, kāds nepieciešams jūsu pētījumam, prezentācijai vai publikācijai, un jums nav nepieciešama specializēta dizaina programmatūra vai prasmes.