{"id":29892,"date":"2023-10-14T06:04:00","date_gmt":"2023-10-14T09:04:00","guid":{"rendered":"https:\/\/mindthegraph.com\/blog\/academic-report-format-copy\/"},"modified":"2023-10-10T18:12:07","modified_gmt":"2023-10-10T21:12:07","slug":"ordinal-data-examples","status":"publish","type":"post","link":"https:\/\/mindthegraph.com\/blog\/nl\/ordinale-gegevens-voorbeelden\/","title":{"rendered":"Ordinale gegevens verkennen: Voorbeelden en toepassingen"},"content":{"rendered":"

Op het gebied van onderzoek en gegevensanalyse is het begrijpen van de verschillende soorten gegevens essentieel voor het trekken van zinvolle conclusies en het nemen van weloverwogen beslissingen. E\u00e9n zo'n type is ordinale data, die een cruciale rol speelt in verschillende disciplines, vari\u00ebrend van sociale wetenschappen tot marktonderzoek. Begrijpen wat ordinale data inhoudt en hoe het verschilt van andere datatypes is essentieel voor onderzoekers die zinvolle inzichten uit hun datasets willen halen. In dit artikel wordt uitgebreid uitgelegd wat ordinale gegevens zijn en wat het belang ervan is op het gebied van onderzoek.<\/p>\n\n\n\n

Wat zijn ordinale gegevens?<\/strong><\/h2>\n\n\n\n

Ordinale gegevens zijn categoriale gegevens waarbij de categorie\u00ebn een natuurlijke volgorde of rangorde hebben. Dit betekent dat de categorie\u00ebn zodanig zijn geordend dat ze kunnen worden gerangschikt of gerangschikt op basis van hun relatieve waarde of belang. Bijvoorbeeld, een enqu\u00eatevraag die respondenten vraagt om hun mate van overeenstemming te beoordelen op een schaal van 1 tot 5 is het verzamelen van ordinale gegevens, omdat de antwoorden een natuurlijke volgorde hebben van \"helemaal mee oneens\" (1) tot \"helemaal mee eens\" (5). Ordinale gegevens kunnen worden geanalyseerd met statistische methoden zoals chi-kwadraat toetsen, maar enige voorzichtigheid is geboden omdat de afstanden tussen categorie\u00ebn mogelijk niet gelijk zijn.<\/p>\n\n\n\n

Ordinale gegevens zijn cruciaal in wetenschappelijk onderzoek omdat ze de classificatie en vergelijking van gegevens met een natuurlijke volgorde of rangschikking mogelijk maken, wat waardevolle inzichten kan bieden in patronen, relaties en trends binnen de gegevens. Dit type gegevens wordt vaak gebruikt in sociaal-wetenschappelijk onderzoek, zoals enqu\u00eates en vragenlijsten, waarbij respondenten wordt gevraagd hun meningen of ervaringen op een schaal te beoordelen.<\/p>\n\n\n\n

Afbeelding: https:\/\/www.voxco.com\/wp-content\/uploads\/2021\/03\/Cover-scale-1536\u00d7864.jpg<\/p>\n\n\n\n

Kenmerken van ordinale gegevens<\/strong><\/h2>\n\n\n\n

Ordinale gegevens zijn categoriale gegevens die een bepaalde volgorde of rangorde tussen de categorie\u00ebn weergeven. Hieronder volgen enkele belangrijke kenmerken van ordinale gegevens:<\/p>\n\n\n\n

Bestel: <\/strong>De categorie\u00ebn in ordinale gegevens hebben een specifieke volgorde of rangorde, en deze volgorde vertegenwoordigt de mate van overeenstemming, onenigheid of voorkeur. In een enqu\u00eate waarin bijvoorbeeld wordt gevraagd naar de kwaliteit van de ontvangen service, kunnen de antwoordopties \"uitstekend\", \"goed\", \"redelijk\" of \"slecht\" zijn, die een duidelijke volgorde hebben.<\/p>\n\n\n\n

Niet-numeriek:<\/strong> <\/em>Ordinale gegevenscategorie\u00ebn worden niet noodzakelijk weergegeven door getallen en de categorie\u00ebn kunnen woorden of symbolen zijn. Een beoordelingssysteem voor restaurants kan bijvoorbeeld sterren gebruiken om kwaliteitsniveaus aan te geven in plaats van numerieke waarden.<\/p>\n\n\n\n

Ongelijke intervallen:<\/strong> <\/em>De afstanden tussen categorie\u00ebn zijn niet noodzakelijkerwijs gelijk. Bijvoorbeeld, het verschil tussen \"sterk mee eens\" en \"mee eens\" op een Likert-schaal hoeft niet hetzelfde te zijn als het verschil tussen \"mee oneens\" en \"sterk mee oneens\".<\/p>\n\n\n\n

Beperkt aantal categorie\u00ebn:<\/strong> Ordinale gegevens hebben meestal een eindig aantal categorie\u00ebn, die vaak vooraf zijn gedefinieerd door de onderzoeker. In een enqu\u00eate kan bijvoorbeeld een Likert-schaal met vijf antwoordopties worden gebruikt.<\/p>\n\n\n\n

Kan worden behandeld als numerieke gegevens: <\/strong>Soms kunnen ordinale gegevens worden behandeld als numerieke gegevens voor statistische analysedoeleinden, maar dit moet voorzichtig gebeuren. Het toekennen van betekenisvolle numerieke waarden aan ordinale categorie\u00ebn kan de analyse en interpretatie vergemakkelijken, maar het mag de essenti\u00eble aard van de gegevens niet veranderen.<\/p>\n\n\n\n

Soorten ordinale variabelen<\/strong><\/h2>\n\n\n\n

Ordinale variabelen zijn variabelen die gerangschikt kunnen worden op basis van hun waarden of kenmerken. Er zijn twee soorten ordinale variabelen:<\/p>\n\n\n\n

Bijpassende categorie<\/h3>\n\n\n\n

Bij ordinale variabelen van gematchte categorie\u00ebn is er een natuurlijke volgorde in de categorie\u00ebn van de variabele. Deze volgorde wordt bepaald door de variabele zelf en de categorie\u00ebn sluiten elkaar uit. Bijvoorbeeld, in een voor-en-na studieopzet wordt dezelfde groep deelnemers gemeten op dezelfde ordinale variabele op twee verschillende tijdstippen, zoals voor en na een behandeling. De categorie\u00ebn in de \"voor\"-meting worden gekoppeld aan de categorie\u00ebn in de \"na\"-meting. <\/p>\n\n\n\n

Een ander voorbeeld is een onderzoek waarin de voorkeuren van koppels voor een bepaald aspect worden vergeleken, waarbij de voorkeuren van de ene partner worden gematcht of gekoppeld aan de voorkeuren van de andere partner. Gematchte categorie\u00ebn worden vaak geanalyseerd met niet-parametrische statistische toetsen, zoals de Wilcoxon signed-rank test of de Friedman-toets, om de verschillen tussen de categorie\u00ebn binnen elk paar of elke groep te vergelijken.<\/p>\n\n\n\n

Onge\u00ebvenaarde categorie<\/h3>\n\n\n\n

De niet-gematchte categorie is een ander type ordinale variabele. In tegenstelling tot gematchte categorie\u00ebn, hebben niet-gematchte categorie\u00ebn geen duidelijke relatie of verband tussen de categorie\u00ebn. Als je respondenten bijvoorbeeld vraagt om hun voorkeuren voor verschillende soorten muziekgenres te beoordelen, is er mogelijk geen duidelijke ordening of relatie tussen de categorie\u00ebn jazz, country en rock.<\/p>\n\n\n\n

Bij niet-gematchte categorie\u00ebn kunnen de categorie\u00ebn nog steeds geordend zijn op basis van de individuele voorkeuren of percepties van een respondent, maar er is geen objectieve of consistente ordening die voor alle respondenten geldt. Dit kan het moeilijker maken om de gegevens te analyseren en te interpreteren in vergelijking met gematchte categorie\u00ebn, die een duidelijke en consistente volgorde hebben.<\/p>\n\n\n\n

Voorbeelden van ordinale gegevens<\/strong><\/h2>\n\n\n\n

Voorbeelden van ordinale gegevens zijn te vinden in veel onderzoeksgebieden en in verschillende soorten metingen. Enkele voorbeelden van ordinale gegevens zijn:<\/p>\n\n\n\n

Intervalschaal<\/h3>\n\n\n\n

De intervalschaal is een type meetschaal waarbij aan elke categorie of respons een numerieke waarde wordt toegekend en waarbij de verschillen tussen de waarden betekenisvol en gelijk zijn. Het is vergelijkbaar met de ratio schaal, behalve dat het geen echt nulpunt heeft.<\/p>\n\n\n\n

De Celsius-temperatuurschaal is bijvoorbeeld een voorbeeld van de intervalschaal. Het verschil tussen 10\u00b0C en 20\u00b0C is hetzelfde als het verschil tussen 20\u00b0C en 30\u00b0C. 0\u00b0C staat echter niet voor een volledige afwezigheid van temperatuur, maar eerder voor een specifiek punt op de schaal.<\/p>\n\n\n\n

Likert-schaal<\/h3>\n\n\n\n

Een Likert-schaal is een veelgebruikt type ordinale gegevens waarbij gebruik wordt gemaakt van een reeks antwoordmogelijkheden, zoals \"zeer mee eens\", \"mee eens\", \"neutraal\", \"niet mee eens\" en \"zeer mee oneens\" om attitudes, meningen of percepties te meten. Aan elke respons wordt een numerieke waarde toegekend, meestal vari\u00ebrend van 1 tot 5 of 1 tot 7, waarbij een hogere waarde een positievere of sterkere respons aangeeft. De Likert-schaal wordt vaak gebruikt in enqu\u00eates en vragenlijsten om ordinale gegevens te verzamelen die geanalyseerd kunnen worden met specifieke methoden.<\/p>\n\n\n\n

Hoe ordinale gegevens analyseren?<\/strong><\/h2>\n\n\n\n

Er zijn verschillende methoden om ordinale gegevens te analyseren, waaronder:<\/p>\n\n\n\n

Beschrijvende Statistieken:<\/strong> Beschrijvende statistieken worden gebruikt om de centrale tendens en verdeling van ordinale gegevens samen te vatten en te beschrijven. Enkele veelgebruikte beschrijvende statistieken voor ordinale gegevens zijn de mediaan, modus en percentielen. Beschrijvende statistieken kunnen helpen om een algemeen overzicht van de gegevens te geven en mogelijke problemen te identificeren, zoals uitschieters of scheve verdelingen. Ze geven echter geen informatie over de statistische significantie van verschillen of relaties tussen groepen.<\/p>\n\n\n\n

Niet-parametrische tests: <\/strong>Niet-parametrische toetsen worden vaak gebruikt om ordinale gegevens te analyseren omdat ze niet vereisen dat de gegevens een specifieke verdeling volgen, zoals een normale verdeling, en niet aannemen dat de intervallen tussen de categorie\u00ebn gelijk zijn. Deze toetsen zijn gebaseerd op de rangorde van de waarnemingen in plaats van op hun exacte waarden. Niet-parametrische toetsen zijn robuust voor uitschieters en worden vaak gebruikt als niet aan de aannames van parametrische toetsen wordt voldaan. Ze kunnen echter minder statistisch vermogen hebben dan parametrische toetsen, vooral als de steekproefomvang klein is. <\/p>\n\n\n\n

Ordinale logistische regressie:<\/strong> Ordinale logistische regressie is een statistische methode die wordt gebruikt om het verband tussen een of meer ordinale onafhankelijke variabelen en een ordinale afhankelijke variabele te modelleren. Deze methode is nuttig als je de factoren wilt bepalen die de uitkomst van een ordinale variabele be\u00efnvloeden. Ordinale logistische regressie gaat ervan uit dat de categorie\u00ebn van de afhankelijke variabele geordend zijn en dat de afstand tussen de categorie\u00ebn niet noodzakelijkerwijs gelijk is. Er wordt ook aangenomen dat de relatie tussen de afhankelijke variabele en de onafhankelijke variabelen loglineair is.<\/p>\n\n\n\n

Correspondentieanalyse:<\/strong> Deze methode wordt gebruikt om de relatie tussen twee of meer ordinale variabelen te onderzoeken. Het helpt om patronen en relaties tussen de variabelen te identificeren en ze te visualiseren in een tweedimensionale ruimte. De methode bestaat uit het maken van een contingentietabel die de frequenties van elke categorie voor elke variabele weergeeft. Vervolgens wordt voor elke categorie een reeks scores berekend op basis van de algemene verdeling van de gegevens. Deze scores worden gebruikt om een tweedimensionaal diagram te maken waarin elke categorie wordt weergegeven door een punt. De afstand tussen de punten geeft de mate van gelijkenis of ongelijkenis tussen de categorie\u00ebn aan.<\/p>\n\n\n\n

Structurele vergelijking modellering:<\/strong> Structurele vergelijking modellering (SEM) is een statistische methode die gebruikt wordt om de relaties tussen variabelen te analyseren en om complexe modellen te testen. Het is een multivariate analysetechniek die meerdere variabelen kan verwerken, zowel waargenomen als latente, en causale relaties tussen variabelen kan testen. Bij het analyseren van ordinale gegevens kan SEM worden gebruikt om modellen te testen die meerdere ordinale variabelen en latente constructen bevatten. Het kan ook helpen bij het identificeren en schatten van de grootte van directe en indirecte effecten van variabelen op elkaar.<\/p>\n\n\n\n

Inferenti\u00eble statistiek<\/strong><\/h2>\n\n\n\n

Inferenti\u00eble statistiek is een tak van de statistiek die zich bezighoudt met het trekken van conclusies en het maken van gevolgtrekkingen over een populatie op basis van een steekproef van gegevens. Het is een krachtig hulpmiddel waarmee onderzoekers generalisaties, voorspellingen en hypotheses kunnen maken over een grotere groep dan alleen de waargenomen gegevens.<\/p>\n\n\n\n

Terwijl beschrijvende statistieken gegevens samenvatten en beschrijven, gaan inferenti\u00eble statistieken een stap verder door waarschijnlijkheidstheorie en statistische methoden te gebruiken om de gegevens van de steekproef te analyseren en conclusies te trekken over de populatie waaruit de steekproef is genomen. Door inferenti\u00eble statistieken te gebruiken, kunnen onderzoekers voorspellingen doen, hypotheses testen en ge\u00efnformeerde beslissingen nemen op basis van de bevindingen.<\/p>\n\n\n\n

Gebruik van ordinale gegevens<\/strong><\/h2>\n\n\n\n

Ordinale gegevens worden gebruikt in een breed scala aan toepassingen en worden vaak verzameld via enqu\u00eates, vragenlijsten en andere vormen van onderzoek. Hier volgen enkele veelvoorkomende toepassingen van ordinale gegevens:<\/p>\n\n\n\n

Enqu\u00eates\/vragenlijsten<\/h3>\n\n\n\n

Enqu\u00eates en vragenlijsten zijn een veelgebruikte manier om ordinale gegevens te verzamelen. Een enqu\u00eate kan respondenten bijvoorbeeld vragen om hun mate van instemming met een stelling te beoordelen op een schaal van \"helemaal mee oneens\" tot \"helemaal mee eens\". Dit type gegevens kan vervolgens worden gebruikt om trends of patronen in de antwoorden te analyseren.<\/p>\n\n\n\n

Onderzoek<\/h3>\n\n\n\n

Ordinale gegevens kunnen ook worden gebruikt in onderzoeken om de relatie tussen verschillende variabelen te meten. Een onderzoeker kan bijvoorbeeld een ordinale schaal gebruiken om de ernst van een bepaald symptoom te meten bij een groep pati\u00ebnten met een bepaalde ziekte. Dit type gegevens kan dan gebruikt worden om de ernst van het symptoom in verschillende groepen pati\u00ebnten te vergelijken of om veranderingen in het symptoom in de loop van de tijd te volgen.<\/p>\n\n\n\n

Klantenservice<\/h3>\n\n\n\n

Ordinale gegevens kunnen ook worden gebruikt in de klantenservice om de tevredenheid of ontevredenheid van klanten te meten. Een klant kan bijvoorbeeld gevraagd worden om zijn ervaring met het product of de service van een bedrijf te beoordelen op een schaal van \"zeer ontevreden\" tot \"zeer tevreden\". Dit soort gegevens kan vervolgens worden gebruikt om gebieden te identificeren die voor verbetering vatbaar zijn en om veranderingen in de klanttevredenheid in de loop van de tijd te volgen.<\/p>\n\n\n\n

Sollicitaties<\/h3>\n\n\n\n

Ordinale gegevens kunnen ook worden gebruikt bij sollicitaties om de kwalificaties of het ervaringsniveau van een sollicitant te meten. Een werkgever kan sollicitanten bijvoorbeeld vragen om hun ervaringsniveau op een bepaald gebied te beoordelen op een schaal van \"geen ervaring\" tot \"expert\". Dit soort gegevens kan dan worden gebruikt om de kwalificaties van verschillende sollicitanten te vergelijken en de meest geschikte kandidaat voor de baan te selecteren.<\/p>\n\n\n\n

Verschil tussen ordinale en nominale gegevens<\/strong><\/h2>\n\n\n\n

Ordinale en nominale gegevens zijn twee soorten categorische gegevens. Het belangrijkste verschil tussen hen ligt in het meetniveau en de informatie die ze overbrengen.<\/p>\n\n\n\n

Ordinale gegevens zijn een type categorische gegevens waarbij de variabelen een natuurlijke volgorde of rangorde hebben. Ze worden gemeten op ordinaal niveau, wat betekent dat ze een natuurlijke volgorde hebben, maar dat de verschillen tussen de waarden niet gekwantificeerd of gemeten kunnen worden. Voorbeelden van ordinale gegevens zijn ranglijsten, beoordelingen en Likert-schalen.<\/p>\n\n\n\n

Aan de andere kant zijn nominale gegevens ook een type categorische gegevens, maar ze hebben geen natuurlijke ordening of rangorde. Ze worden gemeten op nominaal niveau, wat betekent dat de gegevens alleen kunnen worden ingedeeld in onderling uitsluitende categorie\u00ebn zonder inherente rangschikking of volgorde. Voorbeelden van nominale gegevens zijn geslacht, etniciteit en burgerlijke staat.<\/p>\n\n\n\n

Het belangrijkste verschil tussen ordinale en nominale gegevens is dat ordinale gegevens een natuurlijke volgorde of rangorde hebben, terwijl nominale gegevens dat niet hebben. Voor meer informatie over het verschil tussen ordinale en nominale gegevens, zie deze website.<\/a><\/p>\n\n\n\n

Heb je een heel specifieke illustratie nodig? Wij ontwerpen het voor je!<\/strong><\/h2>\n\n\n\n

Mind the Graph<\/a> platform biedt een uitgebreide bibliotheek met wetenschappelijke illustraties en templates met complexe wetenschappelijke concepten en specifieke afbeeldingen die je nodig hebt. Mind the Graph maakt samen met jou een illustratie van hoge kwaliteit die voldoet aan jouw verwachtingen. Deze service zorgt ervoor dat je precies de visuals hebt die je nodig hebt voor je onderzoek, presentatie of publicatie, zonder dat je gespecialiseerde ontwerpsoftware of vaardigheden nodig hebt.<\/p>\n\n\n\n

<\/div>\n\n\n
\n
\"\"<\/a><\/figure><\/div>\n\n\n
<\/div>\n\n\n\n
\n
Begin met cre\u00ebren met Mind the Graph<\/a><\/div>\n<\/div>\n\n\n\n
<\/div>","protected":false},"excerpt":{"rendered":"

Leer hier alles over ordinale gegevensvoorbeelden. Leer wat ordinale gegevens zijn en hoe je ze op een effectieve manier kunt gebruiken.<\/p>","protected":false},"author":35,"featured_media":29894,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[959,28],"tags":[],"yoast_head":"\nExploring Ordinal Data: Examples and Uses - Mind the Graph Blog<\/title>\n<meta name=\"description\" content=\"Get a comprehensive understanding of ordinal data examples here. Learn about what ordinal data is, and how to use it in an effective way.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/mindthegraph.com\/blog\/nl\/ordinale-gegevens-voorbeelden\/\" \/>\n<meta property=\"og:locale\" content=\"nl_NL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Exploring Ordinal Data: Examples and Uses\" \/>\n<meta property=\"og:description\" content=\"Get a comprehensive understanding of ordinal data examples here. Learn about what ordinal data is, and how to use it in an effective way.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/mindthegraph.com\/blog\/nl\/ordinale-gegevens-voorbeelden\/\" \/>\n<meta property=\"og:site_name\" content=\"Mind the Graph Blog\" \/>\n<meta property=\"article:published_time\" content=\"2023-10-14T09:04:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-10T21:12:07+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/10\/ordinal-data-examples-blog.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1124\" \/>\n\t<meta property=\"og:image:height\" content=\"613\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Ang\u00e9lica Salom\u00e3o\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:title\" content=\"Exploring Ordinal Data: Examples and Uses\" \/>\n<meta name=\"twitter:description\" content=\"Get a comprehensive understanding of ordinal data examples here. Learn about what ordinal data is, and how to use it in an effective way.\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/10\/ordinal-data-examples-blog.png\" \/>\n<meta name=\"twitter:label1\" content=\"Geschreven door\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ang\u00e9lica Salom\u00e3o\" \/>\n\t<meta name=\"twitter:label2\" content=\"Geschatte leestijd\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minuten\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Exploring Ordinal Data: Examples and Uses - Mind the Graph Blog","description":"Get a comprehensive understanding of ordinal data examples here. Learn about what ordinal data is, and how to use it in an effective way.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/mindthegraph.com\/blog\/nl\/ordinale-gegevens-voorbeelden\/","og_locale":"nl_NL","og_type":"article","og_title":"Exploring Ordinal Data: Examples and Uses","og_description":"Get a comprehensive understanding of ordinal data examples here. Learn about what ordinal data is, and how to use it in an effective way.","og_url":"https:\/\/mindthegraph.com\/blog\/nl\/ordinale-gegevens-voorbeelden\/","og_site_name":"Mind the Graph Blog","article_published_time":"2023-10-14T09:04:00+00:00","article_modified_time":"2023-10-10T21:12:07+00:00","og_image":[{"width":1124,"height":613,"url":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/10\/ordinal-data-examples-blog.png","type":"image\/png"}],"author":"Ang\u00e9lica Salom\u00e3o","twitter_card":"summary_large_image","twitter_title":"Exploring Ordinal Data: Examples and Uses","twitter_description":"Get a comprehensive understanding of ordinal data examples here. Learn about what ordinal data is, and how to use it in an effective way.","twitter_image":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/10\/ordinal-data-examples-blog.png","twitter_misc":{"Geschreven door":"Ang\u00e9lica Salom\u00e3o","Geschatte leestijd":"10 minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/mindthegraph.com\/blog\/ordinal-data-examples\/","url":"https:\/\/mindthegraph.com\/blog\/ordinal-data-examples\/","name":"Exploring Ordinal Data: Examples and Uses - Mind the Graph Blog","isPartOf":{"@id":"https:\/\/mindthegraph.com\/blog\/#website"},"datePublished":"2023-10-14T09:04:00+00:00","dateModified":"2023-10-10T21:12:07+00:00","author":{"@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/542e3620319366708346388407c01c0a"},"description":"Get a comprehensive understanding of ordinal data examples here. Learn about what ordinal data is, and how to use it in an effective way.","breadcrumb":{"@id":"https:\/\/mindthegraph.com\/blog\/ordinal-data-examples\/#breadcrumb"},"inLanguage":"nl","potentialAction":[{"@type":"ReadAction","target":["https:\/\/mindthegraph.com\/blog\/ordinal-data-examples\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/mindthegraph.com\/blog\/ordinal-data-examples\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/mindthegraph.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Exploring Ordinal Data: Examples and Uses"}]},{"@type":"WebSite","@id":"https:\/\/mindthegraph.com\/blog\/#website","url":"https:\/\/mindthegraph.com\/blog\/","name":"Mind the Graph Blog","description":"Your science can be beautiful!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/mindthegraph.com\/blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"nl"},{"@type":"Person","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/542e3620319366708346388407c01c0a","name":"Ang\u00e9lica Salom\u00e3o","image":{"@type":"ImageObject","inLanguage":"nl","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/a59218eda57fb51e0d7aea836e593cd1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/a59218eda57fb51e0d7aea836e593cd1?s=96&d=mm&r=g","caption":"Ang\u00e9lica Salom\u00e3o"},"url":"https:\/\/mindthegraph.com\/blog\/nl\/author\/angelica\/"}]}},"_links":{"self":[{"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/posts\/29892"}],"collection":[{"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/users\/35"}],"replies":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/comments?post=29892"}],"version-history":[{"count":4,"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/posts\/29892\/revisions"}],"predecessor-version":[{"id":29903,"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/posts\/29892\/revisions\/29903"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/media\/29894"}],"wp:attachment":[{"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/media?parent=29892"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/categories?post=29892"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/nl\/wp-json\/wp\/v2\/tags?post=29892"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}