SCaleS of MeaSureMent Determining the proper scale or level of data measurement will help you decide which statistical analysis to use. The four levels of measurement that are commonly accepted and used are nominal, ordinal, interval, and ratio (Stevens, 1946). Both nominal and ordinal are qualitative, while interval and ratio are quantitative. The more elaborate analyses (parametric) such as the F-test and t-test require quantitative data, while other generally less powerful nonparametric data analyses, like chi- square (χ2) and Spearman’s rank correlation, use categorical data. nominal Data classifed as nominal have the least amount of restrictions, are generally used as labels to denote categorical data or class members, and have no mathematical properties. An example of nominal data as a categorical label would be numbers assigned to a variable such as GENDER, where 1 = male and 2 = female. Since these numbers only represent labels and not values, assigning the numbers 17 to male and 4 to female would have no effect on the categories. Rather than assign- ing a number to a category, alphanumeric characters may suffce, as in the case of a variable for LEVEL OF STUDY, where L = low and H = high. Nominal data are also used to identify individual class members. Often numbers are assigned to participants in a research study. These numbers can be interchanged as long as each participant has a unique number (e.g., the variable ID NUMBER). Analysis on nominal level values is limited to procedures such as chi-square (χ2) and to descriptive statistics such as frequencies and mode. We can only determine how many members fall under each class. Nominal data are often used as the independent variable to separate class members when comparing performance on tests or other dependent (outcome) variables. Understanding what test to run on your data frst requires that you understand what type of data you have. Data can be classifed in several ways, but in general data are continuous or categori- cal. The numbers that represent continuous data are inherently meaningful (e.g., someone can be 11 years old, 66 years old or 33.5 years old). With categorical data, the numbers act as a placeholder and aren’t inherently meaningful (e.g., we might code male as 1 and female as 2 when entering data from a survey). Those numbers could easily be 11 and 22 because it is an arbitrary decision about what number to assign to that particular category, in this case gender. Just knowing this allows you to make some preliminary decisions about data analysis.
چکیده فارسی
مقیاس های اندازه گیری تعیین مقیاس یا سطح مناسب اندازه گیری داده ها به شما کمک می کند تصمیم بگیرید از کدام تجزیه و تحلیل آماری استفاده کنید. چهار سطح اندازه گیری که معمولاً پذیرفته شده و مورد استفاده قرار می گیرند عبارتند از: اسمی، ترتیبی، فاصله و نسبت (استیونز، 1946). اسمی و ترتیبی هر دو کیفی هستند، در حالی که فاصله و نسبت کمی هستند. تحلیلهای دقیقتر (پارامتری) مانند F-test و t-test به دادههای کمی نیاز دارند، در حالی که سایر تجزیه و تحلیلهای دادههای ناپارامتریک کمتر قدرتمندتر، مانند مجذور کای (χ2) و همبستگی رتبه اسپیرمن، از دادههای طبقهبندی استفاده میکنند. اسمی داده های طبقه بندی شده به عنوان اسمی کمترین محدودیت را دارند، معمولاً به عنوان برچسب برای نشان دادن داده های طبقه بندی شده یا اعضای کلاس استفاده می شوند و هیچ ویژگی ریاضی ندارند. نمونهای از دادههای اسمی بهعنوان یک برچسب طبقهبندی میتواند اعدادی باشد که به متغیری مانند جنسیت اختصاص داده میشوند، که در آن 1 = مرد و 2 = زن. از آنجایی که این اعداد فقط نشان دهنده برچسب ها هستند و نه مقادیر، اختصاص اعداد 17 به مرد و 4 به زن هیچ تاثیری بر دسته ها نخواهد داشت. به جای تخصیص یک عدد به یک دسته، کاراکترهای الفبایی ممکن است کافی باشد، همانطور که در مورد یک متغیر برای LEVEL OF STUDY، که در آن L = کم و H = زیاد است. از داده های اسمی نیز برای شناسایی اعضای کلاس استفاده می شود. اغلب اعداد به شرکت کنندگان در یک مطالعه تحقیقاتی اختصاص داده می شود. این اعداد را می توان تا زمانی که هر شرکت کننده یک شماره منحصر به فرد (به عنوان مثال، متغیر ID NUMBER) داشته باشد، تعویض کرد. تجزیه و تحلیل مقادیر سطح اسمی به رویه هایی مانند مجذور کای (χ2) و به آمار توصیفی مانند فرکانس ها و حالت محدود می شود. ما فقط می توانیم تعیین کنیم که چه تعداد عضو در هر کلاس قرار می گیرند. داده های اسمی اغلب به عنوان متغیر مستقل برای جداسازی اعضای کلاس هنگام مقایسه عملکرد در آزمون ها یا سایر متغیرهای وابسته (نتیجه) استفاده می شوند. درک اینکه چه آزمایشی باید ابتدا روی دادههای خود اجرا شود، مستلزم آن است که نوع دادههای خود را بدانید. داده ها را می توان به روش های مختلفی طبقه بندی کرد، اما به طور کلی داده ها پیوسته یا مقوله ای هستند. اعدادی که داده های پیوسته را نشان می دهند ذاتاً معنی دار هستند (به عنوان مثال، فردی می تواند 11 ساله، 66 ساله یا 33.5 ساله باشد). با دادههای طبقهبندی شده، اعداد بهعنوان یک مکاندار عمل میکنند و ذاتاً معنیدار نیستند (به عنوان مثال، هنگام وارد کردن دادهها از نظرسنجی، ممکن است مرد را 1 و زن را 2 کدگذاری کنیم). این اعداد به راحتی می توانند 11 و 22 باشند زیرا این یک تصمیم دلبخواه در مورد اینکه چه عددی به آن دسته خاص اختصاص داده می شود، در این مورد جنسیت است. فقط دانستن این موضوع به شما امکان می دهد تا در مورد تجزیه و تحلیل داده ها تصمیمات اولیه بگیرید.
ادامه ...
بستن ...
Ninth edition published 2020
by Routledge
52 Vanderbilt Avenue, New York, NY 10017
and by Routledge
2 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN
Routledge is an imprint of the Taylor & Francis Group, an informa business
© 2020 Taylor & Francis
The right of M. Kimberly MacLin to be identifed as author of this work has
been asserted by them in accordance with sections 77 and 78 of the Copyright,
Designs and Patents Act 1988.
All rights reserved. No part of this book may be reprinted or reproduced or
utilized in any form or by any electronic, mechanical, or other means, now
known or hereafter invented, including photocopying and recording, or in
any information storage or retrieval system, without permission in writing
from the publishers.
Trademark notice: Product or corporate names may be trademarks or registered
trademarks, and are used only for identifcation and explanation without
intent to infringe.
First edition published 1971 by Harper Collins
Eighth edition published 2008 by Pearson
Library of Congress Cataloging- in-Publication Data
A catalog record for this title has been requested
ISBN: 978-0-367-40652-3 (hbk)
ISBN: 978-0-367-40654-7 (pbk)
ISBN: 978-0-367-80828-0 (ebk)
Typeset in Palatino
by Wearset Ltd, Boldon, Tyne and Wear
ادامه ...
بستن ...