Al determinar qué método estadístico usar para analizar sus datos, es esencial saber el tipo de variable con la que está trabajando. ¿Cuál es la clave del éxito? Asegúrese de observar los datos en contexto para determinar cómo el estudio calculó los resultados de una variable específica. ¿El estudio consideró el dolor como un número de 1 a 100? ¿Acaban de preguntar a los participantes una simple pregunta de sí o no? ¿O convirtieron una respuesta numérica para caer en una categoría en particular?
Los datos nominales se clasifican sin un orden o rango natural, mientras que los datos ordinales tienen un orden predeterminado o natural. Por otro lado, los datos numéricos o cuantitativos siempre serán un número que se puede medir. En el ejemplo previamente aludido, la presencia o ausencia de dolor se consideraría datos nominales, mientras que la gravedad del dolor representada por categorías como ninguna, leve, moderada o severa serían datos ordinales. Si el dolor se analizara en una escala analógica visual de 0 a 100, donde 100 sería dos veces más doloroso que 50, estos serían datos numéricos.
En un estudio de Pochapski, et al. Titulado Efecto del pretratamiento dexametasona sobre el dolor posendodóntico, el dolor se analiza de dos maneras diferentes, produciendo diferentes pruebas estadísticas utilizadas para analizar las variables apropiadas. En la Figura 1, la escala de calificación numérica se usa para registrar el dolor para cada grupo en cada punto de tiempo del estudio. En este caso, el dolor es una variable numérica. Sin embargo, en la Figura 2, la intensidad del dolor se analiza en diferentes categorías: ninguna, leve, moderada, severa. En este caso, el dolor es una variable ordinal. Debido a que los tipos variables son diferentes en cada caso, la prueba estadística utilizada para calcular los resultados también será diferente. Es muy importante identificar adecuadamente el tipo de variables utilizadas para analizar los datos para elegir las pruebas estadísticas correctas al calcular los resultados.
Las medidas de variabilidad son herramientas estadísticas que nos ayudan a evaluar la variabilidad de los datos informándonos sobre la calidad de una media del conjunto de datos. Este primero de los dos blogs sobre el tema cubrirá conceptos básicos de rango, desviación estándar y varianza.
¿Cuando una variable es ordinal o nominal?
Nominal: en este nivel de medición, los caracteres o nombres alfanuméricos se utilizan para clasificar los datos. Por ejemplo, si el género es su variable, las respuestas serán hombres o mujeres.
Ordinal: las variables de nivel ordinal tienen un orden significativo para ellas como el rango. Por ejemplo, hay una orden de «tamaño de bebida» (pequeño, mediano, grande, extra grande), sin embargo, no hay un intervalo consistente (volumen, distancia, tiempo, etc.) entre las categorías.
Escala: variables numéricas que tienen intervalos iguales entre cada valor, por ejemplo, la edad. Por ejemplo, la cantidad de tiempo entre un niño de 1 año y 2 años es la misma cantidad de tiempo que un de 51 y 52 años.
¿Qué es una variable ordinal ejemplo?
Los datos ordinales se clasifican en categorías dentro de una variable que tienen un orden de rango natural. Sin embargo, las distancias entre las categorías son desiguales o desconocidas.
Por ejemplo, la variable «frecuencia del ejercicio físico» se puede clasificar en lo siguiente:
Hay un orden claro en estas categorías, pero no podemos decir que la diferencia entre «nunca» y «raramente» es exactamente la misma que la «a veces» y «a menudo». Por lo tanto, esta escala es ordinal.
Ordinal es el segundo de 4 niveles jerárquicos de medición: nominal, ordinal, intervalo y relación. Los niveles de medición indican cómo se registran con precisión los datos.
Mientras que las variables nominales y ordinales son categóricas, las variables de intervalos y de relación son cuantitativas.
Los datos nominales difieren de los datos ordinales porque no se pueden clasificar en un orden. Los datos de intervalo difieren de los datos ordinales porque las diferencias entre las puntuaciones adyacentes son iguales.
En la investigación científica social, las variables ordinales a menudo incluyen calificaciones sobre opiniones o percepciones, o factores demográficos que se clasifican en niveles o soportes (como el estado social o los ingresos).
Las variables ordinales generalmente se evalúan utilizando preguntas de encuesta cerradas que brindan a los participantes varias respuestas posibles para elegir. Estos son fáciles de usar y le permiten comparar fácilmente datos entre los participantes.
- 0-18
- 19-34
- 35-49
- 50+
- Escuela primaria
¿Cuál es la variable ordinal?
Un ejemplo bien conocido de datos ordinales es la escala Likert. Un ejemplo de una escala Likert es: [4]: 685
A menudo se encuentran ejemplos de datos ordinales en los cuestionarios: por ejemplo, la pregunta de la encuesta «¿Es su salud general pobre, razonable, buena o excelente?» pueden tener esas respuestas codificadas respectivamente como 1, 2, 3 y 4. A veces, los datos en una escala de intervalo o escala de relación se agrupan a escala ordinal: por ejemplo, las personas cuyos ingresos se conocen pueden agruparse en las categorías de ingresos $ 0– $ 19,999 , $ 20,000– $ 39,999, $ 40,000– $ 59,999,…, que luego podrían codificarse como 1, 2, 3, 4,… otros ejemplos de datos ordinales incluyen estado socioeconómico, rangos militares y grados de cartas para cursos [ 5]
El análisis de datos ordinales requiere un conjunto diferente de análisis que otras variables cualitativas. Estos métodos incorporan el orden natural de las variables para evitar la pérdida de potencia. [1]: 88 se desaconseja calcular la media de una muestra de datos ordinales; Otras medidas de tendencia central, incluida la mediana o el modo, son generalmente más apropiadas. [6]
Stevens (1946) argumentó que, debido a que la suposición de igual distancia entre categorías no se mantiene para los datos ordinales, el uso de medias y las desviaciones estándar para la descripción de las distribuciones ordinales y de las estadísticas inferenciales basadas en medias y desviaciones estándar no fue apropiado. En cambio, se deben utilizar medidas posicionales como la mediana y los percentiles, además de las estadísticas descriptivas apropiadas para datos nominales (número de casos, modo, correlación de contingencia). [3]: 678 métodos no paramétricos se han propuesto como los procedimientos más apropiados para Estadísticas inferenciales que involucran datos ordinales (por ejemplo, Kendall’s W, Coeficiente de correlación de rango de Spearman, etc.), especialmente aquellos desarrollados para el análisis de mediciones clasificadas. [5]: 25-28 Sin embargo, el uso de estadísticas paramétricas para los datos ordinales puede estar permitido con ciertas advertencias para aprovechar el mayor rango de procedimientos estadísticos disponibles. [7] [8] [4]: 90
¿Qué tipo de variable es la nominal?
En estadísticas, los datos nominales (también llamados escala nominal) son un tipo de datos que se utilizan para etiquetar las variables sin proporcionar un valor cuantitativo. Esta es la forma más simple de una escala de medición. A diferencia de los datos ordinales, los datos nominales no se pueden ordenar y no se pueden medir.
A diferencia de los datos de intervalo o informe, los datos nominales no se pueden manipular utilizando operadores matemáticos disponibles. Por lo tanto, la única medición de la tendencia central para tales datos es el modo.
Los datos nominales pueden ser tanto cualitativos como cuantitativos, lo que significa que se usa particularmente en los estudios de mercado. Sin embargo, las etiquetas cuantitativas no tienen valor o relación numérica (por ejemplo, el número de identificación). Por otro lado, se pueden representar varios tipos de datos cualitativos en forma nominal. Pueden incluir palabras, letras y símbolos. Los nombres de las personas, el sexo y la nacionalidad son solo algunos de los ejemplos más comunes de datos nominales.
Los datos nominales se pueden analizar utilizando el método de agrupación. Las variables se pueden agrupar en categorías, y para cada categoría, se puede calcular la frecuencia o el porcentaje. Los datos también se pueden presentar visualmente, por ejemplo, utilizando un gráfico circular.
Aunque los datos nominales no se pueden procesar utilizando operadores matemáticos, sin embargo, pueden analizarse utilizando métodos estadísticos avanzados. Por ejemplo, una forma de analizar los datos es probar las hipótesis.
Artículos Relacionados:
