Категориальные переменные: номинальные и порядковые шкалы.
Nominal category
Категориальные переменные в статистике: типы (номинальные и порядковые), определение, примеры. Узнайте, как использовать качественные данные в анализе!
Сравнивайте с английским: нажмите на абзац — оригинал откроется в окне. Кнопка EN под абзацем показывает его прямо в тексте.
Содержание
Введение
Понятие в статистике.
Concept in statistics
Введение в номинальные данные
Переменная, используемая для соотнесения каждой точки данных в наборе наблюдений или в конкретном случае с определенной качественной категорией, является категориальной переменной. Категориальные переменные имеют два типа шкал: порядковую и номинальную. Первый тип категориальной шкалы зависит от естественного порядка, уровней, определяемых ощущением качества. Переменные с таким порядком называются порядковыми переменными. В отличие от них, переменные с неупорядоченными шкалами являются номинальными переменными. Номинальная переменная, или номинальная группа, представляет собой совокупность объектов или идей, объединенных по определенному качественному признаку. Номинальные переменные не имеют естественного порядка, что означает, что статистический анализ этих переменных всегда будет давать одинаковые результаты, независимо от порядка представления данных. Например, влияние расы (номинальной) на доход (отношений) можно исследовать, регрессируя уровень дохода на одну или несколько дамми-переменных, определяющих расу. При использовании номинальных переменных в таких контекстах допустимые операции с данными ограничены. Арифметические операции и вычисления, измеряющие центральную тенденцию данных (количественные оценки при анализе данных, включая среднее и медиану), не могут быть применены к номинальным категориям. Однако допустимые операции с данными включают сравнение частот и частотных распределений, определение моды, создание сводных таблиц, использование критерия хи-квадрат для проверки соответствия и независимости, кодирование и перекодирование, а также логистическую или пробит-регрессию.
A variable used to associate each data point in a set of observations, or in a particular instance, to a certain qualitative category is a categorical variable. Categorical variables have two types of scales, ordinal and nominal. The first type of categorical scale is dependent on natural ordering, levels that are defined by a sense of quality. Variables with this ordering convention are known as ordinal variables. In comparison, variables with unordered scales are nominal variables.]] A nominal variable, or nominal group, is a group of objects or ideas collectively grouped by a particular qualitative characteristic. Nominal variables do not have a natural order, which means that statistical analyses of these variables will always produce the same results, regardless of the order in which the data is presented. For example, the effect of race (nominal) on income (ratio) could be investigated by regressing the level of income upon one or more dummy variables that specify race. When nominal variables are used in these contexts, the valid data operations that may be performed are limited. While arithmetic operations and calculations measuring the central tendency of data (quantitative assignments of data analysis, including mean, median) cannot be performed on nominal categories, performable data operations include the comparison of frequencies and the frequency distribution, the determination of a mode, the creation of pivot tables, and uses of Chi square goodness of fit and independence tests, coding and recoding, and logistic or probit regressions.]]
Примеры и логический анализ номинальных данных
Как следует из названия «номинальный», номинальные группы основываются на наименовании данных, которые они содержат. Другим примером является использование кодирования индикаторных переменных, которое присваивает каждому элементу данных в наборе числовое значение 0 или 1. Этот метод позволяет определить, принадлежит ли отдельное наблюдение к определенной группе (обозначается единицей) или нет (обозначается нулем). Такая числовая связь обеспечивает большую гибкость при анализе номинальных данных, поскольку она позволяет учитывать различия не только между отдельными номинальными группами, но и различия внутри набора данных, определяя взаимосвязи между номинальными переменными и другими переменными в систематическом контексте.
As ‘nominal’ suggests, nominal groups are based on the name of the data it encapsulates. Another example of this is the use of indicator variable coding that assigns a numerical value of 0 or 1 to each data point in a set. This method identifies whether individual observations belong to a particular group (set to one) or not (set to zero). This numerical association allows for more flexibility in nominal data analysis as it captures differences not only between distinct nominal groups, but also the differences present among data within a set, determining the interactions between nominal variables and other variables in a systematic context.