Variablentypen und Skalenniveaus#
Die Art der Variablen bestimmt maßgeblich, welcher statistische Test geeignet ist. In der Statistik unterscheidet man vier Skalenniveaus, die eine hierarchische Ordnung bilden: von nominal (am wenigsten informativ) bis verhältnisskaliert (am informativsten).
Die vier Skalenniveaus#
Nominalskala#
Nominale Variablen beschreiben Kategorien ohne natürliche Reihenfolge. Die Werte sind lediglich Bezeichnungen.
Beispiele für nominale Variablen
- Geschlecht (männlich, weiblich, divers)
- Blutgruppe (A, B, AB, 0)
- Familienstand (ledig, verheiratet, geschieden)
- Lieblingsfarbe (rot, blau, grün)
Mögliche Operationen: Häufigkeiten zählen, Modus bestimmen. Typische Tests: Chi-Quadrat-Test, Fishers exakter Test.
Ordinalskala#
Ordinale Variablen haben eine sinnvolle Rangordnung, aber die Abstände zwischen den Stufen sind nicht gleich groß oder nicht interpretierbar.
Beispiele für ordinale Variablen
- Schulnoten (1, 2, 3, 4, 5, 6) – der Abstand zwischen 1 und 2 ist nicht notwendigerweise gleich dem Abstand zwischen 4 und 5
- Zufriedenheit (sehr unzufrieden, unzufrieden, neutral, zufrieden, sehr zufrieden)
- Bildungsabschluss (Hauptschule, Realschule, Abitur, Studium)
Mögliche Operationen: Rangordnung, Median bestimmen. Typische Tests: Mann-Whitney-U-Test, Kruskal-Wallis-Test, Spearman-Korrelation.
Intervallskala#
Intervallskalierte Variablen haben gleiche Abstände zwischen den Werten, aber keinen natürlichen Nullpunkt.
Beispiele für intervallskalierte Variablen
- Temperatur in Celsius (0°C bedeutet nicht "keine Temperatur")
- IQ-Werte (ein IQ von 0 ist nicht sinnvoll interpretierbar)
- Kalenderjahr (das Jahr 0 ist willkürlich festgelegt)
Mögliche Operationen: Addition, Subtraktion, Mittelwert. Typische Tests: t-Test, ANOVA, Pearson-Korrelation.
Verhältnisskala (Ratioskala)#
Verhältnisskalierte Variablen besitzen gleiche Abstände und einen natürlichen Nullpunkt. Damit sind Verhältnisaussagen möglich (z. B. „doppelt so viel").
Beispiele für verhältnisskalierte Variablen
- Gewicht in kg (0 kg = kein Gewicht)
- Reaktionszeit in Millisekunden
- Einkommen in Euro
- Alter in Jahren
Mögliche Operationen: Alle arithmetischen Operationen, einschließlich Multiplikation und Division. Typische Tests: t-Test, ANOVA, Pearson-Korrelation.
Die praktische Unterscheidung: Kategorial vs. Metrisch#
Für die Wahl des statistischen Tests ist häufig die vereinfachte Unterscheidung relevanter:
| Eigenschaft | Kategorial | Metrisch |
|---|---|---|
| Skalenniveau | Nominal, Ordinal | Intervall, Verhältnis |
| Typische Tests | Chi-Quadrat, Mann-Whitney | t-Test, ANOVA |
| Lagemaß | Modus, Median | Mittelwert |
| Streuungsmaß | – | Standardabweichung, Varianz |
Praktische Auswirkungen auf die Testwahl#
Die wichtigste Frage lautet: Ist meine abhängige Variable metrisch oder kategorial?
- Metrische AV → parametrische Tests (t-Test, ANOVA) oder deren nichtparametrische Alternativen
- Kategoriale AV → Chi-Quadrat-Test, logistische Regression
Die unabhängige Variable definiert die Gruppen:
- Kategorial mit 2 Gruppen → t-Test oder Mann-Whitney
- Kategorial mit 3+ Gruppen → ANOVA oder Kruskal-Wallis
- Metrisch → Korrelation oder Regression
Häufige Missverständnisse#
„Likert-Skalen sind immer ordinal." Das ist umstritten. Einzelne Likert-Items (z. B. 1–5) sind streng genommen ordinal. Summenwerte aus mehreren Items werden in der Praxis aber oft als quasi-metrisch behandelt, insbesondere wenn die Skala mindestens 5 Stufen hat und annähernd normalverteilt ist.
„Ordinale Daten dürfen nie mit parametrischen Tests analysiert werden." In der Praxis zeigen parametrische Tests bei ordinalen Daten mit vielen Stufen (≥ 5) oft robuste Ergebnisse. Die Entscheidung hängt von der konkreten Datenverteilung ab.
„Zahlen bedeuten automatisch metrisches Niveau." Postleitzahlen, Telefonnummern oder codierte Kategorien (1 = männlich, 2 = weiblich) sind Zahlen, aber nominal skaliert. Das Skalenniveau hängt von der Bedeutung ab, nicht von der Darstellung.
Weiterführende Literatur
- Bortz, J. & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Aufl.). Springer.
- Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5. Aufl.). SAGE.