Grundlagen der Statistik: Nominal-, Ordinal- und Kardinalskala https://wissenschafts-thurm.de/grundlagen-der-statistik-wie-unte...

 

22. SEPTEMBER 2016 von CHRISTIAN REINBOTH

GRUNDLAGEN DER STATISTIK: WIE UNTERSCHEIDET

MAN ZWISCHEN NOMINAL-, ORDINAL- UND KARDINAL-
SKALA?

Nehmen wir einmal an, uns lägen von einer Untersuchung der Wassertiefe an einem Deich
genau zwei Merkmalswerte vor: Die Wassertiefe (1,85 m) sowie die Haarfarbe der Person, wel-
che die Messung vorgenommen hat (blond). Intuitiv wird uns klar sein, dass sich mit dem
Wert für die Wassertiefe deutlich mehr anfangen lässt, als mit der Angabe der Haarfarbe. So
könnte man den Wert etwa mit dem einer vorherigen Messung vergleichen und berechnen,
um wie viel Prozent der Wasserstand gefallen oder gestiegen ist. Kalkulieren könnte man
auch die Di�erenz zur Höhe des Deichs und damit die Höhe, um die das Wasser noch steigen
könnte, bevor eine kritische Marke erreicht wird. Im Hinblick auf die Haarfarbe könnten wir
dagegen lediglich einen Vergleich mit den Aufzeichnungen früherer Messungen anstellen
und ermitteln, ob die Prüfer stets blond waren, oder ob auch andere Haarfarben vertreten
sind.

Der Informationsgehalt des Merkmals “Wassertiefe in m” ist o�enbar deutlich größer als der
Informationsgehalt des Merkmals “Haarfarbe”. Diese zentrale Eigenschaft von Merkmalen

1 of 29 2/7/2023, 3:02 PM
Grundlagen der Statistik: Nominal-, Ordinal- und Kardinalskala https://wissenschafts-thurm.de/grundlagen-der-statistik-wie-unte...

bzw. Variablen wird in der Statistik als deren Skalenniveau bezeichnet. Da die Durchführbar-
keit einer Vielzahl von Analysen direkt oder indirekt davon abhängig ist, dass die vorhande-
nen Daten ein bestimmtes Skalenniveau erreichen, ist dessen fehlerfreie Bestimmung eine
unerlässliche Voraussetzung für die Anwendung dieser Verfahren. Für die Zwecke
unserer Statistik-Blogserie hier im “Wissenschafts-Thurm” wird eine Unterscheidung in die
nachfolgend dargestellten drei Skalenniveaus ausreichend sein.

Anzeige

Nominalskalenniveau

Bei nominalskalierten Daten handelt es sich um Daten, die in keinerlei natürliche Reihenfolge
gebracht werden können – beispielsweise um das Geschlecht, die Haarfarbe oder die Telefon-
nummer. Feststellbar ist hier lediglich, ob zwei statistische Einheiten im Hinblick auf ein no-
minalskaliertes Merkmal die gleichen Ausprägungen aufweisen – d.h. ob etwa beide befragten
Personen blond sind oder ob sie über unterschiedliche Haarfarben verfügen. Da es sich beim
Nominalskalennivau um dasjenige Skalenniveau mit dem geringsten Informationsgehalt han-
delt, lassen sich mit nominalskalierten Daten nur wenige Berechnungen anstellen – so
kommt etwa als Lagemaß nur der Modus in Frage, während sich Streuung, Schiefe oder Wöl-
bung einer nominalskalierten Verteilung gar nicht bestimmen lassen.

Beispiele: Geschlecht, Kontonummer, Haarfarbe, Telefonnummer, Geschmacksrichtung…

2 of 29 2/7/2023, 3:02 PM
Grundlagen der Statistik: Nominal-, Ordinal- und Kardinalskala https://wissenschafts-thurm.de/grundlagen-der-statistik-wie-unte...

Ordinalskalenniveau

Im Gegensatz zu nominalskalierten Daten können ordinalskalierte Daten zwar in eine natürli-

che Reihenfolge gebracht werden – da allerdings die Abstände zwischen den einzelnen Wer-
ten nicht quanti�zierbar sind, kann mit ihnen nicht “normal gerechnet” werden, obwohl es
sich auf den ersten Blick um “normale Zahlen” handelt. Das klassische Beispiel hierfür sind
Schulnoten. Schulnoten weisen sowohl eine natürliche Reihenfolge (eine 1 ist besser als eine
2, eine 2 ist besser als eine 3 usw.) als auch unterschiedliche Abstände zwischen den einzel-
nen Werten auf (der Notenbereich der 1 umfasst den Bereich von 92% bis 100% der maximal
erreichbaren Punkte, der Notenbereich der 5 dagegen den Bereich von 0% bis 49%). Aus die-
sem Grund sind Rechenoperationen wie etwa das Addieren oder das Subtrahieren von Noten
nicht sinnvoll: Zwei “2er” ergeben keinen “4er” – und wenn man von einem “2er” einen “1er”
abzieht, erhält man auch keinen “3er”. Wenn man aber Schulnoten nicht addieren (oder divi-
dieren) kann, folgt daraus auch, dass man beispielsweise kein arithmetisches Mittel aus ihnen
bilden darf – auch wenn das leider an sehr vielen Schulen konsequent falsch praktiziert wird
(und damit Generationen von Schülerinnen und Schülern für die Statistik verdorben werden).

Beispiele: Schulnoten, Präferenzrangfolgen, Zufriedenheit (z.B. auf einer Skala von 1 bis 5),
militärische Dienstränge…

Metrisches Skalenniveau

Metrisch skalierte Daten verfügen über eine natürliche Reihenfolge sowie auch über quanti�-
zierbare Abstände – mit ihnen kann also ganz “normal” gerechnet werden. In vielen Lehrbü-
chern wird innerhalb der metrischen Skala – die häu�g auch als Kardinalskala bezeichnet
wird – zusätzlich noch in die Intervallskala (ohne natürlichen Nullpunkt – z.B. Temperatur in
Celsius) und in die Verhältnisskala (mit natürlichem Nullpunkt – z.B. Temperatur in Kelvin)
unterschieden. Für die Zwecke unserer kleinen Blogserie wird diese Unterscheidung aller-
dings nicht von Bedeutung sein – hier reicht es vollkommen aus, metrisch skalierte Daten als
solche korrekt erkennen zu können.

Beispiele: Zeitdauer in sek, Wassertiefe in cm, Preis in Euro und Cent, Streckenlänge in mm…

3 of 29 2/7/2023, 3:02 PM
Grundlagen der Statistik: Nominal-, Ordinal- und Kardinalskala https://wissenschafts-thurm.de/grundlagen-der-statistik-wie-unte...

(Die Unterschiede zwischen diskreten und stetigen Daten sowie zwischen häu�aren und
nicht häu�aren Merkmalen, werden wir dann übrigens in den nächsten Artikeln dieser Blog-
serie betrachten.)

Auf- und Abwärtskompatibilität

Für die im Rahmen unserer Blogserie betrachteten statistischen Verfahren gilt, dass sie im
Hinblick auf das Skalenniveau – um an dieser Stelle einmal einen Begri� aus der Informatik
zu bemühen – abwärtskompatibel, nicht aber aufwärtskompatibel sind. Dies bedeutet: Verfah-
ren, die ein niedrigeres Skalenniveau voraussetzen, können stets auch auf Daten eines höhe-
ren Skalenniveaus angewandt werden – Verfahren, die ein höheres Skalenniveau vorausset-
zen, dürfen dagegen nie auf Daten eines niedrigeren Skalenniveaus angewandt werden. Da
beispielsweise die Bestimmung des Modus lediglich voraussetzt, dass mindestens nominals-
kalierte Daten vorliegen, kann der Modus (wenn die übrigen Voraussetzungen erfüllt sind)
auch für ordinalskalierte und metrische Daten bestimmt werden. Auf der anderen Seite kann
etwa der Median, dessen Berechnung mindestens ordinalskalierte Daten voraussetzt, nicht
für nominalskalierte Daten berechnet werden – die Berechnung für metrische Daten wäre da-
gegen problemlos möglich.

Der „Cheat Sheet“: Übersicht der Mindestskalenniveaus

4 of 29 2/7/2023, 3:02 PM