Datenarten und Skalenniveaus, Statistik · UniProMax
Statistik·4Lerneinheiten·26min·Stand30.05.2026
Datenarten und Skalenniveaus.
Du hast einen Datensatz mit Postleitzahlen, Klausurnoten und Außentemperaturen — bei welcher Variable macht der Mittelwert Sinn? Antwort: nur bei der Temperatur. Postleitzahlen darf man nicht mitteln (was wäre der Mittelwert aus 10115 Berlin und 80331 München?), Noten ist umstritten. Warum? Weil sie auf unterschiedlichen Skalenniveaus liegen. Skalenniveau entscheidet, welche Rechnungen und welche Diagramme erlaubt sind — und das ist der häufigste Auswahlfehler in Statistik-Klausuren.
Wir machen das systematisch: erst die zwei groben Schubladen (qualitativ vs. quantitativ), dann die vier Skalenniveaus mit klaren Beispielen und einem Entscheidungsbaum, am Ende die Tabelle "was darf ich rechnen".
Datenart
Beispiel
Was misst es?
Qualitativ (kategorial)
Geschlecht, Augenfarbe, Studiengang
Eigenschaft / Kategorie
Quantitativ (numerisch)
Alter, Einkommen, Gewicht
Menge / Anzahl
Quantitative Daten haben noch eine Unterteilung:
Diskret — abzählbar, Sprünge: Anzahl Geschwister, Würfelaugen, Klicks pro Sitzung.
Das ist die grobe Sortierung. Für die richtige Auswahl von Mittelwert, Diagramm und Test brauchst du eine feinere Stufe — die vier Skalenniveaus.
Skalenniveaus sind aufsteigend geordnet — jede Stufe kann alles, was die Stufe darunter kann, plus mehr.
1. Nominalskala — "nur Namen"
Werte sind reine Bezeichner, keine Reihenfolge.
Beispiele: Geschlecht, Studiengang, Postleitzahl, Auto-Marke, Spielernummer im Fußball.
Erlaubt: Häufigkeiten zählen, Modus bestimmen, Chi-Quadrat-Test.
Verboten: Mittelwert, Median, "größer als" — Postleitzahl 10115 ist nicht "kleiner" als 80331.
Achtung Codierung: auch wenn Geschlecht als 1 = männlich, 2 = weiblich, 3 = divers gespeichert ist — du darfst trotzdem keinen Mittelwert berechnen. Die Zahl ist nur ein Label.
2. Ordinalskala — "Reihenfolge ja, Abstand nein"
Werte haben eine Rangordnung, aber die Abstände zwischen den Rängen sind nicht definiert.
Beispiele: Schulnoten (1 < 2 < 3 …), Likert-Skala ("sehr zufrieden" > "zufrieden" > "neutral" …), Bundesliga-Tabellenplatz, Erdbebenstärke nach Richter (oh halt, das ist intervall — eher: Schwierigkeitsgrad im Spiel: leicht/mittel/schwer).
Strittig: Mittelwert. Schulnoten-Mittelwert ist Konvention, aber statistisch wackelig — der Abstand zwischen 1 und 2 ist nicht zwingend gleich dem Abstand zwischen 4 und 5.
Verboten: Subtraktion mit Bedeutung. "Platz 1 minus Platz 5 = 4" sagt nichts über den Punkteabstand aus.
3. Intervallskala — "Abstand ja, kein echter Nullpunkt"
Werte sind geordnet und Abstände sind interpretierbar. Aber: der Nullpunkt ist willkürlich gewählt, kein "nichts vorhanden".
Beispiele: Temperatur in °C oder °F (0 °C ist nicht "keine Wärme"), Kalenderjahr (Jahr 0 ist willkürlich), IQ-Score.
Erlaubt: alles aus Ordinal + Mittelwert, Standardabweichung, Differenzen, Pearson-Korrelation.
Verboten: Verhältnisse. "20 °C ist doppelt so warm wie 10 °C" stimmt nicht — in Kelvin wäre das Verhältnis 293/283 ≈ 1,035.
Geordnet, mit interpretierbaren Abständen und echtem Nullpunkt ("nichts da").
Beispiele: Gewicht, Länge, Alter, Einkommen, Reaktionszeit, Anzahl Klicks, Temperatur in Kelvin.
Erlaubt: alles. Mittelwert, geometrischer Mittelwert, Variationskoeffizient, Verhältnisse: "60 kg ist doppelt so viel wie 30 kg" ✓.
Wenn du im Zweifel bist, welches Skalenniveau eine Variable hat — geh den Baum unten durch. Drei Fragen reichen.
Lade Visualisierung...
Diese Tabelle ist Pflicht-Wissen für jede Statistik-Klausur. Lerne sie auswendig, sie kommt in nahezu jeder Aufgabe implizit vor (Auswahl von Lagemaß, Diagramm, Test).
Lies das so: jede Spalte zeigt, was erlaubt ist. Die Klammern bei Ordinal-Mittel zeigen den Streitpunkt (Schulnoten-Konvention vs. statistische Strenge).
Schulnoten als Intervallskala behandeln. Mathematisch sind Schulnoten Ordinal — der Schritt von 1 auf 2 ist nicht zwingend gleich groß wie der von 5 auf 6. In Praxis (Notendurchschnitt) wird trotzdem gemittelt; in Klausuren musst du wissen, dass das eine Konvention ist und Schulnoten formal ordinal sind.
Postleitzahl als Zahl behandeln. Sie ist nominal, auch wenn sie aus Ziffern besteht. Mittelwert macht keinen Sinn. Daran erkennst du sie: was sind die "Nachbar-Werte"? PLZ 10115 + 1 = 10116 ist nicht "ein bisschen mehr Berlin", sondern ein anderer Postbezirk.
Temperatur und Verhältnisse. "30 °C ist doppelt so warm wie 15 °C" — falsch, Intervallskala. Erst in Kelvin (Verhältnisskala) kann man verdoppeln: 303 K vs. 288 K ist nur 5 % mehr.
Likert-Skalen ("trifft voll zu" 1–5) als Intervall behandeln. Häufig in Surveys, häufig kritisiert. Strikt ordinal, in Praxis oft intervall behandelt. Für Klausur: ordinal.
Drei Fragen-Check für jedes Datenfeld: (a) Gibt es eine Reihenfolge? (b) Sind die Abstände gleich? (c) Gibt es einen echten Nullpunkt? Je nach Antwort: nominal / ordinal / intervall / verhältnis.
Codierung täuscht. Eine Zahl im Datensatz ist nicht automatisch quantitativ. Geschlecht als 0/1 bleibt nominal.
"Doppelt so viel" ist der Verhältnis-Test. Wenn diese Aussage sinnvoll ist (60 kg vs. 30 kg ✓), ist es Verhältnisskala. Wenn nicht (10 °C vs. 5 °C in °C ✗), ist es höchstens Intervall.
Diagramm-Wahl ist eine Skalen-Frage. Kreisdiagramm passt nur zu nominal/ordinal mit wenigen Kategorien. Histogramm braucht mindestens Intervallskala (sonst sind die Bins willkürlich).
Test-Wahl ebenso. Chi-Quadrat für nominal, Mann-Whitney für ordinal, t-Test für intervall/verhältnis. Falscher Test = Punktverlust.
1. Diskret vs. stetig mit Skalenniveau verwechseln. Diskret/stetig ist eine Eigenschaft quantitativer Daten (Sprünge oder nicht). Skalenniveau (nominal/ordinal/intervall/verhältnis) ist die übergeordnete Klassifikation. Anzahl Geschwister ist diskret und Verhältnisskala.
2. Intervall- und Verhältnisskala verwechseln. Einziger Unterschied: hat die Variable einen echten Nullpunkt? Temperatur in °C → nein, willkürlich. Gewicht → ja, 0 kg bedeutet nichts da.
3. Skalenniveau abhängig vom Messverfahren, nicht vom Wert. Wenn du Alter in Klassen ("18–25", "26–35", …) erhebst, ist es ordinal, nicht mehr verhältnis — selbst wenn Alter "eigentlich" verhältnisskala wäre. Die Erhebungsform entscheidet.
4. "Mehr Stufen = besser" als Annahme. Höhere Skalenniveaus erlauben mehr Operationen, aber sind nicht automatisch sinnvoller. PLZ als Verhältnisskala anzusehen wäre absurd. Wähle das Niveau, das die Daten wirklich haben.
Trainiere die Skalen-Klassifikation an 12 typischen Variablen aus Klausurklassikern. Pro Karte hast du 4 Optionen — wähle das richtige Skalenniveau. Sofort-Feedback mit Begründung.
Lern-Tipp: Drei Fragen, immer in derselben Reihenfolge: (1) Gibt es eine Reihenfolge? (2) Sind die Abstände interpretierbar? (3) Gibt es einen echten Nullpunkt? Bei jedem "nein" stoppst du auf der entsprechenden Stufe.
Lade Visualisierung...
Klausur-Tipp: wenn du dir bei einer Variable nicht sicher bist, denke an die Frage "macht der Mittelwert Sinn?" Beim Mittelwert von Postleitzahlen merkst du sofort: nein. Bei Schulnoten ist es Konvention. Bei Temperatur in °C ja, "doppelt so warm" aber nein. Bei Gewicht alles ✓.
Anmelden, um den Fortschritt zu speichern.
Nächster Schritt
Wenn du fertig bist: jetzt üben.
Aktives Abrufen festigt Wissen schneller als nochmal lesen.
War das hilfreich?
Fachliche Qualität
Noch nicht klassifiziertNoch nicht geprüft.
Diese Lerneinheit wurde für typische Bachelor-Klausuren konzipiert. So prüfen wir · Fehler entdeckt? Melde ihn uns oder markiere die fragliche Stelle direkt im Text oben.
Klausur-ÜbersichtKomplette Übersicht: alle Tabs als linearer Text zum Lernen
▾
Alle Tabs der Lerneinheit (Erklärung · Interaktiv klassifizieren · Praxis-Übung · Klausur-Quiz) als durchgehender Text. Ideal zum Wiederholen vor der Klausur, und für Suchmaschinen wie Google, Bing und KI-Suche (ChatGPT, Perplexity).
Teil 1·Erklärung
Erklärung
Du hast einen Datensatz mit Postleitzahlen, Klausurnoten und Außentemperaturen — bei welcher Variable macht der Mittelwert Sinn? Antwort: nur bei der Temperatur. Postleitzahlen darf man nicht mitteln (was wäre der Mittelwert aus 10115 Berlin und 80331 München?), Noten ist umstritten. Warum? Weil sie auf unterschiedlichen Skalenniveaus liegen. Skalenniveau entscheidet, welche Rechnungen und welche Diagramme erlaubt sind — und das ist der häufigste Auswahlfehler in Statistik-Klausuren.
Wir machen das systematisch: erst die zwei groben Schubladen (qualitativ vs. quantitativ), dann die vier Skalenniveaus mit klaren Beispielen und einem Entscheidungsbaum, am Ende die Tabelle "was darf ich rechnen".
Erste Sortierung: qualitativ vs. quantitativ
Datenart
Beispiel
Was misst es?
Qualitativ (kategorial)
Geschlecht, Augenfarbe, Studiengang
Eigenschaft / Kategorie
Quantitativ (numerisch)
Alter, Einkommen, Gewicht
Menge / Anzahl
Quantitative Daten haben noch eine Unterteilung:
Diskret — abzählbar, Sprünge: Anzahl Geschwister, Würfelaugen, Klicks pro Sitzung.
Interaktive Komponente: probiere sie im Topic-Player oben aus.
"Was darf ich rechnen?" — die Klausur-Tabelle
Diese Tabelle ist Pflicht-Wissen für jede Statistik-Klausur. Lerne sie auswendig, sie kommt in nahezu jeder Aufgabe implizit vor (Auswahl von Lagemaß, Diagramm, Test).
Operation / Maß
Nominal
Ordinal
Intervall
Verhältnis
Häufigkeit zählen, Modus
✓
✓
✓
✓
Median, Quantile, Min/Max
–
✓
✓
✓
Arithm. Mittel, Standardabweichung
–
(–)
✓
✓
Geometr. Mittel, Variationskoeff.
–
–
–
✓
Verhältnisse, "doppelt so viel"
Teil 2·Visualisierung / Interaktiv
Interaktiv klassifizieren
Klassifikations-Lab
Trainiere die Skalen-Klassifikation an 12 typischen Variablen aus Klausurklassikern. Pro Karte hast du 4 Optionen — wähle das richtige Skalenniveau. Sofort-Feedback mit Begründung.
Lern-Tipp: Drei Fragen, immer in derselben Reihenfolge: (1) Gibt es eine Reihenfolge? (2) Sind die Abstände interpretierbar? (3) Gibt es einen echten Nullpunkt? Bei jedem "nein" stoppst du auf der entsprechenden Stufe.
Interaktive Visualisierung
Interaktive Komponente: probiere sie im Topic-Player oben aus.
Klausur-Tipp: wenn du dir bei einer Variable nicht sicher bist, denke an die Frage "macht der Mittelwert Sinn?" Beim Mittelwert von Postleitzahlen merkst du sofort: nein. Bei Schulnoten ist es Konvention. Bei Temperatur in °C ja, "doppelt so warm" aber nein. Bei Gewicht alles ✓.
Teil 3·Quiz / Klausurfragen
Praxis-Übung
Datenarten und Skalen — Praxis-Übung
Vier Aufgaben-Typen: direkte Klassifikation, Operations-Auswahl, Diagramm-Wahl, Stolperstein-Erkennung.
Klausurfragen mit Lösungen (6)
F1.Welches Skalenniveau hat die Variable 'Postleitzahl'?
Antwort: Nominalskala
Erklärung: Postleitzahlen sind reine Bezeichner ohne sinnvolle Reihenfolge — PLZ 10115 ist nicht 'kleiner' als 80331 im statistischen Sinn. Nominal. Auch wenn sie als Zahl gespeichert sind: Mittelwert macht keinen Sinn.
F2.Schulnoten (1, 2, 3, 4, 5, 6) — welches Skalenniveau?
Antwort: Ordinalskala
Erklärung: Schulnoten haben eine klare Rangordnung (1 ist besser als 2), aber die Abstände sind nicht definiert: ist der Unterschied 1→2 gleich groß wie 4→5? Statistisch nein. Ordinal. (In der Praxis wird trotzdem gemittelt — das ist Konvention, formal aber wackelig.)
F3.Temperatur in Grad Celsius — welches Skalenniveau?
Antwort: Intervallskala
Erklärung: Geordnet und Abstände sind interpretierbar (10 °C Unterschied ist immer 10 °C Unterschied). Aber: 0 °C ist nicht 'keine Wärme', sondern willkürlich gewählt (Gefrierpunkt von Wasser). Daher Intervall, NICHT Verhältnis. '20 °C ist doppelt so warm wie 10 °C' ist falsch.
Teil 4·Quiz / Klausurfragen
Klausur-Quiz
Klausurfragen mit Lösungen (6)
F1.Welches Diagramm ist für nominale Daten (z.B. Lieblings-Studienfach) am besten geeignet?
Antwort: Säulen- oder Kreisdiagramm
Erklärung: Nominale Daten haben keine sinnvolle Reihenfolge — Säulen- und Kreisdiagramme zeigen Häufigkeiten pro Kategorie. Histogramme brauchen mindestens Intervallskala (Bins erfordern Abstände), Boxplots brauchen Median + Quartile (mindestens Ordinal), Scatter zeigt Beziehungen zwischen zwei quantitativen Variablen.
F2.Du hast Likert-Skala-Daten (1 = sehr unzufrieden, 5 = sehr zufrieden) aus einer Umfrage. Welcher Test ist statistisch sauber zum Vergleich zweier Gruppen?
Antwort: Mann-Whitney-U-Test
Erklärung: Likert ist formal ordinal — der Mann-Whitney-U-Test ist der Rang-basierte Vergleich für ordinale Daten. t-Test setzt Intervallskala voraus (und Normalverteilung), Chi-Quadrat ist für nominale Häufigkeiten, Pearson für intervall/verhältnis. In der Praxis wird oft t-Test verwendet, das ist aber strenggenommen ein Skalen-Fehler.
F3.Welche Aussagen über Skalenniveaus sind RICHTIG? (mehrere)
Richtige Antworten: Bei der Verhältnisskala ist 'doppelt so viel' eine sinnvolle Aussage; Postleitzahl als Zahl gespeichert → trotzdem nominal; Chi-Quadrat-Test ist der Standardtest für nominale Häufigkeiten
Erklärung: Richtig: Verhältnisse erlaubt bei Verhältnisskala (echter Nullpunkt); Codierung als Zahl ändert das Skalenniveau nicht (PLZ bleibt nominal); Chi-Quadrat ist Standardtest für nominale Häufigkeiten. Falsch: Median braucht Rangordnung (mindestens Ordinal); quantitativ kann auch ordinal sein (Schulnoten als Beispiel-Grenzfall); Pearson braucht mindestens Intervall.
Das ist die grobe Sortierung. Für die richtige Auswahl von Mittelwert, Diagramm und Test brauchst du eine feinere Stufe — die vier Skalenniveaus.
Die vier Skalenniveaus
Skalenniveaus sind aufsteigend geordnet — jede Stufe kann alles, was die Stufe darunter kann, plus mehr.
1. Nominalskala — "nur Namen"
Werte sind reine Bezeichner, keine Reihenfolge.
Beispiele: Geschlecht, Studiengang, Postleitzahl, Auto-Marke, Spielernummer im Fußball.
Erlaubt: Häufigkeiten zählen, Modus bestimmen, Chi-Quadrat-Test.
Verboten: Mittelwert, Median, "größer als" — Postleitzahl 10115 ist nicht "kleiner" als 80331.
Achtung Codierung: auch wenn Geschlecht als 1 = männlich, 2 = weiblich, 3 = divers gespeichert ist — du darfst trotzdem keinen Mittelwert berechnen. Die Zahl ist nur ein Label.
2. Ordinalskala — "Reihenfolge ja, Abstand nein"
Werte haben eine Rangordnung, aber die Abstände zwischen den Rängen sind nicht definiert.
Beispiele: Schulnoten (1 < 2 < 3 …), Likert-Skala ("sehr zufrieden" > "zufrieden" > "neutral" …), Bundesliga-Tabellenplatz, Erdbebenstärke nach Richter (oh halt, das ist intervall — eher: Schwierigkeitsgrad im Spiel: leicht/mittel/schwer).
Strittig: Mittelwert. Schulnoten-Mittelwert ist Konvention, aber statistisch wackelig — der Abstand zwischen 1 und 2 ist nicht zwingend gleich dem Abstand zwischen 4 und 5.
Verboten: Subtraktion mit Bedeutung. "Platz 1 minus Platz 5 = 4" sagt nichts über den Punkteabstand aus.
3. Intervallskala — "Abstand ja, kein echter Nullpunkt"
Werte sind geordnet und Abstände sind interpretierbar. Aber: der Nullpunkt ist willkürlich gewählt, kein "nichts vorhanden".
Beispiele: Temperatur in °C oder °F (0 °C ist nicht "keine Wärme"), Kalenderjahr (Jahr 0 ist willkürlich), IQ-Score.
Erlaubt: alles aus Ordinal + Mittelwert, Standardabweichung, Differenzen, Pearson-Korrelation.
Verboten: Verhältnisse. "20 °C ist doppelt so warm wie 10 °C" stimmt nicht — in Kelvin wäre das Verhältnis 293/283 ≈ 1,035.
Lies das so: jede Spalte zeigt, was erlaubt ist. Die Klammern bei Ordinal-Mittel zeigen den Streitpunkt (Schulnoten-Konvention vs. statistische Strenge).
Klassiker — falsche Schlüsse vermeiden
Schulnoten als Intervallskala behandeln. Mathematisch sind Schulnoten Ordinal — der Schritt von 1 auf 2 ist nicht zwingend gleich groß wie der von 5 auf 6. In Praxis (Notendurchschnitt) wird trotzdem gemittelt; in Klausuren musst du wissen, dass das eine Konvention ist und Schulnoten formal ordinal sind.
Postleitzahl als Zahl behandeln. Sie ist nominal, auch wenn sie aus Ziffern besteht. Mittelwert macht keinen Sinn. Daran erkennst du sie: was sind die "Nachbar-Werte"? PLZ 10115 + 1 = 10116 ist nicht "ein bisschen mehr Berlin", sondern ein anderer Postbezirk.
Temperatur und Verhältnisse. "30 °C ist doppelt so warm wie 15 °C" — falsch, Intervallskala. Erst in Kelvin (Verhältnisskala) kann man verdoppeln: 303 K vs. 288 K ist nur 5 % mehr.
Likert-Skalen ("trifft voll zu" 1–5) als Intervall behandeln. Häufig in Surveys, häufig kritisiert. Strikt ordinal, in Praxis oft intervall behandelt. Für Klausur: ordinal.
Klausur-Faustregeln
Drei Fragen-Check für jedes Datenfeld: (a) Gibt es eine Reihenfolge? (b) Sind die Abstände gleich? (c) Gibt es einen echten Nullpunkt? Je nach Antwort: nominal / ordinal / intervall / verhältnis.
Codierung täuscht. Eine Zahl im Datensatz ist nicht automatisch quantitativ. Geschlecht als 0/1 bleibt nominal.
"Doppelt so viel" ist der Verhältnis-Test. Wenn diese Aussage sinnvoll ist (60 kg vs. 30 kg ✓), ist es Verhältnisskala. Wenn nicht (10 °C vs. 5 °C in °C ✗), ist es höchstens Intervall.
Diagramm-Wahl ist eine Skalen-Frage. Kreisdiagramm passt nur zu nominal/ordinal mit wenigen Kategorien. Histogramm braucht mindestens Intervallskala (sonst sind die Bins willkürlich).
Test-Wahl ebenso. Chi-Quadrat für nominal, Mann-Whitney für ordinal, t-Test für intervall/verhältnis. Falscher Test = Punktverlust.
Typische Stolpersteine
1. Diskret vs. stetig mit Skalenniveau verwechseln. Diskret/stetig ist eine Eigenschaft quantitativer Daten (Sprünge oder nicht). Skalenniveau (nominal/ordinal/intervall/verhältnis) ist die übergeordnete Klassifikation. Anzahl Geschwister ist diskret und Verhältnisskala.
2. Intervall- und Verhältnisskala verwechseln. Einziger Unterschied: hat die Variable einen echten Nullpunkt? Temperatur in °C → nein, willkürlich. Gewicht → ja, 0 kg bedeutet nichts da.
3. Skalenniveau abhängig vom Messverfahren, nicht vom Wert. Wenn du Alter in Klassen ("18–25", "26–35", …) erhebst, ist es ordinal, nicht mehr verhältnis — selbst wenn Alter "eigentlich" verhältnisskala wäre. Die Erhebungsform entscheidet.
4. "Mehr Stufen = besser" als Annahme. Höhere Skalenniveaus erlauben mehr Operationen, aber sind nicht automatisch sinnvoller. PLZ als Verhältnisskala anzusehen wäre absurd. Wähle das Niveau, das die Daten wirklich haben.
F4.Körpergewicht in kg — welches Skalenniveau?
Antwort: Verhältnisskala
Erklärung: Geordnet, gleiche Abstände, UND echter Nullpunkt (0 kg bedeutet 'nichts da'). Verhältnis. '60 kg ist doppelt so viel wie 30 kg' ist eine sinnvolle Aussage.
F5.Welche Aussage über Skalenniveaus ist KORREKT?
Antwort: Höhere Skalenniveaus erlauben alles, was niedrigere erlauben, plus mehr
Erklärung: Skalen sind hierarchisch geordnet (Nominal → Ordinal → Intervall → Verhältnis). Jede Stufe erbt die Operationen der niedrigeren plus eigene. (Falsch: Diskret/stetig ist orthogonal zum Skalenniveau; Mittelwert bei Ordinal ist strittig; Codierung als Zahl macht nominal nicht zu quantitativ — Geschlecht als 0/1 bleibt nominal.)
F6.Ordne die Variable dem richtigen Skalenniveau zu:
Zuordnungen:
Geschlecht (m/w/d) → Nominal
Bundesliga-Tabellenplatz → Ordinal
IQ-Score → Intervall
Jahreseinkommen in Euro → Verhältnis
Erklärung: Geschlecht: reine Kategorie, keine Reihenfolge → Nominal. Tabellenplatz: Rangordnung, aber Punkteabstand variiert → Ordinal. IQ: standardisiert mit Mittelwert 100, kein echter Nullpunkt (IQ 0 hieße nicht 'keine Intelligenz') → Intervall. Einkommen: echter Nullpunkt, Verhältnisse sinnvoll → Verhältnis.
Typ: Zuordnung
Typ: Multi-Select
F4.Du analysierst eine Umfrage mit folgenden Variablen: Geschlecht (nominal), Schulnote in Mathe (ordinal), Alter in Jahren (verhältnis), IQ-Score (intervall), Postleitzahl (nominal), Lieblings-Streamingdienst (nominal). Wie viele dieser 6 Variablen sind nominalskaliert? (Zahl eingeben)
Antwort: 3
Erklärung: Geschlecht, Postleitzahl und Lieblings-Streamingdienst sind nominal — reine Kategorien ohne Reihenfolge. Schulnote = ordinal (Rangordnung), Alter = verhältnis (echter Nullpunkt), IQ = intervall (kein echter Nullpunkt). Summe: 3 nominal.
Typ: Zahlen-Eingabe
F5.Bei einer auf 5 Klassen aggregierten Variable (z.B. Alter in 'unter 18', '18–25', '26–35', '36–50', 'über 50') kann das Skalenniveau höchstens ordinal sein, selbst wenn die ursprüngliche Variable verhältnisskaliert war.
Antwort: Wahr
Erklärung: Wahr. Sobald du eine verhältnisskalierte Variable in Klassen einteilst (Binning), gehst du auf Ordinalskala zurück — die ursprünglichen Werte und ihre Abstände sind verloren, nur noch die Reihenfolge der Klassen ist da. Das Erhebungs- bzw. Aufbereitungsverfahren bestimmt das tatsächliche Skalenniveau, nicht die 'theoretische' Eigenschaft der Variable.
Typ: Wahr/Falsch
F6.Sortiere die Skalenniveaus aufsteigend nach 'Informationsgehalt' (was darfst du tun)?
Erklärung: Klassische Hierarchie: jede Stufe kann alles, was die darunter kann, plus mehr. Nominal → Ordinal → Intervall → Verhältnis. Wenn du das im Kopf hast, weißt du auch, welche Operationen erlaubt sind: jede Stufe addiert eine neue Operation hinzu.
