طبقه بندی و تشخیص انواع داده ها
دلایل طبقه بندی داده ها :
1) چگونگی به رمز در آوردن داده ها برای تحلیل های آماری
2)انتخاب و اجرای روش های تجزیه و تحلیل داده ها
داده ها دو دسته اند : داده های کمی ( فاصله ای و نسبی ) - داده های کیفی ( اسمی و رتبه ای )
👈👈ادامه بحث , با کلیک روی دکمه ادامه مطلب
طبقه بندی و تشخیص انواع داده ها
دلایل طبقه بندی داده ها :
1) چگونگی به رمز در آوردن داده ها برای تحلیل های آماری
2)انتخاب و اجرای روش های تجزیه و تحلیل داده ها
داده ها دو دسته اند : داده های کمی ( فاصله ای و نسبی ) - داده های کیفی ( اسمی و رتبه ای )
👈👈ادامه بحث , با کلیک روی دکمه ادامه مطلب
داده های کیفی :
1) داده های اسمی : داده هایی هستند که تنها در سنجش فراوانی رخداد هر مقوله مورد استفاده قرار می گیرند ..فرایند کد دهی کاملا نمادین و دلبخواه است
2)داده های رتبه ای : داده هایی هستند که کد گذاری داده ها از یک نظم منطقی پیروی می کند و برای نشان دادن ( بهتر-بدتر,بیشتر-کمتر ) و نشان دادن ترتیب کیفیت داده ها مورد استفاده قرار می گیرند
داده های کمی :
1) داده های فاصله ای : محاسبات جمع و تفریق برای این داده ها معنی دار است , اما مطالعات مقایسه ای مثل نصف یا دو برابر بودن با این داده ها امکانپذیر نیست , چون این داده ها صفر مطلق ندارند و صفر تنها جنبه نمادین دارد .. ( محاسبه ی بیشتر یا کمتر بودن و جزئیاتی در مورد میزان بیشتر یا کمتر بودن )
2)داده های نسبی : این داده ها از انعطاف پذیری بیشتری برخوردارند اما به لحاظ ملاحظات کاربردی معمولا به داده های رتبه ای تبدیل و مورد استفاده قرار می گیرند ) , این داده ها نه تنها اطلاعاتی در مورد بیشتر یا کمتر بودن , جزئیات میزان بیشتر یا کمتر بودن , به دلیل داشتن صفر مطلق معنی دار , مطالعات مقایسه ای نظیر دو برابر یا سه برابر نیز می توان انجام داد..کاربرد عملیات (جمع-تفریق-ضرب-تقسیم)برای این داده هامعنی دار است
داده ها را به داده های سطح پایین ( اسمی و رتبه ای ) و سطح بالا ( فاصله ای و نسبی ) تقسیم بندی می کنیم .. معمولا داده های سطح بالا به داده های سطح پایین تبدیل می شوند اما برعکس آن امکانپذیر نمی باشد
آزمون ها دو نوعند :
1)پارامتریک با جامعه آماری مشخص و توزیع استاندارد و نرمال 👈 برای داده های نسبی و فاصله ای استفاده می شوند
2)غیر پارامتریک که اطلاعی از توزیع جامعه در دست نیست و نامشخص است👈 برای داده های اسمی و رتبه ای استفاده می شوند
مثال برای داده های اسمی :
نام و نام خانوادگی , زن یا مرد بودن (جنسیت) , ایمیل
مثال برای داده های رتبه ای :
میزان رضایتمندی از خدمات اینترنتی بانک بسیار عالی عالی خوب متوسط ضعیف
مقطع تحصیلی دانشجویی کارشناسی کارشناسی ارشد دکترا
مثال برای داده های فاصله ای و نسبی ( چون در نرم افزارهای آماری این دو داده یکسان فرض می شوند مثال برای هر دو صدق می کند )
سن
تاریخ تولد
تعداد منابع دیجیتال موجود در فضای اطلاعات شخصی
برای داده هایی که صفر مطلق می توان تعریف کرد داده های نسبی و برای داده هایی که نمی توان, داده های فاصله ای اطلاق می شود