Welche vier Datentypen gibt es in der Statistik?

Die vier Datentypen im Überblick

In der Statistik unterscheidet man vier grundlegende Datentypen, die nach ihrem Skalenniveau geordnet sind: Nominal-, Ordinal-, Intervall- und Verhältnisskala. Diese Einteilung geht auf den Psychologen S. S. Stevens zurück, der bereits 1946 in seinem wegweisenden Aufsatz beschrieb, welche mathematischen Operationen und statistischen Kennzahlen auf den jeweiligen Skalen zulässig sind.

Warum ist das so wichtig? Weil die Wahl des richtigen statistischen Verfahrens unmittelbar davon abhängt, welchem Datentyp Ihre Variablen angehören. Wer einen t-Test auf nominale Daten anwendet oder einen Mittelwert für ordinale Rangstufen berechnet, produziert zwar Ergebnisse – aber keine aussagekräftigen.

Nominalskala – Kategorien ohne Reihenfolge

Die Nominalskala ist die niedrigste Messstufe. Nominalvariablen ordnen Beobachtungen lediglich verschiedenen Kategorien zu, die keine inhärente Reihenfolge haben. Die einzige zulässige Aussage ist: zwei Ausprägungen sind gleich oder verschieden.

Typische Beispiele

• Geschlecht (männlich, weiblich, divers)
• Nationalität oder Herkunftsland
• Augenfarbe
• Ja/Nein-Antworten in einer Umfrage
• Diagnosegruppen in einer medizinischen Studie

Zahlen können bei Nominalvariablen zwar als Codes vergeben werden (1 = männlich, 2 = weiblich), sie fungieren dabei aber lediglich als Labels. Buchstaben oder Wörter würden denselben Zweck erfüllen – rechnen darf man mit diesen Zahlen nicht.

Eine besondere Form ist die dichotome oder binäre Variable: Sie hat genau zwei Ausprägungen, etwa „erkrankt / nicht erkrankt“ oder „bestanden / nicht bestanden“. Dichotome Variablen spielen in der Regressionsanalyse eine wichtige Rolle, etwa als Dummy-Variablen.

Zulässige Statistiken

Für Nominalvariablen sind nur wenige Kennzahlen sinnvoll: Häufigkeiten, Prozentanteile und der Modus (häufigster Wert). Mittelwert und Standardabweichung sind hier bedeutungslos.

Ordinalskala – Rangfolgen mit Vorsicht

Die Ordinalskala geht einen Schritt weiter: Die Kategorien lassen sich in eine sinnvolle Reihenfolge bringen. Es ist also nicht nur feststellbar, ob zwei Ausprägungen verschieden sind, sondern auch welche „größer“ oder „kleiner“ ist.

Typische Beispiele

• Schulnoten (1, 2, 3, 4, 5, 6)
• Likert-Skalen in Fragebögen (1 = stimme gar nicht zu … 5 = stimme voll zu)
• BMI-Kategorien (Untergewicht, Normalgewicht, Übergewicht, Adipositas)
• Platzierungen in einem Wettbewerb (1., 2., 3. Platz)

Das entscheidende Merkmal – und die häufigste Fehlerquelle in der Praxis – ist, dass bei Ordinalskalen keine gleichmäßigen Abstände zwischen den Stufen angenommen werden dürfen. Der Unterschied zwischen Platz 1 und Platz 2 muss nicht gleich groß sein wie der Unterschied zwischen Platz 2 und Platz 3.

Zulässige Statistiken

Für Ordinalvariablen sind Median, Quartile, Rangkorrelationen (Spearmans ρ) und nichtparametrische Tests (z. B. Mann-Whitney-U) geeignet. Der Mittelwert ist streng genommen nicht zulässig.

Intervallskala – Abstände mit Bedeutung

Auf der Intervallskala sind nicht nur Rangfolgen, sondern auch Abstände zwischen Werten interpretierbar und vergleichbar. Ein Unterschied von 10 Einheiten hat an jeder Stelle der Skala dieselbe Bedeutung.

Typische Beispiele

• Temperatur in Celsius oder Fahrenheit
• Kalenderjahre (Jahr 2000, 2010, 2020)
• IQ-Werte (in der klassischen Testkonstruktion)

Was Intervallskalen von Verhältnisskalen unterscheidet, ist das Fehlen eines absoluten Nullpunkts. Der Nullpunkt ist willkürlich gesetzt. Bei Temperatur in Celsius bedeutet 0 °C nicht „keine Temperatur“, sondern den Gefrierpunkt des Wassers.

Das hat eine wichtige Konsequenz: Differenzen zwischen Werten sind sinnvoll interpretierbar – Verhältnisse hingegen nicht. Dass ein Ort bei 20 °C nicht „doppelt so warm“ ist wie ein Ort bei 10 °C, liegt genau daran, dass der Nullpunkt auf dieser Skala willkürlich festgelegt wurde. Auf einer Verhältnisskala wäre diese Aussage dagegen zulässig.

Zulässige Statistiken

Für Intervallvariablen sind Mittelwert, Standardabweichung, Pearson-Korrelation und parametrische Tests (t-Test, ANOVA) zulässig. Verhältnisaussagen (z. B. „doppelt so viel“) sind nicht zulässig.

Verhältnisskala – Der echte Nullpunkt

Die Verhältnisskala (auch: Ratioskala) ist die höchste Messstufe. Sie besitzt alle Eigenschaften der Intervallskala und zusätzlich einen absoluten Nullpunkt, der das vollständige Fehlen der gemessenen Eigenschaft bedeutet.

Typische Beispiele

• Körpergröße und Körpergewicht
• Einkommen in Euro
• Reaktionszeit in Millisekunden
• Anzahl von Ereignissen (z. B. Krankenhausaufenthalte)
• Temperatur in Kelvin

Auf der Verhältnisskala sind alle vier Grundrechenarten sinnvoll anwendbar. Eine Person mit 80 kg Körpergewicht wiegt tatsächlich doppelt so viel wie eine Person mit 40 kg. Diese Aussage ist nur möglich, weil 0 kg das vollständige Fehlen von Gewicht bedeutet – und nicht ein willkürlich gesetzter Referenzpunkt.

Zulässige Statistiken

Für Verhältnisvariablen sind dieselben Verfahren wie bei Intervallskalen zulässig, darüber hinaus aber auch geometrische Mittelwerte, Variationskoeffizienten und Verhältnisaussagen aller Art.

Skalenniveaus im Vergleich: Was ist erlaubt?

Diese Systematik ist nicht nur eine akademische Klassifikation. Universitäre Statistikleitfäden betonen, dass unterschiedliche Datentypen unterschiedliche Methoden zur Zusammenfassung, Beschreibung und Analyse erfordern – und dass die Kenntnis des Skalenniveaus die Grundlage für jede methodische Entscheidung ist.

Das Akronym NOIR (Nominal, Ordinal, Intervall, Ratio) hilft dabei, die Reihenfolge der Skalenniveaus zu behalten. Jede Stufe enthält die Eigenschaften aller vorherigen.

Praktische Bedeutung für Ihre Datenanalyse

Das Skalenniveau einer Variable bestimmt, welche statistischen Verfahren Sie anwenden dürfen. Das ist keine formale Spielerei, sondern hat direkte Auswirkungen auf die Validität Ihrer Ergebnisse.

Skalenniveau und Testauswahl

Vor jeder Analyse sollten Sie sich für jede Variable die Frage stellen: Auf welchem Skalenniveau ist diese Variable gemessen? Die Antwort bestimmt, ob Sie parametrische oder nichtparametrische Tests verwenden, welche Korrelationsmaße geeignet sind und wie Sie Kennzahlen berichten dürfen.

• Nominale Variablen: Chi-Quadrat-Test, Häufigkeitstabellen, Phi-Koeffizient
• Ordinale Variablen: Mann-Whitney-U, Spearman-Korrelation, Kruskal-Wallis-Test
• Intervall-/Verhältnisvariablen: t-Test, ANOVA, Pearson-Korrelation, Regressionsanalyse

Skalenniveau und Datenbereinigung

Das Skalenniveau ist auch für die Datenbereinigung und Datenaufbereitung zentral. Ausreißer lassen sich nur bei metrischen Variablen (Intervall- und Verhältnisskala) sinnvoll numerisch identifizieren. Fehlende Werte werden je nach Skalenniveau unterschiedlich behandelt: Bei nominalen Variablen ist eine Imputation über den Modus denkbar, bei metrischen über den Mittelwert oder komplexere Verfahren.

Wer seine Daten bereits in SPSS, R oder einem anderen Tool aufbereitet, wird feststellen, dass die Zuweisung des richtigen Messniveaus zu jeder Variable ein notwendiger erster Schritt ist – noch bevor eine einzige Analyse gestartet werden kann. Was alles dazu gehört, erläutert der Beitrag zu den typischen Schritten der Datenbereinigung ausführlich.

Intervall vs. Verhältnis – Eine unterschätzte Unterscheidung

In der Praxis werden Intervall- und Verhältnisskalen oft in einen Topf geworfen. Für die Wahl parametrischer Tests ist das in vielen Fällen vertretbar, da dieselben Verfahren angewendet werden. Relevant wird die Unterscheidung jedoch, wenn Sie Verhältnisaussagen treffen oder Transformationen vornehmen wollen. Eine logarithmische Transformation ergibt nur bei Verhältnisvariablen mit positivem Wertebereich Sinn. Auch bei der Berechnung von Wachstumsraten oder prozentualen Veränderungen setzt die korrekte Interpretation einen echten Nullpunkt voraus.

Skalenniveau richtig dokumentieren

In einer Abschlussarbeit oder wissenschaftlichen Studie sollte das Skalenniveau jeder Variable im Methodenteil explizit ausgewiesen werden. Gutachtende prüfen, ob die gewählten statistischen Verfahren zum Messniveau der Variablen passen. Eine sorgfältige Datenaufbereitung beginnt deshalb immer mit einer genauen Variablendokumentation – inklusive Skalenniveau, Wertelabels und Kodierung fehlender Werte.

Wenn Sie unsicher sind, ob Ihre Variablen korrekt eingestuft und Ihre Analyseverfahren passend gewählt sind, lohnt sich ein Blick auf die gängigen statistischen Methoden der Datenverarbeitung, die eine systematische Orientierung bieten.