Welche 5 Datentypen gibt es?
In diesem Beitrag
Die 5 Datentypen im Überblick
In der Statistik unterscheidet man fünf grundlegende Datentypen: nominale, ordinale, diskrete, stetige und metrische Daten (wobei Letztere weiter in Intervall- und Verhältnisskala unterteilt werden). Diese Einteilung geht maßgeblich auf den Psychologen S. S. Stevens zurück, der die vier Messniveaus Nominal, Ordinal, Intervall und Ratio erstmals systematisch beschrieben hat.
Die Klassifikation ist keine abstrakte Theorie – sie entscheidet unmittelbar darüber, welche statistischen Verfahren Sie anwenden dürfen und welche Aussagen Sie aus Ihren Daten ableiten können. Wer diesen Schritt überspringt, riskiert falsche Analysen und damit angreifbare Ergebnisse.
| Datentyp | Skala | Typisches Beispiel | Erlaubte Operationen |
|---|---|---|---|
| Nominal | Nominalskala | Geschlecht, Nationalität | Gleich / Verschieden |
| Ordinal | Ordinalskala | Schulnoten, Likert-Skala | Rang, Rangordnung |
| Diskret | Metrisch (ganzzahlig) | Anzahl Geschwister, Tore | Grundrechenarten |
| Stetig | Metrisch (kontinuierlich) | Körpergröße, Temperatur | Grundrechenarten, Verhältnisse |
| Metrisch (Intervall / Ratio) | Intervall- oder Verhältnisskala | IQ-Wert / Einkommen | Differenzen / auch Verhältnisse |
Nominale Daten
Nominale Daten sind Kategorien ohne jede Rangordnung. Sie dienen lediglich der Unterscheidung: Ein Wert ist entweder gleich oder verschieden, mehr lässt sich nicht ableiten. Rechenoperationen wie Addition oder Mittelwertbildung sind bedeutungslos.
Typische Beispiele aus empirischen Abschlussarbeiten:
- Geschlecht (weiblich, männlich, divers)
- Studienfach (Psychologie, Medizin, BWL)
- Nationalität oder Herkunftsland
- Therapieform (Gruppe A, Gruppe B, Kontrollgruppe)
Im Datensatz werden nominale Kategorien oft numerisch kodiert – etwa 1 = weiblich, 2 = männlich. Diese Zahlen sind aber reine Labels. Ob man 1 oder 42 schreibt, ist völlig beliebig. Rechenoperationen auf diesen Werten sind nicht sinnvoll.
Ordinale Daten
Ordinale Daten bringen Kategorien in eine logische Rangfolge – allerdings sind die Abstände zwischen den Stufen nicht gleichmäßig oder interpretierbar. Man weiß, dass Rang 1 besser ist als Rang 2, aber nicht, um wie viel.
Typische Beispiele
- Schulnoten (sehr gut bis mangelhaft)
- Likert-Skalen in Fragebögen (stimme voll zu … stimme gar nicht zu)
- Bildungsabschlüsse (kein Abschluss, Hauptschule, Abitur, Hochschule)
- Militärränge oder Hierarchiestufen in Organisationen
Ob Likert-Skalen als ordinal oder metrisch behandelt werden dürfen, ist in der Methodenliteratur umstritten. In der Praxis werden 5- oder 7-stufige Skalen häufig als intervallskaliert behandelt, wenn die Abstände als gleichwertig angenommen werden können – das sollte aber explizit begründet werden.
Diskrete Daten
Diskrete Daten sind zählbare, ganzzahlige Werte. Es gibt keine sinnvollen Zwischenwerte – man kann nicht 2,7 Geschwister haben.
Beispiele für diskrete Variablen:
- Anzahl der Therapiesitzungen
- Tore in einem Fußballspiel
- Anzahl der Studierenden in einem Seminar
- Häufigkeit eines bestimmten Verhaltens in einer Beobachtungsstudie
Diskrete Daten gehören zur übergeordneten Kategorie der quantitativen Variablen. Sie erlauben sinnvolle Rechenoperationen: Mittelwert, Standardabweichung und Summen lassen sich berechnen – auch wenn das Ergebnis im Einzelfall keine ganze Zahl ist (z. B. „durchschnittlich 1,8 Kinder“).
Stetige Daten
Stetige (kontinuierliche) Daten können innerhalb eines Wertebereichs jeden beliebigen Wert annehmen. Zwischen zwei Messwerten gibt es immer noch einen weiteren möglichen Wert – theoretisch bis ins Unendliche.
Typische Beispiele
- Körpergröße in Zentimetern
- Reaktionszeit in Millisekunden
- Blutdruck, Körpertemperatur
- Testergebnisse auf einer kontinuierlichen Skala
In der Praxis wird Stetigkeit durch Messpräzision begrenzt – ein Thermometer zeigt 37,2 °C an, nicht 37,18473 °C. Das ändert aber nichts daran, dass die Variable konzeptionell stetig ist. Diese Unterscheidung ist vor allem für die Wahl geeigneter Wahrscheinlichkeitsmodelle relevant.
Stetige und diskrete Daten bilden gemeinsam die Gruppe der quantitativen Variablen, die sich von den kategorialen (nominal, ordinal) dadurch unterscheiden, dass quantitative Variablen numerische Werte annehmen, die in eine sinnvolle Reihenfolge gebracht werden können und konsistente Abstände aufweisen.
Metrische Daten – Intervall- und Verhältnisskala
Der Begriff metrisch fasst zwei Skalentypen zusammen, die sich in einem entscheidenden Punkt unterscheiden: dem Nullpunkt.
Intervallskala
Bei intervallskalierten Daten sind die Abstände zwischen den Werten gleichmäßig und interpretierbar, aber es gibt keinen natürlichen Nullpunkt. Das klassische Beispiel ist die Celsius-Skala: Der Unterschied zwischen 10 °C und 20 °C ist genauso groß wie zwischen 20 °C und 30 °C. Aber 0 °C bedeutet nicht „keine Temperatur“ – Verhältnisaussagen wie „doppelt so warm“ sind daher nicht sinnvoll.
Weitere Beispiele: IQ-Werte, viele psychologische Testskalen.
Verhältnisskala (Ratio)
Die Verhältnisskala (auch Ratioskala) besitzt einen echten Nullpunkt. Damit sind nicht nur Differenzen, sondern auch Verhältnisaussagen zulässig. Stevens beschrieb dies als die Möglichkeit, Aussagen wie „doppelt so groß“ oder „halb so viel“ zu treffen – was bei der Intervallskala nicht erlaubt ist.
Typische Beispiele:
- Einkommen in Euro (0 € bedeutet tatsächlich kein Einkommen)
- Körpergewicht in Kilogramm
- Reaktionszeit ab einem definierten Startzeitpunkt
- Anzahl korrekt gelöster Aufgaben
Skalentypen nach Stevens (1946)
Jede höhere Skalenebene schließt die Eigenschaften der darunter liegenden ein – eine Verhältnisskala erlaubt also alle Aussagen, die auch auf Nominal-, Ordinal- und Intervallniveau möglich sind, zuzüglich Verhältnisaussagen.
Warum Datentypen die Methodenwahl bestimmen
Die Frage „Welche Datentypen habe ich?“ ist keine akademische Fingerübung. Sie ist die erste praktische Entscheidung jeder empirischen Analyse – und sie legt fest, welche Tests, Grafiken und Kennzahlen legitim sind.
Konkrete Konsequenzen für Ihre Analyse
Für kategoriale Variablen (nominal, ordinal) und die Prüfung von Zusammenhängen kommt häufig der Chi-Quadrat-Test zum Einsatz. Bei kleinen Stichproben mit erwarteten Zellhäufigkeiten von fünf oder weniger wird stattdessen der Fisher-Exact-Test empfohlen. Für den Gruppenvergleich mit einer metrischen abhängigen Variable und einer kategorialen Gruppenvariable ist eine ANOVA das Standardverfahren – bei ordinalen abhängigen Variablen tritt der Kruskal-Wallis-Test als nichtparametrische Alternative an ihre Stelle.
| Datentyp der abhängigen Variable | Typisches Verfahren |
|---|---|
| Nominal | Chi-Quadrat-Test, Fisher-Exact-Test, logistische Regression |
| Ordinal | Mann-Whitney-U, Kruskal-Wallis, Spearman-Korrelation |
| Metrisch (Intervall/Ratio) | t-Test, ANOVA, Pearson-Korrelation, lineare Regression |
Welche Grafiken sinnvoll sind, hängt ebenfalls vom Datentyp ab: Balkendiagramme für nominale und ordinale Daten, Histogramme und Boxplots für metrische Variablen. Einen anschaulichen Überblick dazu bietet der Beitrag zu Beispielen für statistische Daten.
Wer sich über die beiden großen Analysestränge – deskriptive und inferenzstatistische Methoden – einen Überblick verschaffen möchte, findet dazu weitere Orientierung im Beitrag zu den zwei Arten von Statistiken.
Häufige Fehler im Umgang mit Datentypen
In der Praxis – insbesondere bei Bachelor- und Masterarbeiten – schleichen sich bestimmte Fehler regelmäßig ein. Wer sie kennt, kann sie von Anfang an vermeiden.
Weitere typische Stolperfallen
- Ordinal als metrisch behandeln: Schulnoten oder einfache Likert-Items werden manchmal ohne Begründung wie Intervallskalen analysiert. Das ist nicht grundsätzlich falsch, muss aber methodisch begründet werden.
- Verhältnis- und Intervallskala verwechseln: Wer bei einem IQ-Wert sagt, eine Person sei „doppelt so intelligent“, begeht einen klassischen Skalenfehler – der IQ hat keinen absoluten Nullpunkt.
- Stetige Daten unnötig kategorisieren: Körpergröße in „groß / mittel / klein“ aufzuteilen, kostet Informationen und statistische Power, ohne methodischen Mehrwert.
- Datentyp erst nach der Erhebung festlegen: Der Datentyp sollte bereits bei der Fragebogenkonstruktion und Studienplanung berücksichtigt werden, nicht erst in der Auswertung.
Gerade bei der Studienplanung zahlt sich frühzeitige Klarheit über Datentypen aus. Wer unsicher ist, welche Skalierung seine Variablen haben und welche Verfahren dafür geeignet sind, findet bei einer professioneller Statistik-Service Orientierung – von der Operationalisierung bis zur Auswertung.
Datentypen im Kontext von Abschlussarbeiten
Für Studierende, die eine empirische Abschlussarbeit schreiben, ist die korrekte Einordnung der Datentypen ein zentraler Bestandteil des Methodenkapitels. Sie zeigt der Prüfungskommission, dass die Wahl der Analyseverfahren nicht zufällig, sondern methodisch begründet ist. Unterstützung dabei bieten erfahrene Statistiker für Bachelorarbeiten, die genau wissen, welche Anforderungen Hochschulen an die Variablenbeschreibung stellen.
Wer verstehen möchte, welche übergeordneten Ziele statistischer Analysen verfolgt werden und wie Datentypen in diesen größeren Zusammenhang eingebettet sind, findet dazu eine kompakte Einführung im Beitrag zum Ziel der Statistik.
