Statistik-Glossar

Intervallskala

Interval Scale · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Intervallskala?
Warum ist die Intervallskala wichtig?
Praxisbeispiel

Was versteht man unter Intervallskala?

Die Intervallskala ist ein Messniveau in der Statistik, das drei wesentliche Eigenschaften vereint: Die Messwerte lassen sich in eine natürliche Reihenfolge bringen, die Abstände zwischen den Werten sind gleichmäßig und inhaltlich bedeutsam, und es existiert ein willkürlicher Nullpunkt – also kein absolutes Nichts.

Das bedeutet konkret: Man kann sagen, dass der Unterschied zwischen 10 °C und 20 °C genauso groß ist wie der zwischen 20 °C und 30 °C. Was man nicht sagen kann: dass 20 °C doppelt so warm ist wie 10 °C. Denn der Nullpunkt (0 °C) ist eine Konvention, kein absoluter Ausgangspunkt.

Die Intervallskala steht damit zwischen der Ordinalskala (nur Rangfolge, keine gleichmäßigen Abstände) und der Verhältnisskala (gleichmäßige Abstände und absoluter Nullpunkt).

Einfach erklärt: Stell dir ein Lineal vor, bei dem die Striche gleichmäßig verteilt sind – der Abstand zwischen 3 cm und 5 cm ist genauso groß wie zwischen 7 cm und 9 cm. Eine Intervallskala funktioniert genauso: Die Abstände sind überall gleich groß und lassen sich direkt vergleichen. Was fehlt, ist ein echter Nullpunkt – wie wenn du nicht weißt, wo das Lineal eigentlich anfängt.

Typische Merkmale im Überblick

Reihenfolge: Werte können geordnet werden (größer, kleiner, gleich).
Gleiche Abstände: Die Differenz zwischen zwei Werten ist immer gleich skaliert.
Kein absoluter Nullpunkt: Der Wert 0 bedeutet nicht „kein Merkmal vorhanden“.
Erlaubte Rechenoperationen: Addition und Subtraktion, aber keine Multiplikation oder Division von Messwerten.

Warum ist die Intervallskala für statistische Analysen wichtig?

Das Messniveau bestimmt, welche statistischen Verfahren zulässig sind. Bei intervallskalierten Daten darf man deutlich mehr rechnen als bei nominal- oder ordinalskalierten Daten. So sind beispielsweise Mittelwert, Standardabweichung und Varianz sinnvoll berechenbar – vorausgesetzt, die Abstände zwischen den Werten sind wirklich gleichmäßig.

Für intervallskalierte Variablen kommen unter anderem folgende Verfahren infrage:

Häufiger Fehler: Viele Studierende behandeln Likert-Skalen (z. B. „stimme gar nicht zu“ bis „stimme voll zu“) automatisch als intervallskaliert. Streng genommen sind sie ordinal, da nicht garantiert ist, dass die Abstände zwischen den Stufen gleich groß sind. In der Praxis wird diese Annahme aber oft pragmatisch getroffen – dann sollte man das im Methodenteil der Arbeit explizit begründen.

Gut zu wissen: Der Unterschied zwischen Intervall- und Verhältnisskala ist entscheidend für Verhältnisaussagen. Temperaturen in Celsius sind intervallskaliert – man kann nicht sagen, 40 °C sei „doppelt so heiß“ wie 20 °C. Temperaturen in Kelvin hingegen haben einen absoluten Nullpunkt (0 K = kein thermisches Rauschen) und sind damit verhältnisskaliert – dort sind solche Verhältnisaussagen zulässig.

Praxisbeispiel zu Intervallskala

Angenommen, du führst eine Studie durch und misst die Tagestemperatur in vier Städten an einem bestimmten Tag:

Tabelle 1. Gemessene Tagestemperaturen in vier Städten (in °C)
Stadt	Temperatur (°C)
Berlin	8
München	12
Hamburg	4
Frankfurt	16

Du kannst nun sinnvoll sagen:

Der Unterschied zwischen Hamburg (4 °C) und Berlin (8 °C) beträgt 4 Grad – genauso viel wie der Unterschied zwischen Berlin (8 °C) und München (12 °C). Die Abstände sind direkt vergleichbar.
Der Mittelwert der vier Städte beträgt (8 + 12 + 4 + 16) / 4 = 10 °C. Das ist eine sinnvolle und interpretierbare Kennzahl.

Was du nicht sagen kannst: Frankfurt mit 16 °C ist „viermal so warm“ wie Hamburg mit 4 °C. Diese Art von Verhältnisaussage ist bei Intervallskalen nicht zulässig, da es keinen absoluten Nullpunkt gibt.