Skalenniveau
In diesem Beitrag
Was versteht man unter Skalenniveau?
Das Skalenniveau – auch Messniveau genannt – beschreibt, welche mathematischen Eigenschaften die Werte einer Variable besitzen. Es legt fest, welche Rechenoperationen und statistischen Verfahren auf die Daten angewendet werden dürfen. In der klassischen Messtheorie nach Stanley Stevens (1946) werden vier Skalenniveaus unterschieden:
- Nominalskala: Werte sind reine Kategorien ohne natürliche Reihenfolge. Beispiele: Geschlecht, Blutgruppe, Nationalität. Es lässt sich nur feststellen, ob zwei Werte gleich oder verschieden sind.
- Ordinalskala: Kategorien lassen sich in eine sinnvolle Reihenfolge bringen, aber die Abstände zwischen den Werten sind nicht interpretierbar. Beispiele: Schulnoten, Likert-Skala (1 = stimme gar nicht zu … 5 = stimme voll zu).
- Intervallskala: Werte haben eine geordnete Reihenfolge und die Abstände zwischen ihnen sind gleich groß und interpretierbar. Es gibt jedoch keinen absoluten Nullpunkt. Beispiel: Temperatur in Grad Celsius – 0 °C bedeutet nicht „keine Temperatur“.
- Verhältnisskala (Ratioskala): Wie die Intervallskala, aber mit einem echten Nullpunkt. Dadurch sind auch Verhältnisse aussagekräftig: „20 kg ist doppelt so schwer wie 10 kg.“ Beispiele: Gewicht, Alter, Einkommen, Reaktionszeit.
Intervall- und Verhältnisskala werden häufig unter dem Begriff metrische Skala zusammengefasst, da sie für die meisten parametrischen Verfahren gleichwertig behandelt werden. Nominal- und Ordinalskalenniveau zählen zu den kategorialen Skalen.
Warum ist Skalenniveau für statistische Analysen wichtig?
Das Skalenniveau entscheidet, welche statistischen Methoden zulässig und sinnvoll sind. Wer das Skalenniveau seiner Daten nicht kennt oder ignoriert, riskiert fehlerhafte Analysen und falsche Schlussfolgerungen.
Als Faustregel gilt: Je höher das Skalenniveau, desto mehr statistische Verfahren sind anwendbar. Konkret bedeutet das:
- Nominalskala: Häufigkeiten, Modus, Chi-Quadrat-Test
- Ordinalskala: Median, Rangkorrelation (z. B. Spearmans ρ), Mann-Whitney-U-Test
- Intervall-/Verhältnisskala: Mittelwert, Standardabweichung, Pearson-Korrelation, t-Test, Varianzanalyse (ANOVA), Regressionsanalyse
Praxisbeispiel zu Skalenniveau
Eine Studierende untersucht in ihrer Bachelorarbeit, welche Faktoren die Zufriedenheit mit dem Studium beeinflussen. Sie erhebt folgende Variablen:
| Variable | Ausprägungen (Beispiele) | Skalenniveau | Mögliche Auswertung |
|---|---|---|---|
| Studiengang | BWL, Psychologie, Informatik | Nominal | Häufigkeiten, Modus |
| Zufriedenheit (1–5) | 1 = sehr unzufrieden … 5 = sehr zufrieden | Ordinal (ggf. metrisch behandelt) | Median, ggf. Mittelwert |
| Semesterzahl | 1, 2, 3, … 10 | Verhältnis | Mittelwert, t-Test, Regression |
| Wohnort-Typ | Stadt / Land | Nominal | Chi-Quadrat-Test |
Möchte die Studierende prüfen, ob die Semesterzahl die Zufriedenheit vorhersagt, kann sie eine Regressionsanalyse durchführen – die Semesterzahl ist metrisch skaliert. Möchte sie dagegen untersuchen, ob sich Studierende aus Stadt und Land in ihrer Zufriedenheit unterscheiden, wählt sie einen geeigneten Test für ordinale oder kategoriale Daten, etwa den Mann-Whitney-U-Test. Das richtige Verfahren hängt also direkt vom Skalenniveau der beteiligten Variablen ab.
