Was ist nominal und ordinal?

Die Fundamente der Datenanalyse: Was bedeutet Messen in der Wissenschaft?

In der Welt der Wissenschaft, der Marktforschung, der Psychologie und selbst im alltäglichen Schulalltag begegnen uns ständig Daten. Wir erheben Noten, zählen Likes auf Social Media, erfassen Geschlechterverteilungen oder bewerten Produkte von „sehr gut“ bis „mangelhaft“. Doch bevor wir auch nur eine einzige Zahl oder Kategorie statistisch auswerten können, müssen wir eine grundlegende Frage klären: Welche Art von Daten liegt hier eigentlich vor?

Nicht jede Zahl ist gleich eine mathematische Größe im klassischen Sinne, und nicht jede Kategorie lässt sich einfach so addieren oder multiplizieren. Um wissenschaftlich sauber zu arbeiten, nutzen Forscher das Konzept der Skalenniveaus (auch Messniveaus genannt). Sie bestimmen, welche mathematischen Operationen mit den Daten erlaubt sind und welche statistischen Analysen überhaupt Sinn ergeben.

Der berühmte Psychologe S.S. Stevens hat dieses System 1946 maßgeblich geprägt. Traditionell unterscheidet man vier große Skalenniveaus:

1. Nominalskala (das einfachste Niveau)

2. Ordinalskala

3. Intervallskala

4. Verhältnisskala (Rational-/Ratioskala)

In diesem ersten Teil unseres umfassenden Expertenartikels widmen wir uns intensiv den beiden ersten und grundlegendsten Stufen: der Nominalskala und der Ordinalskala. Sie bilden das Fundament für die Kategorisierung qualitativer und semi-quantitativer Merkmale.

1. Die Nominalskala: Reine Klassifikation ohne Rangfolge

Die Nominalskala (abgeleitet vom lateinischen nomen = Name) ist das niedrigste und einfachste Skalenniveau in der Statistik. Wenn Daten auf Nominalskala erhoben werden, bedeutet das schlicht und einfach: Die Untersuchungsobjekte werden in verschiedene Kategorien oder Klassen eingeteilt.

Merkmale und Eigenschaften der Nominalskala

Das entscheidende Kennzeichen der Nominalskala ist, dass die Ausprägungen keinerlei natürliche oder mathematische Reihenfolge besitzen. Es gibt kein „größer als“, kein „besser als“ und kein „höher als“. Die Kategorien sind rein qualitativer Natur und dienen ausschließlich der Unterscheidung.

• Äquivalenz: Das einzig mathematische Verhältnis, das auf der Nominalskala gilt, ist die Gleichheit oder Ungleichheit ($=\text{oder}\ne$). Zwei Beobachtungsobjekte fallen entweder in dieselbe Kategorie (z. B. beide sind „männlich“) oder in verschiedene Kategorien (z. B. einer ist „weiblich“, der andere „divers“).

• Willkürliche Anordnung: Die Reihenfolge, in der man die Kategorien auflistet, ist völlig egal. Ob man in einer Tabelle zuerst „Blau“, dann „Grün“ und dann „Rot“ nennt oder umgekehrt, ändert nichts am Informationsgehalt der Daten.

• Zahlen als bloße Platzhalter: Manchmal werden nominalskalierte Daten mit Zahlen verschlüsselt (kodiert). Ein klassisches Beispiel ist die Angabe des Geschlechts in einer Umfrage (z. B. $1=\text{weiblich}$, $2=\text{ma¨nnlich}$, $3=\text{divers}$). Achtung: Diese Zahlen haben keine mathematische Bedeutung! Die 2 ist nicht „doppelt so viel“ wie die 1, und die 3 ist nicht „besser“ als die 1 oder 2. Sie sind lediglich Etiketten.

Klassische Beispiele aus der Praxis

• Augenfarbe: Blau, Grün, Braun, Grau. (Es gibt keine „höhere“ oder „bessere“ Augenfarbe).

• Familienstand: Ledig, verheiratet, geschieden, verwitwet.

• Postleitzahlen: Auch wenn Postleitzahlen aus reinen Ziffern bestehen (z. B. 10115 für Berlin), sind sie nominalskaliert. Die Zahl 80331 (München) ist mathematisch nicht größer oder wertvoller als die Zahl 10115 – sie fungiert lediglich als geografischer Name.

• Studienfach: Mathematik, Geschichte, Biologie, Informatik.

Erlaubte statistische Methoden auf der Nominalskala

Weil man mit nominalskalierten Daten nicht rechnen kann (man kann Kategorien wie „Katze“ und „Hund“ nicht addieren), sind die mathematischen Möglichkeiten stark eingeschränkt:

• Häufigkeiten (Absolute und relative Häufigkeiten): Man kann zählen, wie oft eine bestimmte Kategorie vorkommt (z. B. 45 Personen wählen „Blau“, 20 Personen wählen „Rot“).

• Modus (Zentralwert): Man kann bestimmen, welche Kategorie am häufigsten vorkommt (der Modalwert).

• Kreuztabellen und Chi-Quadrat-Test: Man kann untersuchen, ob zwei nominalskalierte Merkmale miteinander zusammenhängen (z. B. ob die Leibspeise vom Geschlecht abhängt).

2. Die Ordinalskala: Wenn die Reihenfolge zählt

Sobald wir Daten erheben, bei denen die Kategorien nicht nur unterscheidbar sind, sondern sich auch in eine sinnvolle logische Reihenfolge bringen lassen, betreten wir die Welt der Ordinalskala (vom lateinischen ordo = Ordnung, Reihe).

Merkmale und Eigenschaften der Ordinalskala

Im Vergleich zur Nominalskala bietet die Ordinalskala einen entscheidenden Mehrwert: Sie erlaubt eine Rangordnung ( deshalb spricht man oft auch von Rangdaten).

• Relation „größer/höher als“: Neben der Äquivalenz ($=$ und $\ne$) gilt hier zusätzlich die Relation der Asymmetrie und Transitivität ($<$ und $>$). Wir wissen genau, ob eine Kategorie „höher“, „besser“, „stärker“ oder „wichtiger“ ist als eine andere.

• Das Problem der ungleichen Abstände: Das Tückische an der Ordinalskala ist, dass wir zwar wissen, dass etwas größer oder besser ist, aber wir wissen nicht, um wie viel es besser ist. Die Abstände (Intervalle) zwischen den einzelnen Rangstufen sind mathematisch nicht definiert und oft ungleich groß.

• Beispiel Schulnoten: In Deutschland vergeben wir Noten von 1 bis 6. Eine 1 ist besser als eine 2, und eine 2 ist besser als eine 3. Das ist eine klare Rangordnung (Ordinalskala). Aber ist der Abstand im Wissensstand zwischen einer 1 und einer 2 exakt derselbe wie zwischen einer 4 und einer 5? Keineswegs! Die Stufen sind subjektiv und mathematisch nicht genormt.

Klassische Beispiele aus der Praxis

• Schul- und Universitätsnoten: Sehr gut, gut, befriedigend, ausreichend, mangelhaft.

• Platzierungen bei einem Wettkampf: 1. Platz, 2. Platz, 3. Platz. (Wir wissen, dass der Erstplatzierte schneller war als der Zweitplatzierte, aber wir wissen nicht, ob der Vorsprung 0,1 Sekunden oder 10 Minuten betrug).

• Likert-Skalen in Umfragen: „Stimme voll zu“, „Stimme eher zu“, „Stimme eher nicht zu“, „Stimme gar nicht zu“.

• Schweregrad von Erkrankungen: Leicht, mittel, schwer.

Erlaubte statistische Methoden auf der Ordinalskala

Da nun eine Rangfolge vorliegt, öffnen sich neue statistische Türen, während andere verschlossen bleiben:

• Alle Methoden der Nominalskala: Häufigkeiten und der Modus sind natürlich weiterhin zulässig.

• Median: Der Median teilt die geordnete Datenreihe genau in der Mitte. Da wir die Werte der Größe nach sortieren können, lässt sich der Mittelwert der Rangordnung bestimmen.

• Percentile und Quartile: Man kann feststellen, an welchem Rang sich ein bestimmter Prozentsatz der Daten befindet (z. B. das obere Quartil).

• Rangkorrelationen: Verfahren wie der Spearman-Rangkorrelationskoeffizient messen, ob zwei ordinalskalierte Merkmale synchron steigen oder fallen.

• Was weiterhin verboten ist: Die Bildung des arithmetischen Mittels (Durchschnitts) ist streng genommen unzulässig! Wenn jemand die Noten 1, 1 und 6 hat, ist der Durchschnitt („Notendurchschnitt“ in der Schule) streng mathematisch auf einer reinen Ordinalskala verboten, weil die Abstände nicht metrisch sind. (In der Praxis wird das zwar oft gemacht, statistisch-theoretisch bewegt man sich damit jedoch auf dünnem Eis).

Zwischenfazit und Ausblick auf Teil 2

Nominal- und Ordinalskala bilden das Fundament der qualitativen und kategorialen Datenanalyse. Während die Nominalskala lediglich Kategorien unterscheidet (Farben, Geschlecht, Namen), bringt die Ordinalskala eine feste Rangordnung hinein (Noten, Platzierungen, Zufriedenheitsgrade), ohne jedoch exakte Abstände zu definieren.

Im zweiten Teil dieses Expertenartikels werden wir den Sprung zu den metrischen Skalenniveaus wagen – der Intervallskala und der Verhältnisskala –, bei denen echte mathematische Rechenoperationen wie Addition und Multiplikation uneingeschränkt möglich werden.

Welche praktischen Erfahrungen hast du im Alltag oder in der Schule bereits mit Nominal- und Ordinaldaten gemacht, und fällt dir spontan ein Beispiel aus einer Umfrage ein, das dich vor Zuordnungsprobleme gestellt hat?

Die Nominalskala im Detail: Kategorisieren ohne Rangfolge

Im ersten Teil unserer Betrachtung haben wir die Grundlagen der Skalenniveaus kennengelernt. Nun vertiefen wir den Blick auf die Nominalskala, die das einfachste und grundlegendste Messniveau in der empirischen Forschung darstellt.

Bei einer nominalskalierten Variable werden Merkmalsausprägungen ausschließlich dazu genutzt, Objekte, Personen oder Ereignisse in disjunkte Kategorien einzuteilen. Das bedeutet konkret: Die Kategorien schließen sich gegenseitig aus, und es gibt keinerlei natürliche Reihenfolge, Hierarchie oder Wertigkeit zwischen ihnen.

• Typische Beispiele:

  • Geschlecht (weiblich, männlich, divers)

  • Augenfarbe (blau, braun, grün, grau)

  • Lieblingsfarbe (rot, blau, gelb etc.)

  • Nationalität oder Postleitzahlen (letztere sind zwar zahlenbasiert, dienen aber rein als Kategorie/Name für ein Gebiet).

• Zulässige mathematische Operationen: Auf der Nominalskala sind lediglich die Gleichheit und Ungleichheit ($=,\ne$) definiert. Wir können feststellen, ob zwei Beobachtungen derselben Kategorie angehören oder nicht. Aussagen wie „Grüner als Blau“ oder „Kategorie A ist doppelt so viel wie Kategorie B“ sind mathematisch unsinnig.

• Erlaubte statistische Kennzahlen:

  • Häufigkeiten (absolute und relative Häufigkeiten)

  • Prozentwerte

  • Modus (der häufigste Wert / Modalwert)

Die Ordinalskala: Wenn die Reihenfolge zählt

Steigt das Niveau der Information, gelangen wir zur Ordinalskala (auch Rangskala genannt). Sie erfüllt alle Bedingungen der Nominalskala, bringt jedoch eine entscheidende Eigenschaft mit: Die Ausprägungen lassen sich in eine sinnvolle, logische Reihenfolge (Rangordnung) bringen.

Dennoch gibt es hier eine wichtige Einschränkung, die in der Praxis oft zu Fehlern führt: Die Abstände zwischen den einzelnen Rangstufen sind nicht mathematisch exakt definiert oder gleich groß.

• Typische Beispiele:

  • Schulnoten in Deutschland (1 bis 6: Eine 1 ist besser als eine 2, aber der „Abstand“ an Leistung zwischen einer 1 und einer 2 ist nicht messtechnisch identisch mit dem zwischen einer 4 und einer 5).

  • Zufriedenheitsskalen in Umfragen (z. B. „Sehr zufrieden“, „Zufrieden“, „Unzufrieden“, „Sehr unzufrieden“).

  • Platzierungen bei einem Wettkampf (1. Platz, 2. Platz, 3. Platz – wir wissen, dass der Erste schneller war als der Zweite, aber nicht, ob der Vorsprung 0,1 Sekunden oder 10 Minuten betrug).

• Zulässige mathematische Operationen: Neben der Gleichheit/Ungleichheit ($=,\ne$) sind nun auch Relationen wie „größer als“ oder „kleiner als“ ($<,>$) zulässig.

• Erlaubte statistische Kennzahlen:

  • Alle Maße der Nominalskala (Häufigkeiten, Modus).

  • Median (der Zentralwert, der die Daten in zwei gleich große Hälften teilt).

  • Quantile und Perzentile (z. B. Quartile).

Wichtiger Praxishinweis: Häufig werden ordinalskalierte Daten (wie Schulnoten oder Likert-Skalen) in der Praxis fälschlicherweise wie metrische Daten behandelt, indem man den Durchschnitt (arithmetisches Mittel) berechnet. Streng statistisch gesehen ist das unzulässig, da die Abstände zwischen den Stufen unbekannt sind.

Statistischer Vergleich und zulässige Operationen

Um die Unterschiede zwischen nominalen und ordinalen Daten auf einen Blick zu verdeutlichen, hilft eine strukturierte Gegenüberstellung der Kernmerkmale und Analysemöglichkeiten.

Fazit und Ausblick auf metrische Skalenniveaus

Die Unterscheidung zwischen Nominal- und Ordinalskala ist das Fundament jeder fundierten Datenanalyse. Während die Nominalskala reine qualitative Unterscheidungen (Kategorien) erlaubt, fügt die Ordinalskala eine wertvolle Dimension hinzu: die Rangordnung.

Beide Skalenniveaus gehören zu den kategorischen (oder nicht-metrischen) Daten. Sie bilden den Kontrast zu den höherwertigen metrischen Skalen (Intervall- und Ratioskala), bei denen nicht nur die Reihenfolge, sondern auch exakte, quantifizierbare Abstände und ein absoluter Nullpunkt existieren.

Wer die Grenzen dieser Skalenniveaus versteht, vermeidet klassische Auswertungsfehler, wählt die passenden statistischen Tests (z. B. den Chi-Quadrat-Test für nominale oder den Mann-Whitney-U-Test für ordinale Daten) und zieht am Ende valide, wissenschaftlich haltbare Schlüsse aus seinen Daten.