Haben Sie sich jemals gefragt, wie man abstrakte Bewertungen wie Schulnoten oder Kundenzufriedenheit sinnvoll erfassen kann, obwohl man sie nicht wie Meter oder Kilogramm messen kann?
Eine Ordinalskala ist ein statistisches Messniveau, bei dem Daten in eine eindeutige, logische Rangordnung gebracht werden können, ohne dass die genauen Abstände zwischen den Messwerten mathematisch vergleichbar sind. Klassische Beispiele hierbei sind Schulnoten von „sehr gut“ bis „mangelhaft“ oder Umfragefragen mit Optionen wie „stimme voll zu“ bis „stimme gar nicht zu“. Sie zeigt eine klare Richtung an, quantifiziert jedoch nicht den exakten zahlenmäßigen Unterschied zwischen den Stufen.
Grundlagen: Was zeichnet eine Ordinalskala aus?
In der Statistik und empirischen Forschung ist die Skalierung von Daten ein fundamentaler Schritt, um aussagekräftige Analysen durchführen zu können. Die Ordinalskala (auch Rangskala genannt) nimmt dabei eine wichtige Mittelposition ein. Sie besitzt Eigenschaften, die über eine bloße Namensnennung hinausgehen, erreicht jedoch noch nicht die mathematische Präzision metrischer Skalen.
Die zentrale Eigenschaft: Die Rangordnung
Das wichtigste Merkmal einer Ordinalskala ist die Relation „größer als“ bzw. „höher als“. Werte können chronologisch, nach Intensität oder nach Wertigkeit sortiert werden.
Beispiel Härtegrad von Mineralien: Diamant ist härter als Quarz, Quarz ist härter als Talkum. Wir kennen die exakte Reihenfolge, wissen aber nicht, um wie viel der Diamant härter ist als Quarz.
Beispiel Platzierungen: Bei einem Wettkampf belegt Läufer A den 1. Platz, Läufer B den 2. Platz und Läufer C den 3. Platz. Der zeitliche Abstand zwischen Platz 1 und 2 kann völlig anders sein als zwischen Platz 2 und 3.
Mathematische Eigenschaften und zulässige Operationen
Da die Abstände (Intervalle) zwischen den Ausprägungen nicht genormt oder ungleich groß sind, sind komplexe mathematische Operationen nur eingeschränkt möglich:
Zulässig: Rangordnungen vergleichen, feststellen ob ein Wert größer oder kleiner ist, sowie die Bestimmung von Median und Modus.
Unzulässig: Die Addition oder Subtraktion von Werten (z. B. macht die Rechnung „Note 2 + Note 4 = Note 6“ keinen Sinn).
... Um die theoretischen Grundlagen einer Ordinalskala greifbar zu machen, lohnt sich ein Blick in die konkrete Praxis der empirischen Forschung, der Psychologie und der Marktforschung.
Typische Anwendungsbereiche und praktische Beispiele
In der Realität begegnen uns Ordinalskalen fast täglich, oft ohne dass wir uns ihrer mathematischen Natur bewusst sind. Ein klassisches und weithin bekanntes Beispiel ist die Schulnotenskala in Deutschland (von 1 „sehr gut“ bis 6 „ungenügend“) oder in anderen Ländern (wie die Noten von A bis F). Es ist offensichtlich, dass eine Note 1 besser ist als eine Note 2 und diese wiederum besser als eine Note 3. Die Rangfolge ist also eindeutig und unumstritten. Allerdings wissen wir nicht exakt, wie groß der Abstand zwischen einer 1 und einer 2 im Vergleich zu dem Abstand zwischen einer 2 und einer 3 ist. Ist der Leistungsunterschied identisch? Keineswegs. Eine Note 2 drückt zwar eine bessere Leistung aus als eine 3, aber ob dieser Abstand mathematisch oder psychologisch exakt gleich groß ist wie der zwischen einer 4 und einer 5, lässt sich nicht messen.
Ein weiteres prominentes Beispiel sind Likert-Skalen, die in Fragebögen zur Messung von Einstellungen, Meinungen oder Zufriedenheiten eingesetzt werden. Typische Ausprägungen lauten hier:
1 = Stimme überhaupt nicht zu
2 = Stimme eher nicht zu
3 = Teils/teils
4 = Stimme eher zu
5 = Stimme voll und ganz zu
Auch hier haben wir eine klar definierte Richtung: Ein Wert von 5 repräsentiert eine stärkere Zustimmung als ein Wert von 4. Dennoch können wir nicht sagen, dass die Differenz zwischen „Stimme überhaupt nicht zu“ und „Stimme eher nicht zu“ genauso groß empfunden wird wie die zwischen „Stimme eher zu“ und „Stimme voll und ganz zu“. Die Abstände sind subjektiv und ordinalskaliert.
Weitere Beispiele finden sich im Bereich der Medizin (z. B. Schweregrade von Schmerzen auf einer Skala von „keine Schmerzen“ bis „unerträgliche Schmerzen“), im Sport (Platzierungen bei einem Wettkampf: 1. Platz, 2. Platz, 3. Platz) oder in der Hotellerie und Gastronomie (Sterne-Klassifizierungen für Hotels oder Restaurants).
Statistische Kennzahlen und Analysemethoden
Weil Ordinaldaten über eine feste Rangordnung verfügen, aber keine metrischen Abstände aufweisen, müssen bei ihrer statistischen Auswertung spezifische Methoden angewendet werden. Die Wahl der falschen Kennzahl kann zu völlig verzerrten oder falschen wissenschaftlichen Schlüssen führen.
Lagemaße: Warum der Median regiert
Bei einer Nominalskala können wir lediglich den Modus (den häufigsten Wert) bestimmen. Bei der Ordinalskala steht uns zusätzlich der Median (Zentralwert) zur Verfügung. Der Median teilt die geordnete Datenreihe exakt in zwei Hälften: 50 Prozent der Werte liegen darunter oder genau darauf, 50 Prozent liegen darüber.
Das arithmetische Mittel (der Durchschnitt) ist für reine Ordinaldaten streng genommen nicht zulässig. Warum? Um einen Durchschnitt zu berechnen, müssen die Abstände zwischen den Werten mathematisch sinnvoll addiert und dividiert werden können. Da bei einer Ordinalskala jedoch die Intervalle unbekannt oder ungleich groß sind, ergibt die Addition keinen verlässlichen Sinn. Beispiel: Wenn drei Personen auf einer Skala von 1 bis 3 (1 = schlecht, 2 = mittel, 3 = gut) die Werte 1, 1 und 3 vergeben, liegt der Median bei 1. Würde man fälschlicherweise den Mittelwert berechnen, käme man auf . Dieser Wert suggeriert eine Präzision und einen Abstand, den die Skala gar nicht hergibt. Dennoch wird in der Praxis (insbesondere bei Likert-Skalen mit fünf oder sieben Abstufungen) häufig pragmatisch und pragmatisch motiviert der Mittelwert berechnet, was unter Statistikern jedoch eine anhaltende Debatte auslöst.
Streuungsmaße: Interquartilsabstand statt Varianz
Da die Standardabweichung und die Varianz ebenfalls auf Differenzen und deren Quadraten basieren, sind sie für reine Ordinaldaten ungeeignet. Stattdessen nutzt man Streuungsmaße, die auf Rängen basieren, wie den Interquartilsabstand (IQR) oder den Bereich zwischen dem ersten und dritten Quartil. Diese Maße sind robust gegenüber Ausreißern und respektieren die Natur der Rangdaten.
Zusammenhangsmaße: Rangkorrelation
Möchte man den Zusammenhang zwischen zwei ordinalskalierten Merkmalen untersuchen (z. B. den Zusammenhang zwischen dem Bildungsabschluss und der Einkommensstufe in Kategorien), greift man nicht auf den klassischen Pearson-Korrelationskoeffizienten zurück. Stattdessen verwendet man Rangkorrelationskoeffizienten wie:
Spearmans Rho ()
Kendalls Tau ()
Diese Koeffizienten prüfen, inwiefern die Rangplätze zweier Merkmale übereinstimmen, ohne metrische Abstände voraussetzen zu müssen.
Grafische Visualisierung von Ordinaldaten
Wie sieht eine Ordinalskala in Grafiken aus? Da die Kategorien eine logische Reihenfolge haben, dürfen Diagramme niemals ungeordnet dargestellt werden (wie es manchmal bei Nominaldaten in Tortendiagrammen der Fall sein kann). Die Kategorien müssen zwingend in ihrer aufsteigenden oder absteigenden Reihenfolge auf der Achse abgetragen werden.
Säulendiagramme und Balkendiagramme: Sie eignen sich hervorragend, um die Häufigkeiten der einzelnen Kategorien darzustellen. Die X-Achse folgt dabei strikt der logischen Reihenfolge der Skala.
Gestapelte Balkendiagramme (Stacked Bar Charts): Besonders bei Likert-Skalen sind divergierende gestapelte Balkendiagramme extrem beliebt. Sie erlauben es, die Anteile von positiven, neutralen und negativen Bewertungen auf einen Blick zu vergleichen und zeigen die Symmetrie der Verteilung um einen neutralen Mittelpunkt herum.
Häufige Fehler und Fallstricke bei der Analyse
In der empirischen Forschung stolpern selbst erfahrene Analysten immer wieder über Stolpersteine im Umgang mit Ordinalskalen.
Die „Metrisierung“ von Ordinaldaten: Der wohl häufigste Fehler besteht darin, ordinal skalierte Daten schlicht wie metrische Daten zu behandeln. Man vergibt Zahlen (1 bis 5) und rechnet ungerührt Mittelwerte, Varianzen und t-Tests. Während dies in vielen psychologischen Studien gängige Praxis ist (unter der Annahme einer „quasi-metrischen“ Skalierung bei vielen Abstufungen), ist es mathematisch unsauber und kann bei geringen Fallzahlen oder stark schiefen Verteilungen zu falschen Ergebnissen führen.
Unklare Benennung der Kategorien: Wenn die Zwischenschritte einer ordinalen Skala nicht präzise und verständlich beschriftet sind (z. B. wenn unklar ist, ob „zufrieden“ über oder unter „eher zufrieden“ rangiert), bricht die gesamte Ordinalstruktur zusammen, weil die Befragten die Reihenfolge unterschiedlich interpretieren.
Fazit
Eine Ordinalskala schlägt eine Brücke zwischen der reinen Klassifikation (Nominalskala) und der präzisen Messung mit echten Abständen (Metrikskala). Sie sieht in der Praxis aus wie eine geordnete Reihe von Kategorien – sei es in Form von Noten, Ranglisten oder Fragebogen-Antworten.
Ihr entscheidender Vorteil liegt darin, dass sie Aussagen über „größer als“, „besser als“ oder „höher als“ erlaubt, wodurch deutlich mehr Informationen transportiert werden als bei bloßen Benennungen. Ihre Einschränkung liegt jedoch in der Unbekanntheit der exakten Abstände. Wer diese mathematischen Grenzen respektiert, den Median und Rangkorrelationen nutzt und die Daten entsprechend visualisiert, schöpft das volle Potenzial ordinaler Daten aus und vermeidet typische methodische Fehlschlüsse in der Datenanalyse.

