Nominalskala

Nominalskala Definition

Bei der Nominalskala werden Merkmalsausprägungen lediglich durch Bezeichnungen oder Zahlen unterschieden.

Die Nominalskala ist das "schwächste" Skalenniveau, die Aussagekraft und die Analysemöglichkeiten nehmen mit der Ordinalskala und der metrischen Skala (Intervallskala) zu.

Alternative Begriffe: Nominal-Skala, Nominale Skala, nominalskaliert, nominalskalierte Daten, Nominalskalierung.

Beispiele

Beispiel 1: Nominalskala für Haarfarbe

Ein Verband des Friseurhandwerks möchte eine Statistik über die Haarfarbe der Bevölkerung erheben.

Die (natürliche) Haarfarbe könnte in

  • "blond",
  • "braun/brünett",
  • "schwarz" und
  • "rot"

unterschieden werden.

Bei der Nominalskala erfolgt keine Abstufung ("blond" ist nicht besser als "braun/brünett"), sondern es handelt sich lediglich um eine Feststellung und Beschreibung von Merkmalsausprägungen.

Alternativ könnte auch in Zahlen transferiert werden, zum Beispiel "blond" = 1, "braun/brünett" = 2 und so weiter (auch hier ist 1 nicht besser als 2; die Zahlen haben keine weitere Bedeutung).

Die Zahlen dienen lediglich der Codierung, zum Beispiel um weniger Speicherplatz zu verbrauchen oder um Merkmalsausprägungen geheim bzw. vertraulich zu halten (man sieht dann nur – bis auf wenige mit entsprechender Zugriffsberechtigung –, dass Herr Müller mit "1" kodiert ist und nicht, dass er eine bestimmte Krankheit hat).

Weitere Beispiele

Weitere Beispiele für nominalskalierte Daten sind Geschlecht, Beruf, Studiengang, Autofarbe und Wohnort.

Die zentrale Frage ist: Was wird als gleichartig betrachtet und in eine Gruppe / Kategorie eingeordnet?

Das ist nicht immer naturgegeben, sondern hängt von dem Ziel ab: man könnte zum Beispiel auch nur zwischen "hellen Haaren" (blond, grau, weiß) und "dunklen Haaren" (braun, schwarz, rot) unterscheiden, wenn das für die Zwecke der Datenerhebung ausreicht.

Mögliche Analysen

Man kann mit nominalskalierten Daten natürlich wenig rechnen, zum Beispiel keinen Durchschnitt berechnen.

Man kann aber absolute (10 Rothaarige) und relative Häufigkeiten (5 % rothaarig) ermitteln und Zusammenhänge untersuchen, etwa zwischen der Haarfarbe und der Augenfarbe.

So sind beispielsweise der Phi-Koeffizient, Cramers V oder der Kontingenzkoeffizient nach Pearson Maße, mit denen ein Zusammenhang nominalskalierter Merkmale untersucht werden kann.