مقیاس‌های اندازه‌گیری چیست؟ مقیاس اسمی، ترتیبی، فاصله‌ای و نسبتی با مثال

مقیاس‌های اندازه‌گیری (Measurement Scales) یکی از مهم‌ترین مفاهیم در آمار، روش تحقیق و تحلیل داده‌ها هستند. هر پژوهشگر پیش از جمع‌آوری یا تحلیل داده‌ها باید بداند متغیرهای پژوهش در کدام مقیاس اندازه‌گیری شده‌اند؛ زیرا انتخاب آزمون آماری، نحوه نمایش داده‌ها و حتی تفسیر نتایج به نوع مقیاس اندازه‌گیری بستگی دارد. اگر مقیاس داده‌ها به‌درستی تشخیص داده نشود، ممکن است کل تحلیل آماری با خطا همراه شود.

به طور کلی، مقیاس‌های اندازه‌گیری به چهار دسته اسمی (Nominal)، ترتیبی (Ordinal)، فاصله‌ای (Interval) و نسبتی (Ratio) تقسیم می‌شوند. هر یک از این مقیاس‌ها ویژگی‌ها، کاربردها و محدودیت‌های خاص خود را دارند. در این مقاله با هر چهار نوع مقیاس اندازه‌گیری آشنا می‌شوید، تفاوت آن‌ها را یاد می‌گیرید و با مثال‌های کاربردی در پژوهش و علوم پزشکی، نحوه استفاده از هر مقیاس را خواهید شناخت.

مقیاس اندازه‌گیری چیست؟

مقیاس اندازه‌گیری (Measurement Scale) روشی برای طبقه‌بندی، سازمان‌دهی و توصیف داده‌ها و متغیرها است. این مقیاس‌ها مشخص می‌کنند که مقادیر یک متغیر چگونه باید ثبت، مقایسه و تحلیل شوند.

به بیان ساده، مقیاس اندازه‌گیری به این سؤال پاسخ می‌دهد که:

• آیا داده‌ها فقط برای دسته‌بندی استفاده می‌شوند؟

• آیا بین آن‌ها ترتیب وجود دارد؟

• آیا فاصله بین مقادیر معنا دارد؟

• آیا صفر نشان‌دهنده نبود کامل ویژگی است؟

پاسخ به این پرسش‌ها نوع مقیاس اندازه‌گیری را مشخص می‌کند و در نهایت تعیین می‌کند که چه روش‌های آماری برای تحلیل داده‌ها قابل استفاده هستند.

چرا شناخت مقیاس‌های اندازه‌گیری اهمیت دارد؟

تشخیص صحیح مقیاس اندازه‌گیری تنها یک موضوع تئوری نیست؛ بلکه مستقیماً بر کیفیت پژوهش تأثیر می‌گذارد. نوع مقیاس تعیین می‌کند که:

• از چه آزمون آماری باید استفاده شود.

• چه شاخص‌هایی مانند میانگین، میانه یا نما قابل محاسبه هستند.

• داده‌ها چگونه در جداول و نمودارها نمایش داده شوند.

• نتایج پژوهش چگونه تفسیر شوند.

برای مثال، اگر متغیر «گروه خونی» را که یک متغیر اسمی است با روش‌های مناسب داده‌های فاصله‌ای تحلیل کنید، نتایج به‌دست‌آمده از نظر آماری معتبر نخواهند بود.

چهار نوع اصلی مقیاس‌های اندازه‌گیری

در آمار و روش تحقیق، مقیاس‌های اندازه‌گیری به چهار گروه اصلی تقسیم می‌شوند:

1. مقیاس اسمی (Nominal Scale)

2. مقیاس ترتیبی (Ordinal Scale)

3. مقیاس فاصله‌ای (Interval Scale)

4. مقیاس نسبتی (Ratio Scale)

این چهار مقیاس از ساده‌ترین سطح (اسمی) تا کامل‌ترین سطح (نسبتی) به ترتیب قدرت بیشتری در توصیف داده‌ها و انجام تحلیل‌های آماری دارند. در ادامه، هر یک از این مقیاس‌ها را به‌طور کامل بررسی خواهیم کرد.

مقیاس اسمی (Nominal Scale)

مقیاس اسمی ساده‌ترین نوع مقیاس اندازه‌گیری است. در این مقیاس، داده‌ها تنها برای نام‌گذاری یا دسته‌بندی استفاده می‌شوند و هیچ ترتیب یا ارزش عددی بین آن‌ها وجود ندارد. به همین دلیل، اعداد (در صورت استفاده) صرفاً نقش برچسب دارند و انجام عملیات ریاضی روی آن‌ها معنا ندارد.

برای مثال، اگر در یک پرسشنامه جنسیت افراد را به صورت «1 = مرد» و «2 = زن» ثبت کنید، عدد ۲ به معنای بزرگ‌تر یا بیشتر بودن نسبت به عدد ۱ نیست؛ این اعداد فقط کدهایی برای شناسایی گروه‌ها هستند.

ویژگی‌های مقیاس اسمی

• داده‌ها فقط در گروه‌های مجزا قرار می‌گیرند.

• بین گروه‌ها هیچ ترتیب یا اولویتی وجود ندارد.

• مقادیر صرفاً نقش شناسه یا برچسب دارند.

• تنها می‌توان تعداد یا درصد هر گروه را محاسبه کرد.

مثال‌هایی از مقیاس اسمی

• گروه خونی (A، B، AB، O)

• جنسیت

• وضعیت تأهل

• رنگ چشم

• رشته تحصیلی

• محل سکونت

• نوع بیماری

مقیاس ترتیبی (Ordinal Scale)

مقیاس ترتیبی (Ordinal Scale) داده‌ها را علاوه بر دسته‌بندی، بر اساس یک ترتیب یا رتبه مشخص نیز سازمان‌دهی می‌کند. به عبارت دیگر، در این مقیاس می‌توان مشخص کرد که یک مقدار از مقدار دیگر بیشتر یا کمتر است، اما فاصله بین رتبه‌ها مشخص یا برابر نیست.

برای مثال، اگر از افراد بخواهید میزان رضایت خود از یک خدمات را با گزینه‌های «خیلی کم، کم، متوسط، زیاد و خیلی زیاد» بیان کنند، می‌دانیم که «زیاد» از «متوسط» بالاتر است؛ اما نمی‌توان گفت اختلاف بین «متوسط» و «زیاد» دقیقاً برابر با اختلاف بین «زیاد» و «خیلی زیاد» است.

به همین دلیل، در مقیاس ترتیبی تنها ترتیب داده‌ها معنا دارد و اندازه دقیق فاصله بین آن‌ها قابل اندازه‌گیری نیست.

ویژگی‌های مقیاس ترتیبی

• داده‌ها قابل دسته‌بندی هستند.

• بین داده‌ها ترتیب یا رتبه وجود دارد.

• فاصله بین رتبه‌ها مشخص یا مساوی نیست.

• صفر واقعی وجود ندارد.

• انجام عملیات ریاضی مانند جمع، تفریق یا محاسبه میانگین معمولاً مناسب نیست.

مثال‌هایی از مقیاس ترتیبی

• سطح تحصیلات (دیپلم، کارشناسی، کارشناسی ارشد، دکتری)

• شدت درد (خفیف، متوسط، شدید)

• رضایت مشتری (خیلی کم تا خیلی زیاد)

• رتبه دانشجویان در یک کلاس

• مرحله بیماری (مرحله ۱، ۲، ۳ و ۴)

در پژوهش‌های علوم پزشکی

پرسشنامه‌های مبتنی بر طیف لیکرت (Likert Scale) مانند «کاملاً مخالفم» تا «کاملاً موافقم» از رایج‌ترین نمونه‌های داده‌های ترتیبی هستند. اگرچه بسیاری از پژوهشگران در عمل مجموع نمرات لیکرت را به‌صورت داده فاصله‌ای تحلیل می‌کنند، اما هر سؤال لیکرت به‌تنهایی یک متغیر ترتیبی محسوب می‌شود.

مقیاس فاصله‌ای (Interval Scale)

مقیاس فاصله‌ای (Interval Scale) نسبت به مقیاس ترتیبی یک گام پیشرفته‌تر است. در این مقیاس، علاوه بر وجود ترتیب بین داده‌ها، فاصله بین مقادیر نیز برابر و قابل اندازه‌گیری است. این ویژگی امکان انجام بسیاری از تحلیل‌های آماری مانند محاسبه میانگین، انحراف معیار و همبستگی را فراهم می‌کند.

با این حال، مهم‌ترین ویژگی مقیاس فاصله‌ای این است که صفر آن واقعی نیست؛ یعنی صفر به معنای نبود کامل ویژگی مورد اندازه‌گیری نیست و تنها یک نقطه قراردادی روی مقیاس محسوب می‌شود.

برای مثال، دمای ۰ درجه سانتی‌گراد به این معنا نیست که هیچ دمایی وجود ندارد. همچنین نمی‌توان گفت دمای ۲۰ درجه، دو برابر دمای ۱۰ درجه است.

ویژگی‌های مقیاس فاصله‌ای

• داده‌ها دارای ترتیب هستند.

• فاصله بین مقادیر برابر است.

• امکان جمع و تفریق وجود دارد.

• صفر مطلق یا واقعی وجود ندارد.

• نسبت‌گیری (دو برابر، نصف و...) معنا ندارد.

مثال‌هایی از مقیاس فاصله‌ای

• دمای هوا بر حسب سانتی‌گراد یا فارنهایت

• سال‌های تقویمی (۱۳۸۰، ۱۳۹۰، ۱۴۰۰)

• ضریب هوشی (IQ)

نکته در پژوهش‌های علوم پزشکی

بسیاری از آزمون‌های استاندارد روان‌شناسی و برخی مقیاس‌های سنجش عملکرد شناختی در عمل به‌عنوان داده‌های فاصله‌ای تحلیل می‌شوند، زیرا فاصله بین نمرات آن‌ها قابل تفسیر است.

مقیاس نسبتی (Ratio Scale)

مقیاس نسبتی (Ratio Scale) کامل‌ترین و دقیق‌ترین نوع مقیاس اندازه‌گیری است. این مقیاس تمام ویژگی‌های مقیاس فاصله‌ای را دارد، با این تفاوت که دارای صفر واقعی یا مطلق است.

وجود صفر واقعی باعث می‌شود بتوان نسبت بین مقادیر را نیز تفسیر کرد. برای مثال، اگر وزن یک فرد ۸۰ کیلوگرم و فرد دیگر ۴۰ کیلوگرم باشد، می‌توان گفت وزن فرد اول دو برابر فرد دوم است. چنین مقایسه‌ای در مقیاس فاصله‌ای امکان‌پذیر نیست.

ویژگی‌های مقیاس نسبتی

• داده‌ها قابل دسته‌بندی هستند.

• دارای ترتیب مشخص هستند.

• فاصله بین مقادیر برابر است.

• صفر واقعی وجود دارد.

• تمام عملیات ریاضی و آماری روی داده‌ها قابل انجام است.

مثال‌هایی از مقیاس نسبتی

• قد

• وزن

• سن

• درآمد

• تعداد فرزندان

• مدت زمان بستری در بیمارستان

• تعداد ضربان قلب در دقیقه

• تعداد گلبول‌های سفید خون

در پژوهش‌های پزشکی

بیشتر متغیرهای فیزیولوژیک مانند وزن، قد، فشار اکسیژن خون، حجم خون، سطح قند خون، مدت بستری و تعداد دفعات مراجعه بیمار در مقیاس نسبتی اندازه‌گیری می‌شوند؛ بنابراین امکان استفاده از طیف گسترده‌ای از آزمون‌های پارامتریک برای تحلیل آن‌ها وجود دارد.

جدول مقایسه انواع مقیاس‌های اندازه‌گیری

جدول زیر مهم‌ترین تفاوت‌های چهار مقیاس اندازه‌گیری را به‌صورت خلاصه نشان می‌دهد.

چگونه نوع مقیاس اندازه‌گیری را تشخیص دهیم؟

اگر در تشخیص نوع مقیاس یک متغیر دچار تردید هستید، این چهار سؤال را به ترتیب از خود بپرسید:

۱. آیا داده‌ها فقط برای دسته‌بندی هستند؟

اگر پاسخ بله است، متغیر شما اسمی است.

مثال: گروه خونی، جنسیت، ملیت.

۲. آیا بین داده‌ها ترتیب وجود دارد؟

اگر علاوه بر دسته‌بندی، بتوان داده‌ها را از کم به زیاد یا برعکس مرتب کرد، اما فاصله بین آن‌ها مشخص نباشد، متغیر ترتیبی است.

مثال: سطح رضایت، شدت درد، رتبه دانشجویان.

۳. آیا فاصله بین مقادیر برابر است؟

اگر اختلاف بین اعداد قابل اندازه‌گیری باشد اما صفر واقعی وجود نداشته باشد، متغیر فاصله‌ای است.

مثال: دمای هوا بر حسب سانتی‌گراد.

۴. آیا صفر نشان‌دهنده نبود کامل ویژگی است؟

اگر پاسخ مثبت باشد، متغیر شما در مقیاس نسبتی اندازه‌گیری شده است.

مثال: وزن، قد، سن، درآمد، تعداد فرزندان.

ارتباط مقیاس‌های اندازه‌گیری با آزمون‌های آماری

یکی از مهم‌ترین دلایل شناخت مقیاس‌های اندازه‌گیری، انتخاب صحیح آزمون آماری است. نوع متغیر مشخص می‌کند که از آزمون‌های پارامتریک یا ناپارامتریک استفاده شود و کدام شاخص‌های آماری قابل محاسبه هستند.

به طور کلی:

نکته: انتخاب آزمون آماری تنها به مقیاس اندازه‌گیری وابسته نیست. عواملی مانند توزیع داده‌ها، تعداد گروه‌ها، استقلال نمونه‌ها و حجم نمونه نیز در انتخاب آزمون مناسب نقش دارند. بهتر است در این مسیر از یک متخصص آمار کمک بگیرید.

اشتباهات رایج در تشخیص مقیاس‌های اندازه‌گیری

دانشجویان و پژوهشگران تازه‌کار معمولاً در تشخیص نوع مقیاس اندازه‌گیری با چند اشتباه متداول روبه‌رو می‌شوند.

۱. تصور اینکه هر داده عددی، کمی است

وجود عدد به‌تنهایی نشان‌دهنده کمی بودن داده نیست. برای مثال، اگر جنسیت را با کدهای ۱ و ۲ ثبت کنید، این اعداد صرفاً برچسب هستند و متغیر همچنان اسمی است.

۲. اشتباه گرفتن مقیاس ترتیبی با فاصله‌ای

در بسیاری از پرسشنامه‌ها، گزینه‌هایی مانند «کاملاً مخالفم» تا «کاملاً موافقم» دارای ترتیب هستند، اما فاصله بین آن‌ها لزوماً برابر نیست. بنابراین هر سؤال لیکرت به‌صورت جداگانه یک متغیر ترتیبی محسوب می‌شود.

۳. فرض اینکه صفر همیشه واقعی است

در مقیاس فاصله‌ای، صفر یک نقطه قراردادی است، نه نبود کامل ویژگی. برای مثال، صفر درجه سانتی‌گراد به معنای نبود دما نیست.

۴. انتخاب آزمون آماری بدون توجه به نوع مقیاس

یکی از رایج‌ترین خطاها این است که پژوهشگر بدون بررسی نوع متغیر، مستقیماً از آزمون‌های پارامتریک مانند t-test یا ANOVA استفاده می‌کند. این کار می‌تواند اعتبار نتایج پژوهش را کاهش دهد.

جمع‌بندی

مقیاس‌های اندازه‌گیری پایه و اساس تحلیل داده‌ها در پژوهش هستند. انتخاب صحیح نوع مقیاس نه‌تنها به ثبت دقیق داده‌ها کمک می‌کند، بلکه در انتخاب آزمون آماری، تفسیر نتایج و افزایش اعتبار پژوهش نیز نقش اساسی دارد.

به طور خلاصه:

• مقیاس اسمی برای دسته‌بندی داده‌ها استفاده می‌شود.

• مقیاس ترتیبی علاوه بر دسته‌بندی، امکان رتبه‌بندی را فراهم می‌کند.

• مقیاس فاصله‌ای دارای فواصل مساوی است، اما صفر واقعی ندارد.

• مقیاس نسبتی کامل‌ترین مقیاس است و علاوه بر تمام ویژگی‌های قبلی، دارای صفر واقعی است؛ بنابراین تمام عملیات ریاضی و آماری روی آن قابل انجام است.

شناخت این چهار مقیاس به پژوهشگران کمک می‌کند تا داده‌های خود را به‌درستی تحلیل کرده و از بروز خطاهای آماری در تحقیقات جلوگیری کنند.