Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Qual a diferença entre variável nominal e ordinal?

No vasto mundo da pesquisa, as variáveis desempenham um papel crucial na coleta e interpretação de dados. Dependendo da natureza e da forma como categorizamos esses dados, utilizamos diferentes tipos de variáveis. Entre as mais comuns e frequentemente confundidas estão as variáveis nominais e ordinais.

Mas o que exatamente elas significam? E por que é importante diferenciá-las?

Neste post, mergulharemos nas definições e características dessas duas variáveis, ilustrando seus usos e importância no campo da pesquisa. Se você está buscando esclarecer suas dúvidas e compreender melhor esses conceitos, continue lendo.

Nominal

Em uma escala nominal, simplesmente destacamos que alguns elementos são distintos de outros, enquadrando-os em duas ou mais classes que não se sobrepõem.

Quando indicamos que um indivíduo possui uma condição clínica, estamos de forma subentendida recorrendo a uma escala nominal, onde se classifica pessoas com e sem a condição clínica.

Em uma escala nominal pura, não existem exemplos que se posicionem entre as classes estabelecidas. Embora possa haver desafios em determinar e concordar de forma consistente sobre a classificação de algo, não há, do ponto de vista conceitual, um intervalo entre as classes.

Outro ponto que gera dúvidas é como elencar uma variável nominal quando ela possui mais de duas categorias. Quando elencamos as categorias de uma variável nominal, a sequência em que o fazemos é, na maior parte das vezes, indiferente. Na variável “curso universitário”, nenhum curso é intrinsecamente anterior ou posterior a outro.

Pode ser prático listar as categorias em ordem alfabética, mas essa ordem pode mudar conforme os nomes dos cursos universitários se transformam e varia de acordo com o idioma. No entanto, a estrita ordem alfabética nem sempre é lógica ou prática.

Por exemplo, em uma variável como “identidade étnica”, o número de categorias possíveis é vasto, e integrantes de grupos menores têm a opção de registrar sua resposta ao lado da palavra “outro”. Para evitar confusão, a categoria “outro” é colocada no final da lista, e não em sua posição alfabética.

Ordinal

Em uma escala ordinal, as coisas continuam sendo classificadas por categoria, mas essas categorias possuem uma ordem específica.

Um exemplo comum de uma variável ordinal é “posição de chegada em uma corrida”. Você pode dizer que a pessoa que terminou em primeiro correu mais rápido do que a pessoa que terminou em segundo, mas não sabe o quanto mais rápido.

Portanto, sabemos que o 1º é diferente do 2º e que o 2º é diferente do 3º, mas a diferença entre o 1º e o 2º pode ser muito maior do que a diferença entre o 2º e o 3º.

Agora, imagine que estamos realizando observações comportamentais de uma criança na escola e registramos o momento em que o comportamento ocorreu. O horário exato do comportamento (por exemplo, às 10:38) pode não ser relevante.

Se a classe mantém um cronograma regular, pode ser mais útil segmentar o dia em períodos como início da manhã, recreio, final da manhã, almoço e tarde. Assim, fica mais fácil perceber se problemas de comportamento tendem a surgir mais em determinados momentos do que em outros.

Não importa que essas divisões tenham durações diferentes ou que não aconteçam exatamente no mesmo horário todos os dias. Em uma variável verdadeiramente ordinal, a distância entre as categorias é indeterminada, não especificada ou irrelevante.

A complexidade da teoria versus a realidade

Tudo bem, sei que você ficará surpreso ao ouvir isso, mas a realidade é muito mais complexa do que essa pequena classificação sugere. Poucas variáveis na vida real se encaixam nessas categorias tão claras e organizadas. Para o contexto atual, é suficiente afirmar que as bases de medição e a categorização de variáveis são tópicos intrincados e repletos de debates

Então é preciso ter cautela e não tratar as escalas de medição como se fossem regras imutáveis!

Elas são diretrizes, feitas para ajudá-lo a refletir sobre como lidar com diferentes variáveis em diferentes situações. E só isso. Então, vamos considerar um exemplo clássico, talvez o exemplo mais clássico, de uma ferramenta de medição psicológica: a escala Likert.

A singela escala Likert é a ferramenta fundamental de todo projeto de pesquisa. Você mesmo já preencheu centenas, talvez milhares, delas e há grandes chances de já ter utilizado uma. Imagine que temos uma pergunta de pesquisa assim:


Qual das opções a seguir melhor descreve sua opinião sobre a afirmação de que “todos os piratas são terríveis.”?

Você tem as seguintes opções de resposta:
(1) Discordo fortemente

(2) Discordo

(3) Nem concordo nem discordo

(4) Concordo

(5) Concordo fortemente

Este conjunto de itens é um exemplo de uma escala Likert de 5 pontos, na qual as pessoas são solicitadas a escolher entre uma de várias possibilidades (neste caso, 5) claramente ordenadas, geralmente com uma descrição verbal fornecida em cada caso. No entanto, não é necessário que todos os itens sejam explicitamente descritos.

Pergunto para você: que tipo de variável elas representam?

Um argumento diz que realmente não podemos afirmar que a diferença entre “concordo fortemente” e “concordo” seja do mesmo tamanho que a diferença entre “concordo” e “nem concordo nem discordo”. Na verdade, na vida cotidiana, é evidente que não são iguais. Isso sugere que devemos considerar as escalas Likert como variáveis ordinais.

Da mesma forma, os itens de testes de habilidade são ordinais, mesmo que correto versus incorreto possam parecer categorias nominais. Testes de habilidade são projetados de forma que uma resposta correta indica maior habilidade do que uma resposta incorreta.

E por que é importante diferenciá-las? Compreender a distinção variáveis nominais e ordinais é fundamental para qualquer pessoa envolvida em pesquisa ou análise de dados, pois a correta categorização influencia diretamente a qualidade e precisão dos resultados obtidos.

Se por descuido utilizarmos a análise incorreta para uma variável, o software de estatística nos fornecerá um resultado, mas talvez não percebamos que está conceitualmente errada.

Esperamos que este post tenha ajudado você a entender melhor esses conceitos e como aplicá-los na prática.

Aproveite e inscreva-se no canal e aprimore suas habilidades em análise de dados!

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Referências

Navarro, D.J., Foxcroft, D.R., & Faulkenberry, T.J. (2019). Learning Statistics with JASP: A Tutorial for Psychology Students and Other Beginners.

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Se você é um profissional ou um estudante da área da saúde e está interessado nas práticas baseadas em evidências, este post é para você. Vamos descobrir como a base

Diferença entre as regressões logísticas: binária, ordinal e multinomial

Diferença entre as regressões logísticas: binária, ordinal e multinomial

A análise de regressão é uma técnica amplamente utilizada para verificar a existência de uma relação entre uma variável dependente e uma ou mais variáveis independentes. Existem diferentes tipos de

Construção de itens para instrumentos de autorrelato

Construção de itens para instrumentos de autorrelato

A elaboração de itens para instrumentos de autorrelato desempenha um papel crucial na pesquisa psicométrica, pois é por meio deles que os participantes expressam suas próprias experiências e percepções. Neste

Dados Normativos: Entendendo o Escore Z

Dados Normativos: Entendendo o Escore Z

Interpretar os resultados derivados do uso de um teste é tão crucial quanto criar ou adaptar os instrumentos e aplicá-los corretamente. Para a interpretação dos resultados, é essencial a criação

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

No campo da Psicometria, pesquisadores e profissionais frequentemente buscam garantir a precisão e consistência de seus instrumentos de medição. Um dos métodos usados para avaliar a confiabilidade de um teste

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Um Guia Completo sobre a PEDro: Physiotherapy Evidence Database

Se você é um profissional ou um estudante da área da saúde e está interessado nas práticas baseadas em evidências, este post é para você. Vamos descobrir como a base

Diferença entre as regressões logísticas: binária, ordinal e multinomial

Diferença entre as regressões logísticas: binária, ordinal e multinomial

A análise de regressão é uma técnica amplamente utilizada para verificar a existência de uma relação entre uma variável dependente e uma ou mais variáveis independentes. Existem diferentes tipos de

Construção de itens para instrumentos de autorrelato

Construção de itens para instrumentos de autorrelato

A elaboração de itens para instrumentos de autorrelato desempenha um papel crucial na pesquisa psicométrica, pois é por meio deles que os participantes expressam suas próprias experiências e percepções. Neste

Dados Normativos: Entendendo o Escore Z

Dados Normativos: Entendendo o Escore Z

Interpretar os resultados derivados do uso de um teste é tão crucial quanto criar ou adaptar os instrumentos e aplicá-los corretamente. Para a interpretação dos resultados, é essencial a criação

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

Compreendendo a Confiabilidade Duas-Metades (Split-Half Reliabity)

No campo da Psicometria, pesquisadores e profissionais frequentemente buscam garantir a precisão e consistência de seus instrumentos de medição. Um dos métodos usados para avaliar a confiabilidade de um teste

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.