Słownik metodologiczny · Pomiar i skale

Skala nominalna

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Skala nominalna

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Skala nominalna?

Skala nominalna rozróżnia kategorie bez naturalnego porządku.
Co odróżnia to pojęcie? Skala nominalna rozróżnia kategorie bez uporządkowania, na przykład kierunek studiów lub województwo. Numery kodów są etykietami, dlatego średnia kodów nie ma interpretacji. Opisuje się liczebności i odsetki, a w modelu stosuje wskaźniki kategorii względem jawnej referencji. Dwie kategorie nie stają się skalą ilościową tylko dlatego, że zakodowano je jako 0 i 1.

Zastosowanie, warunki i dobre praktyki

Kategorie muszą być rozłączne, wyczerpujące dla celu analizy i kodowane bez sugerowania nieistniejącego porządku.

Najważniejsze zastosowanie: Wykorzystuj skalę nominalną do rozróżniania nieuporządkowanych kategorii i opisuj ją liczebnościami oraz proporcjami.

Skala nominalna rozróżnia kategorie bez porządku, dlatego liczby użyte jako kody nie mają sensu arytmetycznego. Analizuj liczebności, proporcje i modele dla kategorii, jasno określ kategorię odniesienia oraz zachowaj osobny kod dla braków i odpowiedzi „nie dotyczy”.

Dobra klasyfikacja nominalna wymaga kategorii rozłącznych i adekwatnych do pytania badawczego. Jeżeli respondent może należeć do kilku kategorii jednocześnie, np. korzystać z kilku źródeł informacji, nie jest to jedna zmienna nominalna wielokategorialna, lecz zestaw osobnych wskaźników tak/nie. Odpowiedzi „nie wiem”, „odmowa” i „nie dotyczy” nie powinny automatycznie trafiać do jednej kategorii ani być traktowane jak obserwowane poziomy badanego zjawiska. Trzeba też wskazać, czy procenty odnoszą się do całej próby, czy tylko do ważnych odpowiedzi.

W modelu regresji zmienna z k kategoriami jest zwykle przedstawiana przez k − 1 parametrów względem wybranej kategorii odniesienia. Referencja powinna ułatwiać odpowiedź na pytanie badawcze, a nie być wybierana wyłącznie dlatego, że ma najniższy kod. Bardzo małe kategorie mogą powodować niestabilność oszacowań; ich łączenie jest dopuszczalne tylko wtedy, gdy powstała grupa ma wspólny sens merytoryczny i decyzję da się obronić niezależnie od wyniku testu.

Kontrola klasyfikacji nominalnej

  • Sprawdź, czy kategorie są rozłączne i obejmują odpowiedzi istotne dla badania.
  • Raportuj liczebności, procenty, braki oraz mianownik procentu.
  • W modelu nazwij kategorię referencyjną; nie interpretuj odległości między kodami.
  • Nie łącz rzadkich kategorii bez uzasadnienia treściowego.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Kody 1 = okulistyka, 2 = kardiologia i 3 = neurologia są etykietami bez porządku; średnia tych kodów nie opisuje „przeciętnego oddziału”.

Jak ją zinterpretować: Liczby są wyłącznie etykietami kategorii i nie mają naturalnego porządku ani odległości. Właściwy opis wykorzystuje liczebności, procenty i dominantę, a nie średnią kodów.

Najczęstsza pułapka i granica interpretacji

Nie obliczaj średniej kodów kategorii i nie nadawaj ich numerom fałszywego porządku. Kod 3 nie oznacza większego natężenia cechy niż kod 1; jest tylko etykietą. Jeżeli kategorie nie są rozłączne, trzeba utworzyć osobne wskaźniki wielokrotnego wyboru albo poprawić definicję zmiennej, zamiast wymuszać jedną kategorię na osobę.

Przykład reprodukowalny dla tego hasła

Jawne kodowanie kategorii nominalnej bez tworzenia fałszywego porządku

Przykład pokazuje, że numery kategorii są etykietami. Kod tworzy osobne wskaźniki względem jawnej kategorii odniesienia, nie wynik ilościowy.

Dane wejściowe: Kolumna kierunek ma trzy kategorie: psychologia, socjologia i pedagogika. Psychologia jest kategorią odniesienia.

Co sprawdzić w wyniku: Odczytaj liczebności i procenty, a następnie sprawdź dwie zmienne wskaźnikowe. Nie obliczaj średniej z kodów 1, 2 i 3.

R
dane <- read.csv("dane.csv", stringsAsFactors = FALSE)
dane$kierunek <- factor(
  dane$kierunek,
  levels = c("psychologia", "socjologia", "pedagogika")
)

table(dane$kierunek, useNA = "ifany")
round(100 * prop.table(table(dane$kierunek)), 1)

# Psychologia jest kategorią odniesienia.
kontrasty <- model.matrix(~ kierunek, data = dane)[, -1, drop = FALSE]
head(kontrasty)
Python
import pandas as pd

df = pd.read_csv("dane.csv")
levels = ["psychologia", "socjologia", "pedagogika"]
df["kierunek"] = pd.Categorical(df["kierunek"], categories=levels)

print(df["kierunek"].value_counts(dropna=False))
print(df["kierunek"].value_counts(normalize=True).mul(100).round(1))

dummies = pd.get_dummies(
    df["kierunek"], prefix="kierunek", drop_first=True, dtype=int
)
print(dummies.head())
IBM SPSS Statistics — Syntax
FREQUENCIES VARIABLES=kierunek /ORDER=ANALYSIS.

COMPUTE kierunek_soc=(kierunek='socjologia').
COMPUTE kierunek_ped=(kierunek='pedagogika').
IF MISSING(kierunek) kierunek_soc=$SYSMIS.
IF MISSING(kierunek) kierunek_ped=$SYSMIS.
VARIABLE LABELS kierunek_soc 'Socjologia vs psychologia'
 /kierunek_ped 'Pedagogika vs psychologia'.
EXECUTE.
FREQUENCIES VARIABLES=kierunek_soc kierunek_ped.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
  3. IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
  4. pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
BibTeX dla oprogramowania i pakietów
@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}
@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}
@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}
@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (McNeish, 2018).

Powiązane hasła

Skala dychotomicznaSkala dyferencjału semantycznegoSkala ilościowaSkala LikertaSkala porządkowaSkala standaryzowana

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Alfa Cronbacha: jak oceniać rzetelność skali bez uproszczeń

Alfa Cronbacha krok po kroku: wzór, założenia, interpretacja, ograniczenia i sytuacje, w których lepiej raportować współczynnik omega.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  2. Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046
  3. Sijtsma, K. (2009). On the use, the misuse, and the very limited usefulness of Cronbach’s alpha. Psychometrika, 74(1), 107–120. https://doi.org/10.1007/s11336-008-9101-0
  4. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  5. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  6. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006

Cytowania BibTeX

@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}
@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}
@article{sijtsma2009alpha, author={Sijtsma, Klaas}, title={On the use, the misuse, and the very limited usefulness of Cronbach’s alpha}, journal={Psychometrika}, year={2009}, volume={74}, number={1}, pages={107--120}, doi={10.1007/s11336-008-9101-0}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
R