ash's not hero

資料的型態可以概略分為離散型及不連續型，其中資料屬性是可以用一般的實數來表示，並且任何兩個數值間的段落可以無限的分割成更小的數值，此種變數稱之為連續型資料（continuous data），例如時間、報酬率等；反之則稱為離散型資料（discrete data），例如信用評等的等級。

一般在蒐集資訊之後，為了將所蒐集的資訊進一步量化與處理上方便之因素，我們將資料「數字化」，以作為後續比較與計算的基礎，然而在量化後得到的資料又可分為四種型態，分別為類別尺度、順序尺度、區間尺度及比例尺度等。以名目尺度或順序尺度檢測定性資料；以區間尺度或比率尺度檢測定量資料。

（一）類別尺度（Nominal scale）
又稱名義尺度，使用數字來分辨事物不同的性質或分類，目的僅在說明事物性質間的差異，數字並不代表性質或類別之間的差異大小或形式。如用0、1 代表男性、女性，此時0 與1 之間的目的是為了要區分性別，並不包含特殊的數字意義。又如職業、地區等變數在經過量化後，其中數字僅作為區分類別之用，並無特殊意義。

（二）順序尺度（Ordinal scale）
順序尺度的資料除了可以區分類別之外，尚具備順序的概念，如名次、滿意度、等級等。在這一類的資料中，我們除了可以區分不同類別的資料，也可對於資料進行排序，例如我們可以知道第一名跟第二名之間的差異，除了類別之外，尚有順序的差別。

以上兩種尺度（名義尺度、順序尺度），一般稱為初級測量尺度，兩者差異之處在於有順序的存在。

（三）區間尺度（Interval scale）
在上述的資料尺度中，我們除了瞭解第一名優於第二名，兩者間具有「等級」的概念，但並不知道第一名優於第二名多少，兩者的差距並無法作為衡量與比較的基礎。因此如果在資料尺度中加上差距的標準，如智商、溫度等，則150C 高於100C，兩者差了50C。兩者之間除了順
序的概念之外，並具有相等單位的特性，可衡量之間差異的程度。

（四）比例尺度（Ratio scale）
在區間尺度的資料中，可以瞭解資料間差異的概念，若再加上「倍數」的概念，則就成了比例尺度，例如商品的價格、成交量、報酬率等。我們除了可以說明某甲的身高高於某乙幾公分以外，更可比較兩人身高差異的倍數。在比例尺度中，0 是具有意義的，其所代表的意義為
計算的基礎，即表示變數計算距離時，是以自然原點（natural origin）起算；而在區間尺度中，0 僅為區分的標準，並不具備特殊意義。

以上兩種尺度（區間尺度、比例尺度）又稱高級測量尺度。通常越高層次的資料越不容易獲得，在處理上高尺度的資料可以降階處理，而低尺度的資料則不適合使用處理高尺度資料的方法，這是在資料分析時需要特別注意之處。一般而言，雖然我們可以透過統計套裝軟體處理
複雜的計算過程，得到結果，解釋上也與直覺相符，但若不瞭解資料的基本特性，則很可能發生錯誤的推論，更甚至造成錯誤的決策，這是在分析資料時需要特別注意。

以上資料參考台灣金融研訓院。