Alla data är inte likvärdiga, och det påverkar vilken statistisk analys man kan göra på dem. Om du t.ex. skall räkna de olika typerna av träd i en skog så kan du enkelt särskilja olika kategorier (lövträd–barrträd, osv), men inte t.ex. räkna ut ett medelvärde. I grunden har vi fyra olika mätskalor för våra data.

Nominalskalan är data som går att separera i grupper, men att vi bara kan räkna antalet i de olika grupperna.

Pojkar och flickor i en klass, olika arter i ett undersökningsområde.

Det finns metoder som chi2 som medger statistisk analys, men de flesta statistiska metoder går inte att använda. Du kan ta fram typvärdet.

I ordinalskalan har vi data som kan rangordnas, men det går inte att ange skillnader eller avstånd mellan värdena.

Betygen i skolan är typiska data på ordinalskala, men även i vilken skolform någon har studerat (grundskola, gymnasium, högskola, forskarutbildning) eller IQ¹⁾

Vi kan räka ut typvärde och medianvärde, samt rangordna sina data

Om det man mäter kan tilldelas ett numeriskt värde kan man använda sig av intervallskalan. Dessa måste kunna jämföras numeriskt, men att dividera dem med varandra är inte meningsfullt, och där det inte finns en naturlig nollpunkt.

Temperatur i celsius, datum.

För dessa data går det även att räkna ut medelvärdet (det aritmetiska medelvärdet)

När vi har kontinuerligt varierande värden, med en naturlig nollpunkt är våra data på kvotskalan.

Vikt, längd, temperatur i kelvin

För dessa kan vi även räkna ut det geometriska medelvärdet.