D annan a simple guide to resarch writing indd

77 
 

---

 
 
 
Hence, descriptive statistics enable a concise portrayal of the information regarding 
measurements, for example rate, frequencies, means and standard deviations. Inferential 
statistics/measurements go further. While descriptive st
atistics describe a sample’s 
attributes based on the information gathered from respondents, inferential measurements 
are utilised to obtain information about the population from which the sample was drawn 
based on the data outlined in the descriptive measurements (Denzin & Lincoln, 2011)
Mind map 6.1 list the different types of quantitative data and their characteristics.
Mind map 6.1: Types of quantitative data
 
In analysing quantitative data, it is important to understand the inherent nature of the data 
to collect, because this will determine the type of analysis that is appropriate and legitimate 
in the context of the study and the data collection
Four categories of quantitative data:
 
Nominal measures are descriptive measures that serve only to indicate the alternative 
states of the variable. For example, in measure of gender, a respondent may be male or 
female or in measure of religion, a respondent may be Christian, Jewish, Hindu, Moslem,

78 
 

---

 
 
 
Buddhist or belong to some other unspecified faith. The respondent is either male or
female, either a Christian or not a Christian.
Nominal measures in this manner have the particular qualities of thoroughness and shared 
restrictiveness. They represent the most reduced conceivable dimension of measurement. 
In endeavouring to evaluate such information, try to convert it and express the findings/ 
discoveries as frequencies or percentages. Although it is usual practice to appoint numerical 
codes to these attributes to facilitate computer analysis, these numbers cannot be used for 
mathematical purposes.
Ordinal measures are rank estimates, usually reflect choices made by the subject or 
categories predetermined by the researcher. Ordinal measures can be logically rank- 
ordered and the different attributes represent relatively more or less of the specific variable. 
As with nominal data, there is little scope for treating such data mathematically. 
Frequencies and percentages are calculated, but not the arithmetic mean and statistical 
analysis which are largely precluded.
Interval measures refer to those variables of which the attributes are not only rank-ordered, 
but they are separate by a uniform distance between them. An example would be the IQ 
scale or temperature scales. Interval measures allow some degree of mathematical and 
statistical treatment. Thus, the arithmetic mean IQ of a group of respondents with a range 
of IQs can be calculated and correlated and regression analyses can be carried out.
Ratio measures are based on an absolute scale, which has a fixed zero point. This means 
that the scale readings are exactly proportional to the variables being measured. Ratio 
measures represent the highest possible level of precision and are amenable to all forms 
of statistical analysis. Saunders et al. (2003:328) stated that quantitative data can also be 
divided into two distinct categories:
• Categorical data cannot be measured numerically but can be classified into sets 
(categories) according to specified criteria (e.g. gender, religion, profession, 
qualification) or placed in rank order (e.g. level of experience, consumer preference, 
etc.). Nominal and ordinal data fall into this group.
• Quantifiable data is data of which the values can be measured numerically. The more 
precise the measurement the greater the range of statistical techniques that can be 
used to analyse the data. Interval and ratio measures fall into this group. Generally it 
is better in quantitatively-oriented studies to collect data that enables highest possible 
level of statistical analysis.