1.称名变量。称名变量只说明某一事物与其他事物在名称、类别或属性上的不同并不说明事物与事物之间差异的大小、顺序的先后。这些数据仅是类别符号而已,没有在量方面的实质性意义,一般不能对这类数据进行加、减、乘、除运算但通常可对每一类别计算次数或个数等。
2.顺序变量。顺序变量是指可以就事物的某一属性的多少或大小按次序将各事物加以排列的变量具有等级性和次序性的特点。顺序变量的观测结果有些是直接用序数等级来表示事物属性的多少与大小另外有些观测结果则是用有序的类别来区分事物属性的差异。在实际应用和研究中常用有序的整数或自然数来表示顺序变量的各种观测结果从而得到顺序变量数据。顺序变量数据之间虽有次序与等级关系但这种数据之间不具有相等的单位也不具有绝对的数量大小和零点。因此只能进行顺序递推运算。
3.等距变量。等距变量除能表明量的相对大小外,还具有相等的单位。等距变量观测数据的单位是相等的但零点却是相对的。对这类数据一般不能用乘、除法运算来反映两个数据。
4.比率变量。比率变量除了具有量的大小、相等单位外,还有绝对零点。比率变量数据可以进行加、减、乘、除运算,允许人们用乘、除法处理数据,以便对不同个体的测量结果进行比较并作比率性即倍比关系描述。
区别称名变量不说明事物与事物之间的差异的大小顺序先后顺序变量可以就事物的大小多少按照次序进行对事物排列等距变量具有相等的单位能表明量的相对大小它观测数据的单位是相等的但是零点是相对的。比率变量除了具有量的大小、相等单位还有绝对零点对它的数据可以进行加减乘除的运算。
称名数据(nominaldata)只说明某一事物与其他事物在属性上的不同类别上的差异、它具有独立的分类单位，其数值一般都取整数形式，只算个数、并不说明事物之间差异的大小，比如性别、颜色类别、人口数学校数、被试对某一事物的态度(赞成、反对、没有意见)等等，它们只用具有相同属性的个体数目来统计。在教育和心理类调查研究中，有关截属性的调查资料，大多属于这类数据。
顺序数据(ordinal data)是指既无相等单位，也无绝对零的数据，是事物某种属性的多少或大小，按次序将各个事物加以排列后获得的数据料。如学生的等级评定、喜爱程度、品质等级、能力等级、兴趣等。这数据不具有相等单位，也没有绝对零点，只能排出一个顺序，人身高分别为1.81m、1.79m、1.75m 1.70m、1.69m，由高到低对应的排名次序为1、2、3、4、5。在这个例子中，身高排名第1的学生与排名第2的学生，身高差距并不等于身高排名第2的学生与第3名学生之间的差距。也就是说，这类数据不能进行加减乘除运算。
等距数据(intervaldata)是有相等单位，但无绝对零的数据，如温度、各种能力分数、智商等。只能使用加减运算，不能使用乘除运算。例如在某一能力测验中，学生A得了80分，学生B得了75分，学生C得70分鉴于这类数据的特点，在这个例子中，比较三个学生之间的能力分数时，可以说学生A分数高于学生B、学生B高于学生C，而且还可以说学生A分数与学生B分数之差等于学生B与学生C分数之差，因为等距数据在某个区间里具有相等单位。但由于这类数据不是从绝对零点算起的，所以不能认为在该能力测验中得零分的学生。他在这方面的知识、能力就为零。区分为计比较时只能用加减法，不能使用乘除法。在这个例子中，也就不能说学生 A知识、能力是学生B的多少倍
比率数据既表明量的大小，也有相等的单位，同时还具有绝对零点，如身高、体重、反应时、各种感觉阈值的物理量等都属于这种数据类型。例如，在一个家庭中，父亲的身高是180m，母亲的身高是1.65m.5岁儿子的身高是0.90m。在这个例子中，可以说父亲的身高是他儿子身高的两倍。
四种类型分别是称名变量、顺序变量、等距变量、比率变量。
区别是称名变量不说明事物与事物之间的差异的大小顺序先后;顺序变量可以就事物的大小多少按照次序进行对事物排列;等距变量具有相等的单位能表明量的相对大小它观测数据的单位是相等的但是零点是相对的;比率变量除了具有量的大小、相等单位还有绝对零点,对它的数据可以进行加减乘除的运算。
数据的逻辑结构四种分类是：
第一种是集合，集合中任何两个数据元素之间都没有逻辑关系,组织形式松散。
第二种是线性结构，线性结构中的结点按逻辑关系依次排列形成一个“锁链”。
第三种是树形结构，树形结构具有分支、层次特性,其形态有点象自然界中的树。
第四种是图状结构，图状结构中的结点按逻辑关系互相缠绕,任何两个结点都可以邻接。