Có thích hợp để xử lý dữ liệu thang đo Likert n điểm như n thử nghiệm từ quy trình nhị thức không?


11

Tôi chưa bao giờ thích cách mọi người thường phân tích dữ liệu từ thang đo Likert như thể lỗi liên tục & Gaussian khi có những kỳ vọng hợp lý rằng các giả định này bị vi phạm ít nhất là ở các thái cực của thang đo. Bạn nghĩ gì về sự thay thế sau đây:

Nếu phản hồi lấy giá trị theo thang điểm , hãy mở rộng dữ liệu đó thành thử nghiệm, trong đó có giá trị 1 và có giá trị 0. Do đó, chúng tôi đang xử lý phản hồi theo thang đo Likert như thể nó là tổng hợp công khai của một loạt các thử nghiệm nhị thức (thực tế, từ góc độ khoa học nhận thức, đây thực sự là một mô hình hấp dẫn cho các cơ chế liên quan đến các kịch bản ra quyết định như vậy). Với dữ liệu mở rộng, giờ đây bạn có thể sử dụng mô hình hiệu ứng hỗn hợp chỉ định người trả lời là hiệu ứng ngẫu nhiên (cũng là câu hỏi là hiệu ứng ngẫu nhiên nếu bạn có nhiều câu hỏi) và sử dụng chức năng liên kết nhị thức để chỉ định phân phối lỗi.n n k n - kknnknk

Bất cứ ai cũng có thể thấy bất kỳ vi phạm giả định hoặc các khía cạnh bất lợi khác của phương pháp này?


2
Bạn có biết về bất kỳ nghiên cứu được công bố nào xem xét các giá trị tương đối của việc sử dụng thang đo Likeert như các khoảng so với dữ liệu thứ tự không? Có lẽ, sai sót của việc coi chúng là thang đo khoảng cách không đủ nghiêm trọng để đảm bảo một cách tiếp cận phức tạp. Nếu đó là trường hợp thì cách tiếp cận của bạn có thể chỉ đơn giản là một con ngỗng hoang dã đuổi theo.

Câu trả lời:


16

Tôi không biết bất kỳ bài viết nào liên quan đến câu hỏi của bạn trong tài liệu tâm lý học. Dường như với tôi, các mô hình logistic được đặt hàng cho phép các thành phần hiệu ứng ngẫu nhiên có thể xử lý tình huống này khá tốt.

Tôi đồng ý với @Srikant và nghĩ rằng mô hình tỷ lệ cược tỷ lệ hoặc mô hình probit có trật tự (tùy thuộc vào chức năng liên kết bạn chọn) có thể phản ánh tốt hơn mã hóa nội tại của các mặt hàng Likert và sử dụng điển hình của chúng làm thang đánh giá ý kiến ​​/ khảo sát thái độ hoặc bảng câu hỏi .

Các lựa chọn thay thế khác là: (1) sử dụng các danh mục liền kề thay vì tỷ lệ hoặc tích lũy (trong đó có kết nối với các mô hình log-linear); (2) sử dụng các mô hình phản hồi mục như mô hình tín dụng một phần hoặc mô hình thang đánh giá (như đã được đề cập trong phản hồi của tôi về phân tích thang đo Likert ). Trường hợp thứ hai có thể so sánh với cách tiếp cận hiệu ứng hỗn hợp, với các đối tượng được coi là hiệu ứng ngẫu nhiên và có sẵn trong hệ thống SAS (ví dụ: Mô hình hiệu ứng hỗn hợp phù hợp cho kết quả thứ tự lặp đi lặp lại với quy trình NLMIXED ) hoặc R (xem vol. 20 của Tạp chí Phần mềm Thống kê ). Bạn cũng có thể quan tâm đến cuộc thảo luận được cung cấp bởi John Linacre về Tối ưu hóa Hiệu quả Danh mục Thang điểm Xếp hạng .

Các giấy tờ sau đây cũng có thể hữu ích:

  1. Ngô, CH (2007). Một nghiên cứu thực nghiệm về việc chuyển đổi dữ liệu ở quy mô Likert sang các điểm số . Khoa học toán ứng dụng , 1 (58) : 2851-2862.
  2. Rost, J và Luo, G (1997). Một ứng dụng của một mô hình mở ra dựa trên Rasch cho một bảng câu hỏi về chủ nghĩa trung tâm vị thành niên . Ở Rost, J và Langeheine, R (Eds.), Các ứng dụng của đặc điểm tiềm ẩn và mô hình lớp tiềm ẩn trong khoa học xã hội , New York: Waxmann.
  3. Lubke, G và Muthen, B (2004). Phân tích nhân tố dữ liệu theo thang đo Likert theo giả định về tính quy tắc đa biến làm phức tạp một so sánh có ý nghĩa của các nhóm quan sát hoặc các lớp tiềm ẩn . Mô hình phương trình cấu trúc , 11 : 514-534.
  4. Nering, ML và Ostini, R (2010). Sổ tay mô hình lý thuyết đáp ứng vật phẩm đa hình . Routledge Học thuật
  5. Bender R và Grouven U (1998). Sử dụng mô hình hồi quy logistic nhị phân cho dữ liệu thứ tự với tỷ lệ cược không tỷ lệ. Tạp chí Dịch tễ học lâm sàng , 51 (10) : 809-816. (Không thể tìm thấy pdf nhưng cái này có sẵn, hồi quy logistic thông thường trong nghiên cứu y học )

1
Hiệu ứng hỗn hợp hồi quy logistic thứ tự cũng có sẵn trong R với gói thứ tự và clmm ().
Giăng

9

Nếu bạn thực sự muốn từ bỏ giả định dữ liệu mức khoảng cho các thang đo độ tương tự, tôi sẽ đề nghị bạn giả sử dữ liệu là logit hoặc probit theo thứ tự thay thế. Thang đo Likert thường đo cường độ của phản ứng và do đó giá trị cao hơn sẽ cho thấy phản ứng mạnh hơn đối với mục quan tâm cơ bản.

Giả sử rằng bạn có thang đo vật phẩm và đại diện cho sức mạnh phản ứng không quan sát được đối với mặt hàng quan tâm. Sau đó, bạn có thể giả sử mô hình phản hồi sau:SHS

S α 1y=1 nếuSα1

α h - 1 < S α h h = 2 , 3 , . . H - 1y=h  if vớiαh1<S αhh=2,3,..H1

α H - 1 < S < y=H  ifαH1<S< 

Giả sử tuân theo phân phối chuẩn với trung bình và phương sai không xác định sẽ đưa ra mô hình probit có trật tự.S


2

Một mối quan tâm là bằng cách sử dụng phương pháp này, bạn sẽ áp đặt một mối quan hệ cụ thể giữa trung bình và phương sai của phản hồi. Đối với loại khảo sát, thang đo Likert thường được sử dụng trong - ví dụ: bạn chọn một trong năm loại từ "Rất đồng ý" với "Rất không đồng ý" đối với một số tuyên bố này hoặc khác - tôi cảm thấy sai. Chẳng hạn, tôi mong muốn thang đo mười điểm sẽ cung cấp phân phối phản hồi gần giống như thang đo năm điểm nếu bạn thu gọn các cặp danh mục liền kề: cho phản hồi &n p ( 1 - p ) y p Pr n = 4 ( Y = y ) Pr n = 9 ( Y = 2 y ) + Pr n = 9 ( Y = 2 y + 1 )npnp(1p)yp

Prn=4(Y=y)Prn=9(Y=2y)+Prn=9(Y=2y+1)
Tôi nhớ lại một số nghiên cứu dường như cho thấy điều này: Coelho & Esteves (2006), Sự lựa chọn giữa thang đo năm điểm và mười điểm trong khuôn khổ đo lường sự hài lòng của khách hàng.

1

Bạn có thể sử dụng xấp xỉ nhị thức theo thang đo Likert 5 pt nếu bạn kết hợp đồng ý và đồng ý mạnh mẽ thành một nhóm & không đồng ý và không đồng ý mạnh mẽ với nhóm khác. Tất nhiên, bạn vẫn cần phải quyết định nơi những người trung lập đi. Tôi sẽ đặt các trung tính trong bất kỳ một nhóm nào, sử dụng xấp xỉ bình thường cho nhị thức (với điều kiện bạn có hơn 40 phản hồi) và phát triển các khoảng tin cậy theo tỷ lệ của từng nhóm (xem bất kỳ chỉ số tiêu chuẩn nào. khoảng trên tỷ lệ đến từ phân phối nhị thức với xấp xỉ bình thường). Sau đó, tôi sẽ đặt những người trung lập vào nhóm khác và làm lại khoảng tin cậy. Nếu tôi nhận được cùng một kết luận từ cả hai, thì đó là một kết luận tiềm năng. Mặt khác, tôi không thấy cách thức nhị thức có thể được sử dụng với dữ liệu Likert.


0

Nếu tôi hiểu chính xác, bài viết này cho thấy một cách tiếp cận rất giống với những gì bạn đã mô tả, cho thấy rằng có, thực sự, dữ liệu giống như Likert có thể tăng lên từ một quá trình nhị thức.

Tham chiếu đầy đủ: Allik, J. (2014). Một mô hình nhị phân hỗn hợp cho các biện pháp nhân cách kiểu Likert. Biên giới trong tâm lý học , (5) 371


Chào mừng đến với trang web! Bạn có thể thêm một tài liệu tham khảo đầy đủ cho bài báo đó? Đó là tiêu chuẩn thực hành ở đây vì các liên kết có xu hướng chết.
mkt - Tái lập Monica

-1

Trên thực tế, tôi đang chuẩn bị một bài báo trong đó tôi đang sử dụng phương pháp xử lý phản hồi của bạn đối với một mặt hàng tương tự như thể đó là tổng hợp công khai của một loạt các thử nghiệm nhị thức.

Trong bài báo của tôi, phân phối nhị thức được sử dụng để giải thích hình dạng của các phân phối tần số quan sát được. Lý do đằng sau phương pháp này được đưa ra bởi hai giả định. Trong nhiều applet, cho thấy sự phân bố nhị thức ra đời như thế nào, người ta đã lặp lại các thử nghiệm Bernoulli độc lập bằng một quả bóng rơi qua một loạt các chân. Mỗi lần bóng rơi vào chốt, nó sẽ nảy sang phải (tức là thành công) với xác suất p hoặc sang trái (tức là thất bại) với xác suất 1-p. Sau khi quả bóng rơi qua mảng, nó rơi vào một cái thùng được dán nhãn bởi số lần thành công tương ứng. Trong bài viết của tôi, quá trình ra quyết định cũng được xem là một loạt các thử nghiệm Bernoulli độc lập lặp đi lặp lại, trong đó, tại mỗi phiên tòa, đối tượng quyết định đồng ý hay không đồng ý với tuyên bố trong câu hỏi.

(i) Tại mỗi thử nghiệm Bernoulli độc lập, đối tượng đưa ra quyết định đồng ý với xác suất p hoặc không đồng ý (không đồng ý) với chế độ sinh hoạt 1-p.

(ii) Nếu có năm loại phản hồi có sẵn cho tuyên bố, thì số lần quyết định của Bernoulli được đưa ra liên quan đến quyết định đồng ý hay không đồng ý (không đồng ý) bằng 4 (5-1).

Sự lựa chọn cuối cùng cho một loại phản ứng cụ thể được đưa ra bởi các quy tắc sau.

  • Nếu trong tất cả (bốn) trường hợp, một quyết định thỏa thuận của Bernoulli được đưa ra, thì câu trả lời 'đồng ý mạnh mẽ' sẽ được đưa ra.

  • Nếu trong ba trường hợp, một quyết định thỏa thuận của Bernoulli được đưa ra, thì câu trả lời 'đồng ý' sẽ được đưa ra.

  • Nếu trong hai trường hợp, một quyết định thỏa thuận của Bernoulli được đưa ra, thì câu trả lời 'chưa quyết định' sẽ được đưa ra.

  • Nếu chỉ trong một trường hợp, một quyết định thỏa thuận của Bernoulli được đưa ra, thì câu trả lời 'không đồng ý' sẽ được đưa ra.

  • Nếu trong mọi trường hợp, một quyết định thỏa thuận của Bernoulli được đưa ra, thì câu trả lời 'không đồng ý mạnh mẽ' sẽ được đưa ra.

Một lý do tương tự có thể được đưa ra bằng cách sử dụng các quyết định 'không đồng ý'. Để có được phân phối nhị thức, cách tính điểm của các loại phản ứng như sau.

không đồng ý mạnh = 0, không đồng ý = 1, trung lập = 2, đồng ý = 3, đồng ý mạnh mẽ = 4

Hai giả định này dẫn đến phân phối nhị thức cho tần số đáp ứng với điều kiện là không có sự khác biệt có hệ thống giữa những người trả lời.

Tôi hy vọng bạn có thể đồng ý. Tôi sẽ đánh giá rất cao nếu bạn có thể cải thiện tiếng Anh của tôi trong văn bản trên.


Tôi đã loại bỏ trả lời cũ của bạn. Xin lưu ý rằng nhận xét của tôi không nhằm mục đích nhận xét tiêu cực; trả lời một dòng thường không được cung cấp nhiều thông tin và câu trả lời có thể tranh cãi (nhưng hãy xem Câu hỏi thường gặp của chúng tôi ).
chl

1
Đây là một đề xuất thú vị và sáng tạo, nhưng tôi nghi ngờ về nó. Trong cả phiên bản của bạn và trong hồi quy logistic thông thường như được đề xuất, ví dụ, bởi những người khác trong chuỗi này sẽ yêu cầu giả định tỷ lệ cược tỷ lệ thuận. Tuy nhiên, OLR sẽ cho phép các ngưỡng / điểm cắt b / t các danh mục thay đổi linh hoạt hơn, tôi tin rằng, trong khi chúng sẽ được xác định bởi các tham số nhị thức & trong sơ đồ của bạn. Giả định này sẽ phải được xác minh dựa trên dữ liệu, và tôi nghi ngờ, sẽ dẫn đến các vấn đề. (BTW, -1 không đến từ tôi.)npn
gung - Tái lập Monica
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.