Ý nghĩa thống kê của các thay đổi theo thời gian đối với mặt hàng Likert 5 điểm

Bối cảnh:

Tôi có hai bộ dữ liệu từ cùng một bảng câu hỏi trong hơn hai năm. Mỗi câu hỏi được đo bằng thang đo 5 Likert.

Q1: Sơ đồ mã hóa

Hiện tại, tôi đã mã hóa các câu trả lời của mình trong khoảng [0, 1], với 0 có nghĩa là "phản hồi tiêu cực nhất", 1 có nghĩa là "phản hồi tích cực nhất" và các phản hồi khác cách đều nhau giữa.

• Lược đồ mã hóa "tốt nhất" để sử dụng cho thang đo Likert là gì?

Tôi nhận ra rằng điều này có thể là một chút chủ quan.

Q2: Ý nghĩa qua các năm

• Cách tốt nhất để xác định liệu có sự thay đổi có ý nghĩa thống kê trong hai năm không?

Đó là, nhìn vào kết quả cho câu hỏi 1 cho mỗi năm, làm thế nào để tôi biết nếu sự khác biệt giữa kết quả năm 2011 và kết quả năm 2010 có ý nghĩa thống kê? Tôi đã có một hồi ức mơ hồ về bài kiểm tra t của Học sinh đang được sử dụng ở đây, nhưng tôi không chắc chắn.

1. Sơ đồ mã hóa

Về mặt đánh giá ý nghĩa thống kê bằng cách sử dụng kiểm tra t, đó là khoảng cách tương đối giữa các điểm tỷ lệ quan trọng. Do đó, (0, 0,25, 0,5, 0,75, 1) tương đương với (1, 2, 3, 4, 5). Theo kinh nghiệm của tôi, một sơ đồ mã hóa khoảng cách bằng nhau, chẳng hạn như các sơ đồ được đề cập trước đây là phổ biến nhất và có vẻ hợp lý cho các mục Likert. Nếu bạn khám phá tỷ lệ tối ưu, bạn có thể rút ra một sơ đồ mã hóa thay thế.

2. Kiểm tra thống kê

Câu hỏi về cách đánh giá sự khác biệt của nhóm đối với một mặt hàng Likert đã được trả lời ở đây .

Vấn đề đầu tiên là liệu bạn có thể liên kết các quan sát qua hai thời điểm hay không. Có vẻ như bạn đã có một mẫu khác nhau. Điều này dẫn đến một vài lựa chọn:

• Kiểm tra nhóm độc lập : đây là một lựa chọn đơn giản; nó cũng kiểm tra sự khác biệt trong phương tiện nhóm; những người theo chủ nghĩa thuần túy sẽ lập luận rằng giá trị p có thể không hoàn toàn chính xác; tuy nhiên, tùy thuộc vào mục đích của bạn, nó có thể đầy đủ.
• Kiểm tra bootstrapping về sự khác biệt trong nhóm có nghĩa là : Nếu bạn vẫn muốn kiểm tra sự khác biệt giữa các phương tiện nhóm nhưng không thoải mái với tính chất rời rạc của biến phụ thuộc, thì bạn có thể sử dụng bootstrap để tạo khoảng tin cậy từ đó bạn có thể rút ra suy luận về thay đổi trong nhóm .
• Thử nghiệm Mann-Whitney U (trong số các thử nghiệm không tham số khác): Một thử nghiệm như vậy không giả định tính quy phạm, nhưng nó cũng đang thử nghiệm một giả thuyết khác.

Wilcoxon Ranksum Test aka Mann-Whitney là cách để đi trong trường hợp dữ liệu thứ tự. Giải pháp bootstrapping cũng thanh lịch mặc dù không phải là cách "cổ điển". Phương pháp Bootstrapping cũng có thể có giá trị trong trường hợp bạn nhắm đến những thứ khác như phân tích nhân tố. Trong trường hợp phân tích hồi quy, bạn có thể chọn probit có trật tự hoặc logit được đặt hàng làm đặc tả mô hình.

BTW: Nếu thang đo của bạn có phạm vi lớn hơn (> 10 giá trị cho mỗi biến), bạn có thể sử dụng kết quả làm biến số liệu, sẽ giúp kiểm tra t trở thành lựa chọn an toàn. Được khuyến khích rằng điều này là một chút bẩn và có thể được coi là công việc của quỷ.

dì ghẻ