Sådan bruges Likert-skalaen i statistisk analyse

Det Likert skala er almindeligt anvendt i undersøgelsesundersøgelser. Det bruges ofte til at måle respondenternes holdninger ved at spørge dem, i hvilket omfang de er enige eller uenige i et bestemt spørgsmål eller udsagn. En typisk skala kunne være "meget enig, usikker/uafklaret, uenig, meget uenig". Data fra en undersøgelse ved hjælp af en Likert skala kan synes let at analysere, men der er vigtige spørgsmål, der skal overvejes af en dataanalytiker.

1. Hent data fra listen til analyse ved at kode svarene. Lad os for eksempel sige, at du har en undersøgelse, der spørger respondenterne, om de er enige eller uenige i et sæt holdninger på et politisk partis platform. Hver position er et spørgsmål fra undersøgelsen, og skalaen vil bruge følgende svar: meget uenig = 1, uenig= 2, neutral= 3, enig=4, meget enig =5.

2. Husk at skelne mellem ordinal- og intervaldata, fordi begge typer kræver forskellige analytiske tilgange. Hvis dataene er ordinale, kan vi sige, at en score er højere end en anden. Vi kan ikke sige, hvor højt vi kan gøre med intervaldata, som vil fortælle dig afstanden mellem to punkter. Her er fangsten til Likert-skalaen: mange forskere vil behandle den som en intervalskala. Det betyder, at forskellene mellem hvert svar er lige store i afstand. Sandheden er, at Likert-skalaen ikke fortæller os dette. Det fortæller os kun, at folk med flere svar er mere på linje med partiets holdninger end dem med det laveste antal svar.

3. Begynd at analysere data fra Likert-skalaen med beskrivende statistik. Selvom det kan være fristende, modstå trangen til at tage numeriske svar og beregne et gennemsnit. Tilføj et svar "meget enig" (5) til to "være uenig" (2) svar, hvilket ville give et gennemsnit på 4, men hvad betyder dette tal? Heldigvis er der andre mål for central tendens, som kan bruges ud over gennemsnittet. Ved at bruge data fra Likert-skalaen er det bedste mål at bruge tilstanden eller den hyppigste respons. Dette gør undersøgelsens resultater meget nemmere at fortolke for analytikeren (for ikke at nævne publikum, for din præsentation eller rapport). Du kan også visualisere fordelingen af ​​svar (procentdel af personer, der er enige eller uenige osv.).) i en graf, et søjlediagram eller én søjle for hver svarkategori.

4. Fortsæt med slutningsteknikker, der tester de hypoteser, som forskerne har foreslået. Der er mange tilgængelige metoder, og den bedste afhænger af undersøgelsens art og de spørgsmål, de forsøger at besvare. En populær metode er at analysere svarene ved hjælp af variansanalyseteknikker som f.eks Mann Whitney-testen eller Kruskal Wallis-testen. Antag, at vi i vores eksempel ønskede at analysere svarene på spørgsmålene om udenrigspolitiske holdninger med etnicitet som en uafhængig variabel. Antag, at vores data inkluderer disse svar: engelske, afroamerikanske og latinamerikanske respondenter, så det kunne analysere svarene blandt de tre grupper af respondenter med Kruskal Wallis-variansen.

5. Forenkle dine undersøgelsesdata ved at kombinere de fire svarkategorier (f. meget enig, enig, uenig, meget uenig) i to nominelle kategorier såsom enig/uenig, acceptere eller afvise osv.). Dette giver yderligere analyse. Chi square testen er en tilgang til analyse af data på denne måde.

• Husk, at der er mange analysepositioner. Overvej dine undersøgelsesspørgsmål for at bestemme den bedste analysemetode til din undersøgelse.
• Likert-skalaerne varierer i antallet af punkter på skalaen. Fempunktsskalaen, der bruges her, er den mest almindelige, men nogle Likert-skalaer har 4 punkter, hvor "ikke sikker" kategori er taget ud (ubeslutsom kategori). Nogle har endda skalaer på op til 7 point.