Istotność statystyczna zmian w czasie dla 5-punktowej pozycji Likerta

Kontekst:

Mam dwa zestawy danych z tego samego kwestionariusza przeprowadzonego przez dwa lata. Każde pytanie mierzone jest za pomocą 5-stopniowej skali.

Q1: Schemat kodowania

W tej chwili zakodowałem swoje odpowiedzi w przedziale [0, 1], gdzie 0 oznacza „najbardziej negatywną odpowiedź”, 1 oznacza „najbardziej pozytywną odpowiedź”, a inne odpowiedzi są rozmieszczone równomiernie.

• Jakiego „najlepszego” schematu kodowania użyć w skali Likerta?

Zdaję sobie sprawę, że może to być nieco subiektywne.

Q2: Znaczenie na przestrzeni lat

• Jaki jest najlepszy sposób ustalenia, czy nastąpiła statystycznie istotna zmiana w ciągu dwóch lat?

To znaczy, patrząc na wyniki dla pytania 1 dla każdego roku, jak stwierdzić, czy różnica między wynikiem z 2011 r. A wynikiem z 2010 r. Jest statystycznie znacząca? Mam niejasne wspomnienie o zastosowaniu testu t Studenta, ale nie jestem pewien.

1. Schemat kodowania

Pod względem oceny istotności statystycznej za pomocą testu t istotne są względne odległości między punktami skali. Zatem (0, 0,25, 0,5, 0,75, 1) jest równoważne z (1, 2, 3, 4, 5). Z mojego doświadczenia wynika, że ​​schemat kodowania równej odległości, taki jak te wspomniane wcześniej, jest najbardziej powszechny i ​​wydaje się rozsądny w przypadku elementów Likerta. Jeśli odkryjesz optymalne skalowanie, być może będziesz w stanie uzyskać alternatywny schemat kodowania.

2. Test statystyczny

Kwestia sposobu dokonywania oceny różnic między grupami na pozycji Likerta już odpowiedział tutaj .

Pierwszą kwestią jest to, czy można połączyć obserwacje między dwoma punktami czasowymi. Wygląda na to, że miałeś inną próbkę. Prowadzi to do kilku opcji:

• Test t niezależnych grup : jest to prosta opcja; testuje również różnice w środkach grupy; puryści twierdzą, że wartość p może nie być całkowicie dokładna; jednak w zależności od celów może być wystarczające.
• Test początkowy różnic w średnich grupowych : Jeśli nadal chcesz testować różnice między średnimi grupowymi, ale czujesz się niekomfortowo z dyskretną naturą zmiennej zależnej, możesz użyć bootstrapu, aby wygenerować przedziały ufności, z których można wyciągnąć wnioski na temat zmian w średnich grupowych .
• Test U Manna-Whitneya (wśród innych testów nieparametrycznych): Taki test nie zakłada normalności, ale testuje także inną hipotezę.

Wilcoxon Ranksum Test znany również jako Mann-Whitney jest dobrym rozwiązaniem w przypadku danych porządkowych. Rozwiązanie do ładowania początkowego jest również eleganckie, choć nie jest to „klasyczny” sposób. Metoda ładowania początkowego może być również cenna w przypadku, gdy dążysz do innych rzeczy, takich jak analiza czynnikowa. W przypadku analizy regresji możesz wybrać zamówiony probit lub logit jako specyfikację modelu.

BTW: Jeśli Twoja skala ma większy zakres (> 10 wartości na zmienną), możesz użyć wyników jako zmiennej metrycznej, co czyni test t bezpiecznym wyborem. Pamiętaj, że jest to trochę brudne i przez niektórych może być uważane za dzieło diabła.

stephan