Verwendung der Likert-Skala in der statistischen Analyse Eine Likert-Skala (ausgesprochen lkrt, 1 auch lakrt) ist eine psychometrische Skala, die häufig in Fragebögen verwendet wird und ist die am weitesten verbreitete Skala in der Umfrageforschung, so dass der Begriff oft austauschbar mit der Bewertung verwendet wird Skala, obwohl die beiden auch nicht sind. Bei der Beantwortung eines Fragebogens für Likert geben die Befragten ihre Zustimmung zu einer Aussage an. Die Skala wird nach ihrem Erfinder, dem Psychologen Rensis Likert, benannt.2 Stichprobe unter Verwendung eines Fünfpunkt-Likert-Posten Es ist wichtig, zwischen einer Likert-Skala und einem Likert-Element zu unterscheiden. Die Likert-Skala ist die Summe der Antworten auf mehrere Likert-Items. Da Likert-Elemente häufig von einer visuellen Analogskala begleitet werden (z. B. einer horizontalen Linie, auf der ein Subjekt seine Antwort durch Kreisen oder Überprüfen von Markierungen anzeigt) werden die Gegenstände manchmal auch als Skalen bezeichnet. Dies ist die Quelle vieler Verwirrung es ist also besser, den Begriff Likert-Skala für die summierte Skala zu reservieren, und Likert-Punkt, um sich auf eine einzelne Position zu beziehen. Ein Likert-Posten ist einfach eine Aussage, die der Befragte nach jeglichen subjektiven oder objektiven Kriterien beurteilen soll, wobei im Allgemeinen das Niveau der Übereinstimmung oder der Meinungsverschiedenheit gemessen wird. Häufig werden fünf geordnete Antwortniveaus verwendet, obwohl viele Psychometriker sich dafür einsetzen, sieben oder neun Niveaus zu verwenden, eine aktuelle empirische Studie3 ergab, dass eine 5- oder 7-Punkte-Skala im Vergleich zu denjenigen, Eine 10-Punkte-Skala, und dieser Unterschied war statistisch signifikant. Hinsichtlich der anderen Datenmerkmale bestand zwischen den Skalenformaten ein sehr geringer Unterschied hinsichtlich der Variation des Mittelwerts, der Schiefe oder Kurtosis. Das Format eines typischen Five-Level-Likert-Elements lautet: 1. Starke Meinungsverschiedenheit 2. Stimme nicht zu 3. Stimme nicht zu oder stimme nicht zu 4. Stimme zu 5. Stimme voll zu Likert-Skalierung ist eine bipolare Skalierungsmethode, die entweder positive oder negative Antwort auf eine Aussage misst. Manchmal ist eine Vier-Punkte-Skala verwendet wird, ist dies eine erzwungene Wahl methodcitation benötigt, da die mittlere Option von weder einverstanden noch nicht einverstanden ist nicht verfügbar. Likert-Skalen können durch mehrere Ursachen verzerrt werden. Die Befragten können vermeiden, extreme Reaktion Kategorien (zentrale Tendenz Bias) zu akzeptieren, mit Aussagen wie präsentiert (Zustimmung Bias) oder versuchen, sich selbst oder ihre Organisation in einem günstigeren Licht (soziale Erwünschtheit Bias) zu porträtieren. Das Entwerfen einer Skala mit einer ausgewogenen Keying-Funktion (eine gleiche Anzahl von positiven und negativen Aussagen) kann das Problem der Zustimmungs-Bias ausschließen, da die Zustimmung zu positiv-Keyed-Items die Übereinstimmung auf negativ-Keyed-Items ausgleichen wird, aber die zentrale Tendenz und die soziale Erwünschtheit sind etwas problematischer. Scoring und Analyse Nachdem der Fragebogen abgeschlossen ist, kann jedes Element separat analysiert werden oder in einigen Fällen können Itemreaktionen summiert werden, um eine Punktzahl für eine Gruppe von Items zu erzeugen. Daher werden Likert-Skalen oft als summative Skalen bezeichnet. Ob einzelne Likert-Items als Intervall-Level-Daten betrachtet werden können oder ob sie als bloß geordnete kategorische Daten betrachtet werden sollen, ist Gegenstand von Meinungsverschiedenheiten. Viele betrachten solche Gegenstände nur als Ordnungsdaten, weil man vor allem, wenn man nur fünf Ebenen verwendet, nicht davon ausgehen können, dass die Befragten alle Paare von benachbarten Ebenen als äquidistant wahrnehmen. Andererseits bedeutet der Wortlaut der Antwortniveaus (wie im obigen Beispiel) eindeutig eine Symmetrie von Antwortniveaus um eine Mittelkategorie zumindest, ein solches Element würde zwischen der Ordinal - und Intervallpegelmessung fallen, um es zu behandeln Da nur Ordinalzahl Informationen verlieren würde. Wenn das Element von einer visuellen Analogskala begleitet wird, bei der ein gleichmäßiger Abstand der Ansprechpegel eindeutig angezeigt ist, ist das Argument für die Behandlung als Intervallpegeldaten sogar noch stärker. Bei der Behandlung als Ordinalzahlen können die Likert-Antworten in Balkendiagramme zusammengefasst werden, die zentrale Tendenz, die durch den Median oder den Modus zusammengefasst wird (aber einige würden nicht den Mittelwert angeben), die Dispersion, die durch den Bereich über Quartile zusammengefaßt wird (manche würden jedoch nicht die Standardabweichung angeben) ) Oder unter Verwendung nichtparametrischer Tests analysiert, z. B. Chi-quadratischer Test, Wilcoxon-signierter Rang-Test oder Kruskal8211Wallis-Test.4 Die parametrische Analyse der gewöhnlichen Mittelwerte der Likert-Skalendaten ist auch durch den Central-Limit-Theorem gerechtfertigt, obwohl einige nicht einverstanden sind, dass gewöhnliche Durchschnittswerte für die Likert-Skala verwendet werden sollten Daten. Reaktionen auf mehrere Likert-Fragen können summiert werden, vorausgesetzt, dass alle Fragen dieselbe Likert-Skala verwenden und dass die Skala eine verteidigungsfähige Annäherung an eine Intervallskala ist, wobei sie in diesem Fall als Intervalldaten behandelt werden können, die eine latente Variable messen. Wenn die summierten Antworten diese Annahmen erfüllen, können parametrische statistische Tests wie die Varianzanalyse angewendet werden. Diese können nur angewendet werden, wenn mehr als 5 Likert-Fragen summiert werden. Zitativ benötigte Daten von Likert-Skalen werden manchmal auf das Nominalniveau reduziert, indem alle Übereinstimmungen und Nicht-Antworten in zwei Kategorien von Akzeptieren und Ablehnen kombiniert werden. Der Chi-Quadrat-, Cochran Q - oder McNemar-Test sind gemeinsame statistische Verfahren, die nach dieser Transformation verwendet werden. Eine konsensbasierte Bewertung (CBA) kann verwendet werden, um einen Zielstandard für Likert-Skalen in Bereichen zu schaffen, in denen kein allgemein anerkannter Standard oder objektiver Standard existiert. Eine konsensbasierte Bewertung (CBA) kann verwendet werden, um allgemein anerkannte Standards zu verfeinern oder gar zu validieren. Grad der Messung Die fünf Antwortkategorien werden oft als ein Intervallmaß der Messung angesehen. Dies kann aber nur der Fall sein, wenn die Intervalle zwischen den Skalenpunkten den empirischen Beobachtungen im metrischen Sinne entsprechen. Tatsächlich können auch Erscheinungen auftreten, die sogar den Ordnungsmaßstab in Frage stellen. Beispielsweise können in einer Gruppe von Elementen A, B, C, die mit einer Likert-Skala bewertet sind, kreisförmige Beziehungen wie AgtB, BgtC und CgtA auftreten. Dies verletzt das Axiom der Transitivität für die Ordnungsskala. Rasch-Modell Likert-Skalen-Daten können grundsätzlich als Grundlage für die Ermittlung von Intervallschätzungen auf einem Kontinuum durch Anwendung des Polytom-Rasch-Modells verwendet werden, wenn Daten erhalten werden können, die zu diesem Modell passen. Darüber hinaus erlaubt das polytome Rasch-Modell die Prüfung der Hypothese, dass die Aussagen die erwarteten Ebenen einer Haltung oder eines Merkmals widerspiegeln, wie beabsichtigt. Beispielsweise zeigt die Anwendung des Modells oft an, dass die neutrale Kategorie nicht eine Ebene der Haltung oder des Charakters zwischen den nicht einvernehmlichen Kategorien darstellt. Auch hier kann nicht jeder Satz von Likert-skalierten Objekten für die Rasch-Messung verwendet werden. Die Daten müssen sorgfältig geprüft werden, um die strengen formalen Axiome des Modells zu erfüllen. Aussprache Rensis Likert, der Entwickler der Skala, sprach mit einem kurzen i-Ton seinen Namen als Lick-urt aus.56 Es wurde behauptet, dass Likerts-Name zu den am meisten missverstandenen in diesem Bereich gehört.7 Obwohl viele Menschen die lange i-Variante (Lüge - kurt), diejenigen, die versuchen, wahr zu bleiben, um Dr. Likerts Aussprache verwenden Sie die kurze i-Aussprache (lick-urt). Aus Wikipedia, der freien Enzyklopädie Die Likert-Skala wird häufig in der Umfrage Forschung verwendet. Es wird häufig verwendet, um die Meinung der Befragten zu messen, indem sie fragt, inwieweit sie einer bestimmten Frage oder einer bestimmten Aussage zustimmen oder nicht zustimmen. Eine typische Skala kann stark übereinstimmen, zustimmen, nicht sureundecided, nicht zustimmen, stimme überhaupt nicht zu. Auf der Oberfläche können Umfrage-Daten mit der Likert-Skala leicht zu analysieren, aber es gibt wichtige Fragen für einen Analytiker zu berücksichtigen. 1. Holen Sie sich Ihre Daten bereit für die Analyse durch Codierung der Antworten. Zum Beispiel, sagen wir, Sie haben eine Umfrage, die Befragten fragt, ob sie zustimmen oder nicht einverstanden mit einer Reihe von Positionen in einer politischen partys-Plattform. Jede Position ist eine Umfrage Frage, und die Waage verwendet die folgenden Antworten: Starke Zustimmung, zustimmen, neutral, nicht zustimmen, stimme überhaupt nicht zu. In diesem Beispiel werden die Antworten entsprechend gut kodiert: Stimme nicht zu 1, stimme nicht zu 2, neutral 3, stimme zu 4, stimme stark zu. 5. 2. Denken Sie daran, zwischen Ordinal - und Intervalldaten zu unterscheiden, da die beiden Typen unterschiedliche analytische Ansätze erfordern. Wenn die Daten ordinal sind, können wir sagen, dass eine Punktzahl höher als eine andere ist. Wir können nicht sagen, wie viel höher, wie wir mit Intervall-Daten, die Ihnen sagen, die Entfernung zwischen zwei Punkten. Hier ist die Fallgrube mit der Likert-Skala: viele Forscher behandeln sie als Intervallskala. Dies setzt voraus, dass die Unterschiede zwischen den einzelnen Antworten im Abstand gleich sind. Die Wahrheit ist, dass die Likert-Skala sagt uns nicht, dass. In unserem Beispiel hier nur, dass es nur die Leute mit übergeordneten Antworten mehr in Übereinstimmung mit den partys Positionen als die mit den niedrigeren Antworten gibt. 3. Beginnen Sie mit der Analyse Ihrer Likert-Skalendaten mit deskriptiver Statistik. Obgleich es verlockend sein kann, dem Drang widerstehen, die numerischen Antworten zu nehmen und einen Durchschnitt zu berechnen. Eine Antwort von (5) auf zwei Reaktionen von nicht zustimmen (2) würde uns einen Mittelwert von 4 geben, aber was ist die Bedeutung dieser Zahl. Glücklicherweise gibt es andere Mittel der zentralen Tendenz, die wir neben dem Mittel verwenden können. Mit Likert-Skalendaten ist die beste zu verwendende Methode der Modus oder die häufigste Antwort. Dies macht die Umfrage Ergebnisse viel einfacher für den Analysten (nicht zu erwähnen, das Publikum für Ihre Präsentation oder Bericht) zu interpretieren. Sie können auch die Verteilung der Antworten (Prozentwerte, die übereinstimmen, nicht übereinstimmen usw.) in einer Grafik wie einem Balkendiagramm mit einem Balken für jede Antwortkategorie anzeigen. 4. Gehen Sie neben der inferentiellen Techniken, die Test-Hypothesen von Forschern gestellt. Es gibt viele Ansätze zur Verfügung, und die beste hängt von der Art Ihres Studiums und die Fragen, die Sie versuchen zu beantworten. Ein populärer Ansatz ist es, Antworten zu analysieren mit der Analyse von Varianz Techniken, wie der Mann Whitney oder Kruskal Wallis-Test. Angenommen, in unserem Beispiel wollten wir Antworten auf Fragen zu außenpolitischen Positionen mit Ethnizität als unabhängige Variable analysieren. Sagen wir, unsere Daten enthalten Antworten von Anglo, Afro-Amerikanischen und Hispanischen Befragten, so konnten wir analysieren Antworten unter den drei Gruppen von Befragten mit dem Kruskal Wallis Test der Varianz. 5. Vereinfachen Sie Ihre Umfragedaten weiter, indem Sie die vier Antwortkategorien miteinander kombinieren (z. B. stimmen Sie zu, stimmen zu, stimmen nicht überein, stimmen nicht überein) in zwei nominale Kategorien, wie z. B. vereinbarte Übereinstimmungen, akzeptierte Antworten usw.). Dies bietet weitere Analysemöglichkeiten. Der Chi-Quadrat-Test ist ein Ansatz für die Analyse der Daten auf diese Weise. Lesen Sie mehr: Wie man die Likert-Skala in der statistischen Analyse verwendet eHow ehowhow4855078use-likert-scale-statistical-analysis. htmlixzz1LGrJsRUS Theres eine große Debatte, die in den Sozialverhaltenswissenschaften fortfährt, ob Likert Skalen als Ordinal oder Intervall behandelt werden sollten. Zählen Sie mich als eine Person, die ihr OK hält, um sie als Intervall zu behandeln. Ich würde analysieren die Daten auf beide Arten - mit Chi-Quadrat und mit ANOVA, und sehen, wie es sich herausstellt - wenn die Ergebnisse sind die gleichen, youre alle gesetzt. Wenn Sie etwas anderes mit jeder Methode zu bekommen, dann haben Sie etwas Interessantes. Insgesamt können Sie die Skalen als Intervall behandeln und Methoden ausführen, die Vergleichsmittel, wie ANOVA, vergleichen. Die Skalen sind nah genug, um Intervall, so dass diese Methoden sollten Sie nicht in die Irre führen. Ja, Tukey wäre gut für einen Post-hoc-Test. Seine Mitte-der-Straße in Bezug auf die liberalconservative (Fishers LSD ist liberal, Bonferroni ist konservativ). In Bezug auf wie würden Sie Chi-Quadrat verwenden, könnten Sie einen Vergleich zwischen den Gruppen, die Sie kontrastieren wollen, und tun die Analyse auf die Häufigkeit der einzelnen Wahl, zwischen den Gruppen (dh eine Gruppe entscheiden, sich häufiger als eine andere Gruppe). Ja, es wäre ein Chi-Quadrat-Test der Unabhängigkeit. Die Kontingententabelle konnte mit Gruppen als Zeilen und Skalenelementen als 8 Spalten eingerichtet werden. Die Zellen der Tabelle würden die Antwortfrequenzen enthalten. Für chi-square post-hoc, verwenden Sie einen einfachen Vergleich von zwei unabhängigen Proportionen mit einem z-Test. Sie würden nicht unbedingt mit einer Chi-Quadrat-Analyse, da Ihr Interesse ist im Vergleich von Frequenzen, aber das ist nicht zu sagen, Sie würden nicht eine Art von grundlegenden deskriptiven Statistiken Vergleich (Mittel, Median, std dev, etc.) Würde ich für diesen Artikel danken, aber ich fühle mich noch fest. Ich habe alle Daten über SPSS, ich verwendet Mittel und SD für Skalierungsfragen, aber sie nicht beantworten meine Forschungsfragen. Ich finde die Wege in diesem Artikel interessant, aber ich weiß nicht, welche für mich arbeitet und wie man es auf spss. Ich hoffe, einer von Euch kann helfen, ich kann mir eine Probe meiner Tische schicken .. Vielen Dank im Voraus Hallo, bitte bin ich wirklich verwirrt, wie ich meine likert-Skala in diesem Sinne analysieren kann - ich habe eine 5-Punkt-Likert-Skala ( Stimme überhaupt nicht zu 1, stimme nicht zu 2, neutral 3, stimme zu 4, stimme voll und ganz zu 5) und haben einige Befragte unentschlossen ausgewählt. Bei der Analyse, sollte ich einfach wegwerfen die neutralen Antworten und analysieren mit Starke nicht einverstanden 1, nicht einverstanden 2, zustimmen 3, stimme voll und ganz 4 Vielen Dank für viele erwartete Anleitung. Komentar ini telah dihapus oleh pengarang. Komentar ini telah dihapus oleh pengarang. Vielen Dank für den Austausch, Dies ist sehr informative Post, die mir helfen, Startup meines kleinen Unternehmens (BuzzInc) Und dies könnte meine Wendepunkt. Likert Waagen und Daten Analysen von I. Elaine Allen und Christopher A. Seaman Surveys werden konsequent verwendet, um zu messen Qualität. Beispielsweise könnten Umfragen verwendet werden, um die Wahrnehmung der Kunden durch die Produktqualität oder die Qualitätsleistung bei der Bereitstellung von Dienstleistungen zu messen. Likert-Skalen sind ein gemeinsames Bewertungsformat für Umfragen. Die Befragten beurteilen die Qualität von hoch nach niedrig oder am besten bis schlimmsten mit fünf oder sieben Ebenen. Statistiker haben in der Regel Daten aus diesen Erhebungen zu einer Hierarchie von vier Messstufen zusammengefasst: Nominalwerte: Der schwächste Messwert, der Kategorien ohne numerische Darstellung darstellt. Ordnungsdaten: Daten, in denen eine Reihenfolge oder Rangfolge der Antworten möglich ist, aber keine Distanzmessung möglich ist. Intervalldaten: Generell ganzzahlige Daten, bei denen eine Bestell - und Abstandsmessung möglich ist. Verhältnisdaten: Daten, in denen aussagekräftige Ordnung, Distanz, Dezimalstellen und Brüche zwischen Variablen möglich sind. Datenanalysen unter Verwendung von Nenn-, Intervall - und Verhältnisdaten sind in der Regel einfach und transparent. Analysen von Ordnungsdaten, insbesondere wenn es sich um Likert oder andere Skalen in Umfragen handelt, sind nicht. Dies ist kein neues Thema. Die Angemessenheit, die Ordnungsdaten als Intervalldaten zu behandeln, ist in Umfrageanalysen in einer Vielzahl von angewandten Feldern weiterhin umstritten. 1.2 Ein Grund für die Analyse von Ordnungsdaten als Intervalldaten könnte die Behauptung sein, dass parametrische statistische Tests (basierend auf dem zentralen Grenzwertsatz) stärker sind als nichtparametrische Alternativen. Auch Schlussfolgerungen und Interpretationen parametrischer Tests können als leichter interpretierbar angesehen werden und bieten mehr Informationen als nichtparametrische Alternativen. Allerdings kann die Behandlung von Ordnungsdaten als Intervall (oder sogar Verhältnis) - Daten, ohne die Werte des Datensatzes und die Ziele der Analyse zu untersuchen, die Ergebnisse einer Umfrage sowohl irreführen als auch falsch darstellen. Um die geeigneten Analysen von Skalar-Daten zu untersuchen, und wenn es vorzuziehen ist, Ordinaldaten als Intervalldaten zu behandeln, konzentrieren wir uns auf Likert-Skalen. Grundlagen der Likert-Skalen Likert-Skalen wurden 1932 als die bekannte Fünfpunkt-Bipolarreaktion entwickelt, die die meisten Menschen heute kennen. 3 Diese Skalen reichen von einer Gruppe von Kategorienmdashleast zu den meisten mdashasking Menschen, um anzuzeigen, wie viel sie zustimmen oder nicht zustimmen, genehmigen oder ablehnen, oder glauben, wahr oder falsch sein. Theresquos wirklich keinen falschen Weg, um eine Likert-Skala zu bauen. Die wichtigste Überlegung ist, dass mindestens fünf Antwortkategorien gehören. Einige Beispiele für Kategoriengruppen sind in Tabelle 1 aufgeführt. Die Enden der Skala werden oft vergrößert, um eine Siebenpunktskala zu erzeugen, indem ldquoveryrdquo dem jeweiligen oberen und unteren Ende der Fünfpunktskalen hinzugefügt wird. Die Siebenpunktskala hat gezeigt, dass sie die obere Grenze der Skalersquos-Zuverlässigkeit erreicht. 4 In der Regel empfehlen Likert und andere, dass es am besten ist, eine möglichst breite Skala zu verwenden. Sie können die Antworten jederzeit in verdichtete Kategorien zusammenfalten, wenn dies für die Analyse geeignet ist. In diesem Sinne werden Skalen manchmal auf eine gerade Anzahl von Kategorien (typischerweise vier) abgeschnitten, um die ldquoneutralrdquo-Option in einer ldquoforced choicerdquo-Umfrage-Skala zu eliminieren. Rensis Likertrsquos Originalpapier deutlich identifiziert gibt es möglicherweise eine zugrunde liegende kontinuierliche Variable, deren Wert charakterisiert die responsentsrsquo Meinungen oder Einstellungen und diese zugrunde liegende Variable ist Intervall-Ebene, am besten. 5 Analyse, Verallgemeinerung auf ununterbrochene Indizes Grundsätzlich sind Mittelwert und Standardabweichung ungültige Parameter für deskriptive Statistiken, sobald sich die Daten auf Ordnungsmaßstäben befinden, wie auch alle parametrischen Analysen, die auf der Normalverteilung basieren. Nichtparametrische Verfahren, die auf dem Rang, dem Median oder dem Rangemdash basieren, eignen sich für die Analyse dieser Daten ebenso wie verteilungsfreie Methoden wie Tabulatoren, Frequenzen, Kontingenztabellen und chi-squared Statistiken. Kruskall-Wallis Modelle können die gleiche Art von Ergebnissen als eine Varianzanalyse, aber auf der Grundlage der Reihen und nicht die Mittel der Antworten. Da diese Skalen repräsentativ für eine zugrundeliegende kontinuierliche Messung sind, empfiehlt es sich, sie als Intervalldaten als Pilot vor dem Sammeln der kontinuierlichen Messung zu analysieren. Tabelle 2 enthält ein Beispiel für irreführende Schlussfolgerungen, in denen die Ergebnisse der jährlichen Studie der Alfred P. Sloan Foundation über die Qualität und das Ausmaß des Online-Lernens in den Vereinigten Staaten dargestellt sind. Die Befragten verwendeten eine Likert-Skala, um die Qualität des Online-Lernens im Vergleich zum persönlichen Lernen zu bewerten. Während 60 Prozent der Befragten das Online-Lernen als gleichwertig oder besser als persönlich empfunden haben, gibt es eine anhaltende Minderheit, die das Online-Lernen zumindest als etwas minderwertig empfunden hat. Wenn diese Daten unter Verwendung von Mitteln mit einer Skala von 1 bis 5 von unterlegen bis überlegen analysiert würden, würde diese Trennung verloren gehen, was bedeutet, dass 2,7, 2,6 und 2,7 für diese drei Jahre beziehungsweise. Dies deutet auf eine etwas niedriger als durchschnittliche Vereinbarung statt der tatsächlichen Verteilung der Antworten. Ein extremes Beispiel wäre, alle Befragten an den Extremen der Skala zu platzieren, was einen Mittelwert von ldquosamerdquo ergibt, aber eine völlig andere Interpretation aus den ac-tualen Antworten. Unter welchen Umständen könnten Likert-Skalen mit Intervallverfahren verwendet werden Angenommen, die Rangdaten umfassten eine Einkommensmessung von 0, 25.000, 50.000, 75.000 oder 100.000 genau, und diese wurden als ldquolow, rdquo ldquomediumrdquo und ldquohigh. rdquo bewertet. Der ldquointervalnessrdquo hier ist ein Attribut der Daten, nicht der Labels. Außerdem sollte das Skalenelement mindestens fünf und vorzugsweise sieben Kategorien sein. Ein weiteres Beispiel für die Analyse von Likert-Skalen als Intervallwerte ist, wenn die Mengen von Likert-Elementen zu Indizes kombiniert werden können. Allerdings gibt es eine starke Einschränkung für diesen Ansatz: Die meisten Forscher bestehen, dass solche Kombinationen von Skalen an der Cronbachrsquos alpha oder der Kappa-Test der Interkorrelation und Validität. Auch die Kombination von Skalen zur Bildung eines Intervallpegelindexes nimmt an, daß diese Kombination eine darunter liegende Charakteristik oder Variable bildet. Alternative kontinuierliche Maßnahmen für Skalen Alternativen zur Verwendung einer formalen Likert-Skala können die Verwendung einer durchgehenden Linie oder Spurschiene sein. Für die Schmerzmessung kann eine 100-mm-Linie auf einer Papierumfrage verwendet werden, um von der schlimmsten bis zum besten je zu messen, was ein kontinuierliches Intervallmaß ergibt. Bei der Durchführung zahlreicher Online-Befragungen kann dies mit Spurstreifen ähnlich den in Abbildung 1 dargestellten durchgeführt werden. Die Befragten können ihre Antworten auf kontinuierliche Intervalle kalibrieren, die von der Umfragesoftware als kontinuierliche Werte erfasst werden können. Schlussfolgerung Ihre anfängliche Analyse der Likert-Skalar-Daten sollte keine parametrische Statistik beinhalten, sondern sollte sich auf die Ordnungsmäßigkeit der Daten stützen. Während Likert-Skalenvariablen in der Regel eine zugrunde liegende kontinuierliche Messung darstellen, sollte die Analyse einzelner Items parametrische Verfahren nur als Pilotanalyse verwenden. Das Kombinieren von Likert-Skalen in Indizes fügt Werte und Variabilität zu den Daten hinzu. Wenn die Annahmen der Normalität erfüllt sind, kann eine Analyse mit parametrischem Verfahren verfolgt werden. Schließlich ist das Umwandeln eines Fünf - oder Sieben-Kategorie-Instruments in eine kontinuierliche Variable mit einer kalibrierten Linie oder einer Spurschiene möglich. REFERENZEN Gideon Vigderhous, ldquoThe Maß der Messung und lsquoPermissiblersquo Statistische Analyse in der Sozialforschung, rdquo Pacific Sociological Review, Vol. 20, Nr. 1, 1977, Seiten 61-72. Ulf Jakobsson, ldquoStatistical Darstellung und Analyse der Ordnungsdaten in der Krankenpflege-Forschung, rdquo Scandinavian Zeitschrift der sorgfältigen Wissenschaften, Vol. 18, 2004, Seiten 437-440. Rensis Likert, ldquoA Technik für die Messung der Einstellungen, rdquo Archive of Psychology, 1932, Vol. Dennis L. Clasen und Thomas J. Dormody, ldquoAnalyzing Daten Gemessen durch einzelne Likert-Type Items, rdquo Journal of Agricultural Education, Vol. 35, Nr. 4, 1994. BIBLIOGRAPHIE Jacoby, Jacob und Michael S. Matell, ldquoThree-Punkt-Likert-Skalen sind gut genug, rdquo Journal of Marketing Research, Vol. 8, Nr. 4, 1971, S. 495-500. Jamieson, Susan, ldquoLikert Skalen: Wie (Ab) Gebrauch Them, rdquo Medizinische Ausbildung, Vol. 38, Nr. 12), 2004, Seiten 1217-1, 218. I. ELAINE ALLEN ist Associate Professor für Statistik und Entrepreneurship am Babson College in Babson Park, MA. Sie hat ein Doktorat in den Statistiken von der Cornell Universität in Ithaca, NY. Allen ist ein führendes Mitglied von ASQ. CHRISTOPHER A. SEAMAN ist Doktorand in Mathematik am Graduiertenzentrum der Stadtuniversität von New York.
No comments:
Post a Comment