Signifikansi statistik dari perubahan dari waktu ke waktu pada item Likert 5 poin

Konteks:

Saya memiliki dua set data dari kuesioner yang sama selama dua tahun. Setiap pertanyaan diukur menggunakan skala 5-Likert.

T1: Skema pengkodean

Saat ini, saya telah mengkodekan respons saya pada interval [0, 1], dengan 0 yang berarti "respons paling negatif", 1 yang berarti "respons paling positif", dan respons lain berjarak antara keduanya.

• Apa skema pengkodean "terbaik" yang digunakan untuk skala Likert?

Saya menyadari bahwa ini mungkin sedikit subjektif.

Q2: Signifikansi lintas tahun

• Apa cara terbaik untuk menentukan apakah ada perubahan yang signifikan secara statistik selama dua tahun?

Yaitu, dengan melihat hasil untuk pertanyaan 1 untuk setiap tahun, bagaimana saya tahu jika perbedaan antara hasil 2011 dan hasil 2010 secara statistik signifikan? Saya punya ingatan samar tentang uji-t Student yang digunakan di sini, tapi saya tidak yakin.

1. Skema pengkodean

Dalam hal menilai signifikansi statistik menggunakan uji-t, itu adalah jarak relatif antara titik skala yang penting. Dengan demikian, (0, 0,25, 0,5, 0,75, 1) setara dengan (1, 2, 3, 4, 5). Dari pengalaman saya skema pengkodean jarak yang sama, seperti yang disebutkan sebelumnya adalah yang paling umum, dan tampaknya masuk akal untuk item Likert. Jika Anda menjelajahi penskalaan optimal, Anda mungkin bisa mendapatkan skema pengkodean alternatif.

2. Uji statistik

Pertanyaan tentang cara menilai perbedaan kelompok pada item Likert telah dijawab di sini .

Masalah pertama adalah apakah Anda dapat menghubungkan pengamatan di dua titik waktu. Sepertinya Anda memiliki sampel yang berbeda. Ini mengarah ke beberapa opsi:

• T-test kelompok independen : ini adalah pilihan sederhana; itu juga menguji perbedaan dalam rata-rata kelompok; purist akan berpendapat bahwa nilai-p mungkin tidak sepenuhnya akurat; Namun, tergantung pada tujuan Anda, itu mungkin memadai.
• Uji bootstrap dari perbedaan dalam kelompok berarti : Jika Anda masih ingin menguji perbedaan antara rata-rata kelompok tetapi tidak nyaman dengan sifat diskrit dari variabel dependen, maka Anda dapat menggunakan bootstrap untuk menghasilkan interval kepercayaan dari mana Anda bisa menarik kesimpulan tentang perubahan dalam sarana kelompok. .
• Tes Mann-Whitney U (antara tes non-parametrik lainnya): Tes semacam itu tidak mengasumsikan normalitas, tetapi juga menguji hipotesis yang berbeda.

Tes Wilcoxon Ranksum alias Mann-Whitney adalah cara untuk pergi dalam kasus data ordinal. Solusi bootstrap juga elegan meskipun bukan cara "klasik". Metode Bootstrap mungkin juga berharga jika Anda bertujuan untuk hal-hal lain seperti analisis faktor. Dalam hal analisis regresi, Anda dapat memilih probit berurutan atau logit berurutan sebagai spesifikasi model.

BTW: Jika skala Anda memiliki rentang yang lebih besar (> 10 nilai per variabel) Anda dapat menggunakan hasilnya sebagai variabel metrik, yang menjadikan uji-t pilihan yang aman. Diingatkan bahwa ini sedikit kotor dan dapat dianggap pekerjaan setan oleh sebagian orang.

stephan