Статистическая значимость изменений во времени на 5-балльной позиции Лайкерта

Контекст:

У меня есть два набора данных из одной и той же анкеты за два года. Каждый вопрос измеряется по 5-балльной шкале.

Q1: схема кодирования

На данный момент я закодировал свои ответы с интервалом [0, 1], где 0 означает «наиболее отрицательный ответ», 1 означает «наиболее положительный ответ», а другие ответы равномерно распределены между ними.

• Какую «лучшую» схему кодирования использовать для шкалы Лайкерта?

Я понимаю, что это может быть немного субъективно.

Q2: значение по годам

• Как лучше всего определить, есть ли статистически значимые изменения за два года?

То есть, глядя на результаты по вопросу 1 для каждого года, как мне определить, является ли разница между результатом 2011 года и результатом 2010 года статистически значимой? У меня есть смутное воспоминание о том, что t-критерий Стьюдента здесь используется, но я не уверен.

1. Схема кодирования

С точки зрения оценки статистической значимости с использованием t-критерия важны относительные расстояния между точками шкалы. Таким образом, (0, 0,25, 0,5, 0,75, 1) эквивалентно (1, 2, 3, 4, 5). Исходя из моего опыта, схема кодирования с одинаковым расстоянием, такая как упомянутые ранее, является наиболее распространенной и кажется разумной для элементов Лайкерта. Если вы изучите оптимальное масштабирование, вы сможете найти альтернативную схему кодирования.

2. Статистическая проверка

На вопрос о том, как оценить групповые различия по предмету Лайкерта, уже дан ответ здесь .

Первый вопрос - можете ли вы связать наблюдения между двумя временными точками. Похоже, у вас был другой образец. Это приводит к нескольким вариантам:

• T-тест независимых групп : это простой вариант; это также проверяет различия в групповых средствах; пуристы будут утверждать, что значение p может быть не совсем точным; однако, в зависимости от ваших целей, это может быть достаточно.
• Самозагруженный тест различий в групповых средних : если вы все еще хотите проверить разногласия между групповыми средними, но вас не устраивает дискретный характер зависимой переменной, тогда вы можете использовать загрузочный тест для генерации доверительных интервалов, из которых можно сделать выводы об изменениях в групповых средних. ,
• U-критерий Манна-Уитни (среди других непараметрических тестов): такой тест не предполагает нормальности, но он также проверяет другую гипотезу.

Тест Уилкоксона Ранксума, иначе Манна-Уитни, - это путь в случае порядковых данных. Решение по начальной загрузке также элегантно, хотя и не «классический» путь. Метод начальной загрузки также может быть полезен, если вы стремитесь к другим вещам, таким как факторный анализ. В случае регрессионного анализа вы можете выбрать упорядоченный пробит или упорядоченный логит в качестве спецификации модели.

Кстати: если ваша шкала имеет больший диапазон (> 10 значений на переменную), вы можете использовать результаты в качестве метрической переменной, что делает t-тест безопасным выбором. Имейте в виду, что это немного грязно и некоторые могут считать работой дьявола.

Stephan