Análisis de los resultados de la encuesta del curso

Question

Tengo datos de unos 3.500 estudiantes sobre sus experiencias al tomar una clase en línea el año pasado. La clase consistía en un componente unificado a la carta y varias sesiones en Zoom con los instructores. No diseñé la encuesta, pero me han dado los resultados en una hoja de cálculo para que los analice.

Los datos tienen este aspecto (cada fila representa la respuesta de un alumno):

Nombre del instructor

Me pareció que el software era fácil de usar (respuesta en escala Likert de 1 a 5)

Más preguntas de la escala Likert...

¿Ha utilizado un smartphone o una tableta para el curso (la respuesta puede ser 1 o 0)

¿Utilizaste un portátil?

¿Usaste un ordenador de sobremesa?

Más preguntas de la escala Likert...(Esta vez sobre las clases en vivo)

Qué le ha parecido útil del curso (preguntas de respuesta larga que he codificado en cinco categorías)

¿Qué se podría mejorar del curso? (Del mismo modo, los he codificado en cinco grandes categorías)

Alex Alehead

3

2

1

1

0

4

Me gustó debatir los temas en las salas de reunión. (Codificado como 1 - debates en línea)

Creo que el instructor podría haber explicado más claramente el programa de estudios (Codificado como 3 - comunicación con el instructor)

No tengo experiencia real con las estadísticas, pero me parece que hay cosas que podrían descubrirse a partir de estos datos, aparte de los promedios y los recuentos.

¿Hay alguna manera, por ejemplo, de tener en cuenta las diferencias entre los instructores cuando se analiza la satisfacción del curso? (Mi instinto me dice que un mal instructor arrastrará todas las cifras hacia abajo)

Otro ejemplo: ¿hay alguna forma de ver si el tipo o el número de dispositivos utilizados afecta a la percepción del estudiante sobre el software utilizado en el curso?

Perdón por el aluvión de preguntas. Mi pregunta principal es: ¿Cómo abordaría usted este conjunto de datos? ¿Qué pruebas harías con él?

Answer 1

Supongamos que hay cuatro instructores y una pregunta sobre satisfacción general del curso.

Entonces las puntuaciones Likert para los cuatro instructores podrían ser algo como los datos ficticios de abajo. (Estoy utilizando 1000 estudiantes; 250 por instructor).

set.seed(2021)
x1 = sample(1:5, 250, rep=T, p = c(1,2,3,2,1))
x2 = sample(1:5, 250, rep=T, p = c(1,1,2,3,2))
x3 = sample(1:5, 250, rep=T, p = c(1,2,2,2,3))
x4 = sample(1:5, 250, rep=T, p = c(2,2,1,3,2))
x = c(x1,x2,x3,x4)
g = rep(1:4, each=250)

Con sólo cinco valores diferentes, los boxplots no muestran muchos detalles, pero está claro que no todos los cinco instructores tienen la misma puntuación media (barras verticales dentro de los recuadros). Las "muescas" no superpuestas en los lados de Los "cortes" no superpuestos en los lados de los recuadros son intervalos de confianza no paramétricos para las medianas. sugieren diferencias entre dos instructores. [Para el Instructor 2, la muesca se extiende más allá del borde alto de la caja].

boxplot(x ~ g, col="skyblue2", horizontal=T)

Una prueba de Kruskal-Wallis muestra diferencias significativas entre las puntuaciones de los instructores con un valor P cercano a $0.$

kruskal.test(x~g)

        Kruskal-Wallis rank sum test

data:  x by g
Kruskal-Wallis chi-squared = 39.018, df = 3, p-value = 1.721e-08

Las muescas en los gráficos de caja sugieren dónde pueden estar las diferencias más importantes. Un método (no necesariamente el mejor) para realizar pruebas formales es pruebas de suma de rangos de Wilcoxon de dos muestras.

Por ejemplo, esta prueba confirma que hay diferencias significativas entre los instructores 3 y 4.

        Wilcoxon rank sum test with continuity correction

data:  x3 and x4
W = 36920, p-value = 0.0003243
alternative hypothesis: true location shift is not equal to 0

Hay que tener cuidado para evitar los "falsos descubrimientos" al repetir las pruebas con los mismos datos, pero con un valor P tan pequeño esta comparación es sólida.

Esta breve respuesta ilustra una posible vía para analizar sus datos. Es suficiente con mi sugiriendo posibilidades en términos de datos ficticios. Después de pensarlo un poco, puede presentar datos concretos y preguntas sobre análisis específicos.