Significación estadística de los cambios en el tiempo en un elemento de tipo Likert de 5 puntos

Question

Contexto:

Tengo dos conjuntos de datos en el mismo cuestionario ejecutar más de dos años. Cada pregunta se mide con un 5-escala de Likert.

P1: esquema de Codificación

Por el momento, yo he programado mis respuestas en [0, 1] intervalo, en el que 0 significa "la mayoría de la respuesta negativa", 1 que significa "una respuesta muy positiva", y otras respuestas espaciadas entre.

• ¿Cuál es el "mejor" en el esquema de codificación a utilizar para la escala de Likert?

Me doy cuenta de que esto podría ser un poco subjetivo.

P2: la Significación a través de los años

• ¿Cuál es la mejor manera para determinar si hay cambios estadísticamente significativos a través de los dos años?

Es decir, en cuanto a los resultados de la pregunta 1 para cada año, ¿cómo puedo saber si la diferencia entre el 2011 resultado y el resultado de 2010 es estadísticamente significativa? Tengo un recuerdo vago de la t de Student prueba de uso aquí, pero no estoy seguro.

Answer 1

1. Esquema de codificación

En términos de la evaluación de la significación estadística mediante un t-test, es la relación de las distancias entre los puntos de la escala de lo que importa. Así, (0, 0.25, 0.5, 0.75, 1) es equivalente a (1, 2, 3, 4, 5). Desde mi experiencia, a una distancia igual esquema de codificación, tales como los mencionados anteriormente son los más comunes, y parece razonable que la de Likert de elementos. Si usted explorar el escalamiento óptimo, usted podría ser capaz de derivar una alternativa esquema de codificación.

2. Estadístico de prueba

La cuestión de cómo evaluar las diferencias de grupo en un Likert elemento ya ha sido respondida aquí.

La primera cuestión es si puede vincular las observaciones a través de los dos puntos de tiempo. Parece que había una muestra diferente. Esto lleva a un par de opciones:

• Grupos independientes prueba t: esta es una opción sencilla; también hace prueba de diferencias de medias de los grupos; los puristas sostienen que el p-valor puede no ser totalmente precisa; sin embargo, dependiendo de sus propósitos, puede ser adecuado.
• Bootstrap prueba de diferencias de medias de los grupos: Si usted todavía desea probar las diferencias entre las medias de los grupos, pero se siente incómodo con la naturaleza discreta de la variable dependiente, entonces usted podría utilizar un bootstrap para generar intervalos de confianza de los que puede extraer inferencias acerca de los cambios en el grupo medio.
• Prueba de Mann-Whitney (entre otras pruebas no paramétricas): esta prueba no asume normalidad, pero también es la prueba de una hipótesis distinta.