Analyser Les Données D'Échelle Likert Dans Stata Forex

Comment utiliser l'échelle de Likert dans l'analyse statistique Une échelle de Likert (prononcée lkrt, 1 aussi lakrt) est une échelle psychométrique couramment utilisée dans les questionnaires, et est l'échelle la plus utilisée dans la recherche d'enquête, de sorte que le terme est souvent utilisé indifféremment avec la notation Échelle même si les deux ne sont pas synonymes. Lorsqu'ils répondent à une question du questionnaire Likert, les répondants précisent leur degré d'accord à une déclaration. L'échelle est nommée d'après son inventeur, le psychologue Rensis Likert.2 Exemple de question présentée à l'aide d'un élément Likert à cinq points Une distinction importante doit être faite entre une échelle de Likert et un élément de Likert. L'échelle de Likert est la somme des réponses sur plusieurs items de Likert. Parce que les items de Likert sont souvent accompagnés d'une échelle visuelle analogique (par exemple, une ligne horizontale, sur laquelle un sujet indique sa réponse en encerclant ou en cochant des marques), les items sont parfois appelés des échelles elles-mêmes. Ceci est la source de beaucoup de confusion, il est donc préférable de réserver le terme échelle de Likert à appliquer à l'échelle additionnée, et l'article de Likert pour faire référence à un élément individuel. Un élément Likert est simplement une déclaration que le répondant est invité à évaluer en fonction de tout type de critères subjectifs ou objectifs, généralement le niveau d'accord ou de désaccord est mesuré. Souvent, cinq niveaux de réponse ordonnée sont utilisés, bien que de nombreux psychoméristes préconisent l'utilisation de sept ou neuf niveaux dans une étude empirique récente3 a révélé qu'une échelle de 5 ou 7 points peut produire des scores moyens légèrement supérieurs par rapport au score le plus élevé possible, Une échelle de 10 points, et cette différence était statistiquement significative. En ce qui concerne les autres caractéristiques des données, il y avait très peu de différence entre les formats d'échelle en termes de variation de la moyenne, de l'asymétrie ou de la kurtose. Le format d'un élément typique de Likert à cinq niveaux est: 1. Fortement en désaccord 2. Pas d'accord 3. Ni d'accord ni en désaccord 4. D'accord 5. Tout à fait d'accord L'échelle de Likert est une méthode d'échelle bipolaire, mesurant la réponse positive ou négative à une déclaration. Parfois, une échelle à quatre points est utilisée, c'est une méthode de choix forcée, car l'option du milieu de Ni d'accord ni de désaccord n'est pas disponible. Les échelles de Likert peuvent être sujettes à des distorsions de plusieurs causes. Les répondants peuvent éviter d'utiliser des catégories de réponse extrêmes (biais de tendance centrale) en accord avec les énoncés présentés (biais d'acquiescement) ou tenter de se présenter eux-mêmes ou leur organisation sous un angle plus favorable (biais de désirabilité sociale). Le fait de concevoir une échelle avec un codage équilibré (un nombre égal d'énoncés positifs et négatifs) permet d'éviter le biais de l'acquiescement, puisque l'acquiescement aux items à clés positives permettra d'équilibrer l'acquiescement des items négativement clavetés, mais la tendance centrale et la désirabilité sociale sont un peu plus problématiques. Notation et analyse Une fois le questionnaire complété, chaque article peut être analysé séparément ou, dans certains cas, les réponses aux items peuvent être additionnées pour créer un score pour un groupe d'items. Par conséquent, les échelles de Likert sont souvent appelées des échelles sumatives. La question de savoir si des éléments Likert individuels peuvent être considérés comme des données à l'échelle d'un intervalle ou si elles doivent être considérées comme des données catégoriques simplement ordonnées fait l'objet d'un désaccord. Beaucoup ne considèrent ces éléments que comme des données ordinales, parce que, surtout lorsqu'on utilise seulement cinq niveaux, on ne peut pas supposer que les répondants perçoivent toutes les paires de niveaux adjacents comme équidistantes. D'autre part, souvent (comme dans l'exemple ci-dessus), le libellé des niveaux de réponse implique clairement une symétrie des niveaux de réponse au sujet d'une catégorie moyenne à tout le moins, un tel élément tomberait entre la mesure ordinaire et le niveau intervalle pour le traiter Comme simple ordinal perdrait de l'information. De plus, si l'élément est accompagné d'une échelle visuelle analogique, où l'espacement égal des niveaux de réponse est clairement indiqué, l'argument pour le traiter comme des données d'intervalle est encore plus fort. Lorsqu'elles sont traitées comme des données ordonnées, les réponses de Likert peuvent être rassemblées dans des diagrammes à barres, la tendance centrale résumée par la médiane ou le mode (mais certains ne diraient pas la moyenne), la dispersion résumée par la fourchette entre les quartiles (mais certains diront non l'écart type ), Ou analysés à l'aide de tests non paramétriques, p. ex. L'analyse paramétrique des moyennes ordinaires des données de l'échelle de Likert est également justifiable par le théorème de la limite centrale, bien que certains ne soient pas d'accord sur le fait que des moyennes ordinaires devraient être utilisées pour l'échelle de Likert Les données. Les réponses à plusieurs questions de Likert peuvent être additionnées, à condition que toutes les questions utilisent la même échelle de Likert et que l'échelle soit une approximation défendable à une échelle d'intervalle, auquel cas elles peuvent être traitées comme des données d'intervalle mesurant une variable latente. Si les réponses sommées remplissent ces hypothèses, des tests statistiques paramétriques tels que l'analyse de la variance peuvent être appliqués. Les données des échelles de Likert sont parfois réduites au niveau nominal en combinant toutes les réponses d'accord et de désaccord en deux catégories d'accepter et de rejeter. Le test chi carré, Cochran Q ou McNemar sont des procédures statistiques courantes utilisées après cette transformation. L'évaluation par consensus (CBA) peut être utilisée pour créer une norme objective pour les échelles de Likert dans des domaines où il n'existe pas de norme standard ou objective généralement acceptée. L'évaluation par consensus (CBA) peut être utilisée pour affiner ou même valider des normes généralement acceptées. Niveau de mesure On croit souvent que les cinq catégories de réponses représentent un niveau de mesure Interval. Mais ce ne peut être le cas que si les intervalles entre les points d'échelle correspondent à des observations empiriques dans un sens métrique. En fait, il peut aussi apparaître des phénomènes qui remettent même en question le niveau ordinal échelle. Par exemple, dans un ensemble d'éléments A, B, C notés avec une échelle Likert, des relations circulaires comme AgtB, BgtC et CgtA peuvent apparaître. Ceci viole l'axiome de la transitivité pour l'échelle ordinale. Le modèle de Rasch Les données de l'échelle de Likert peuvent, en principe, être utilisées comme base pour obtenir des estimations de niveau d'intervalle sur un continuum en appliquant le modèle de Rasch polytomique, quand des données peuvent être obtenues qui correspondent à ce modèle. De plus, le modèle polychrome de Rasch permet de tester l'hypothèse selon laquelle les énoncés reflètent des niveaux croissants d'attitude ou de trait, comme prévu. Par exemple, l'application du modèle indique souvent que la catégorie neutre ne représente pas un niveau d'attitude ou de trait entre les catégories d'accord et d'accord. Encore une fois, tous les ensembles d'éléments à échelle Likert ne peuvent pas être utilisés pour la mesure Rasch. Les données doivent être soigneusement vérifiées pour remplir les axiomes formels stricts du modèle. Prononciation Rensis Likert, le développeur de l'échelle, a prononcé son nom lick-urt avec un court son i.56 On a prétendu que le nom de Likerts est parmi les plus mal prononcés dans le domaine.7 Bien que beaucoup de gens utilisent la variante i longue - kurt), ceux qui tentent de rester fidèles à la prononciation de Dr. Likerts utilisent la prononciation i courte (lick-urt). De Wikipédia, l'encyclopédie libre L'échelle de Likert est couramment utilisée dans la recherche d'enquête. Il est souvent utilisé pour mesurer les attitudes des répondants en demandant dans quelle mesure ils sont en accord ou en désaccord avec une question ou une déclaration particulière. Une échelle typique peut être fortement d'accord, d'accord, pas sûr d'être décidé, pas d'accord, fortement en désaccord. En surface, les données d'enquête utilisant l'échelle de Likert peuvent sembler faciles à analyser, mais il ya des questions importantes pour un analyste de données à considérer. 1. Préparez vos données pour l'analyse en codant les réponses. Par exemple, disons que vous avez un sondage qui demande aux répondants si ils sont d'accord ou en désaccord avec un ensemble de postes dans une plate-forme partis politiques. Chaque position est une question d'enquête, et l'échelle utilise les réponses suivantes: Tout à fait d'accord, d'accord, neutre, en désaccord, fortement en désaccord. Dans cet exemple, codez bien les réponses en conséquence: Tout à fait en désaccord 1, en désaccord 2, neutre 3, d'accord 4, tout à fait d'accord 5. 2. N'oubliez pas de faire la distinction entre ordinal et intervalle, car les deux types nécessitent des approches analytiques différentes. Si les données sont ordinales, on peut dire qu'un score est supérieur à un autre. Nous ne pouvons pas dire combien plus élevé, comme nous pouvons avec les données d'intervalle, qui vous disent la distance entre deux points. Voici l'écueil avec l'échelle de Likert: de nombreux chercheurs vont le traiter comme une échelle d'intervalle. Cela suppose que les différences entre chaque réponse sont égales en distance. La vérité est que l'échelle de Likert ne nous le dit pas. Dans notre exemple ici, cela nous indique seulement que les personnes ayant des réponses à numéros plus élevés sont plus en accord avec les positions de la partie que celles avec les réponses de nombre inférieur. 3. Commencez à analyser vos données d'échelle Likert avec des statistiques descriptives. Bien qu'il puisse être tentant, résister à l'envie de prendre les réponses numériques et de calculer un moyen. En ajoutant une réponse de fortement d'accord (5) à deux réponses de désaccord (2) nous donnerait une moyenne de 4, mais quelle est la signification de ce nombre heureusement, il ya d'autres mesures de la tendance centrale, nous pouvons utiliser en dehors de la moyenne. Avec les données d'échelle de Likert, la meilleure mesure à utiliser est le mode, ou la réponse la plus fréquente. Cela rend les résultats du sondage beaucoup plus facile pour l'analyste (sans parler du public pour votre présentation ou un rapport) à interpréter. Vous pouvez également afficher la répartition des réponses (pourcentage en accord, en désaccord, etc.) dans un graphique, tel qu'un graphique à barres, avec une barre pour chaque catégorie de réponse. 4. Procédez ensuite aux techniques inférentielles, qui testent les hypothèses posées par les chercheurs. Il existe de nombreuses approches disponibles, et la meilleure dépend de la nature de votre étude et les questions que vous essayez de répondre. Une approche populaire est d'analyser les réponses en utilisant l'analyse des techniques de variance, comme le test de Mann Whitney ou Kruskal Wallis. Supposons que dans notre exemple, nous voulions analyser les réponses aux questions sur les positions de la politique étrangère avec l'ethnicité comme variable indépendante. Disons que nos données comprennent les réponses des répondants anglo, afro-américains et hispaniques, de sorte que nous pourrions analyser les réponses entre les trois groupes de répondants en utilisant le test de Kruskal Wallis de la variance. 5. Simplifiez encore davantage vos données d'enquête en combinant les quatre catégories de réponses (par exemple, fortement d'accord, d'accord, pas d'accord, pas du tout d'accord) en deux catégories nominales, telles que accepté, accepté, etc.). Cela offre d'autres possibilités d'analyse. Le test du chi carré est une approche pour analyser les données de cette façon. Lire la suite: Comment utiliser l'échelle de Likert dans l'analyse statistique Theres un énorme débat en cours dans les sciences comportementales sociales sur si les échelles de Likert doit être traitée comme ordinal ou intervalle. Comptez-moi comme celui qui pense que son OK pour les traiter comme intervalle. Je voudrais analyser les données dans les deux sens - avec le chi-carré et avec ANOVA, et voir comment il s'avère - si les résultats sont les mêmes, vous êtes tous ensemble. Si vous obtenez quelque chose de différent avec chaque méthode, alors vous avez quelque chose d'intéressant. Dans l'ensemble, vous pouvez traiter les échelles comme des méthodes d'intervalle et d'exécution qui comparent les moyennes, telles que l'ANOVA. Les échelles sont assez proches de l'intervalle de sorte que ces méthodes ne devraient pas vous égarer. Oui, Tukey serait bien pour un test post-hoc. Son milieu-de-la-route en termes de liberalconservative (Fishers LSD est libéral, Bonferroni est conservateur). En ce qui concerne la façon dont vous utiliseriez le chi carré, vous pourriez établir une comparaison entre les groupes que vous voulez contraster et faire l'analyse de la fréquence de chaque choix entre les groupes (c.-à-d. groupe). Oui, ce serait un test du chi-carré de l'indépendance. Le tableau de contingence peut être configuré avec des groupes en tant que lignes et des éléments d'échelle comme 8 colonnes. Les cellules de la table contiendraient les fréquences de réponse. Pour le chi-carré post-hoc, utilisez une comparaison simple de deux proportions indépendantes avec un test z. Vous n'avez pas nécessairement signaler des moyens avec une analyse de chi-carré, puisque votre intérêt est dans la comparaison des fréquences, mais cela ne veut pas dire que vous wouldnt faire une sorte de base de la comparaison descriptive des statistiques (moyens, médianes, std dev, etc.) Je vous remercie pour cet article, mais je me sens encore coincé. J'ai toutes les données sur SPSS, j'ai utilisé moyenne et SD pour les questions d'échelle, mais ils ne répondent pas à mes questions de recherche. Je trouve les moyens dans cet article intéressant mais je ne sais pas lequel fonctionne pour moi et comment l'appliquer sur spss. J'espère que l'un de vous pourrait m'aider, je peux envoyer un échantillon de mes tables .. Merci d'avance Bonjour, s'il vous plaît je suis vraiment confus sur la façon dont je peux analyser mes articles likert échelle dans ce sens, j'ai une échelle de likert 5 points Fortement en désaccord 1, en désaccord 2, neutre 3, d'accord 4, tout à fait d'accord 5) et certains répondants choisissent indécis. En analysant, devrais-je jeter les réponses neutres et analyser avec Fortement en désaccord 1, en désaccord 2, d'accord 3, tout à fait d'accord 4 Merci pour beaucoup de conseils anticipés. Komentar ini telah dihapus oleh pengarang. Komentar ini telah dihapus oleh pengarang. Merci pour le partage, ce poste est très informatif qui m'aidera à démarrer ma petite entreprise (BuzzInc) Et cela pourrait être mon point tournant. Likert balances et analyses de données par I. Elaine Allen et Christopher A. Seaman Les enquêtes sont régulièrement utilisés pour mesurer qualité. Par exemple, des enquêtes pourraient être utilisées pour évaluer la perception de la qualité des produits ou de la qualité de la prestation des services par les clients. Les échelles Likert sont un format de notation courant pour les enquêtes. Les répondants classent la qualité du plus haut au plus bas ou du meilleur au pire selon cinq ou sept niveaux. Les statisticiens ont généralement regroupé les données recueillies à partir de ces enquêtes dans une hiérarchie de quatre niveaux de mesure: Données nominales: le niveau de mesure le plus faible représentant des catégories sans représentation numérique. Données ordinales: données dans lesquelles une ordonnance ou un classement des réponses est possible mais aucune mesure de distance n'est possible. Données d'intervalle: Généralement des données entières dans lesquelles la mesure et la mesure de distance sont possibles. Ratio data: données dans lesquelles un ordre significatif, distance, décimales et fractions entre les variables sont possibles. Les analyses de données utilisant des données nominales, des intervalles et des rapports sont généralement simples et transparentes. Les analyses de données ordinales, en particulier en ce qui concerne Likert ou d'autres échelles dans les enquêtes, ne le sont pas. Ce n'est pas une question nouvelle. L'adéquation du traitement des données ordinales comme données d'intervalle continue d'être controversée dans les analyses d'enquêtes dans une variété de domaines appliqués. Une raison sous-jacente pour analyser les données ordinales comme données d'intervalle pourrait être la prétention que les tests statistiques paramétriques (basés sur le théorème de la limite centrale) sont plus puissants que les alternatives non paramétriques. En outre, les conclusions et interprétations des tests paramétriques pourraient être considérées comme plus faciles à interpréter et à fournir plus d'informations que les solutions non paramétriques. Cependant, traiter les données ordinales comme des données d'intervalle (ou même de ratio) sans examiner les valeurs de l'ensemble de données et les objectifs de l'analyse peut à la fois induire en erreur et fausser les résultats d'une enquête. Pour examiner les analyses appropriées des données scalaires et quand il est préférable de traiter les données ordinales comme données d'intervalle, nous nous concentrerons sur les échelles de Likert. Bases des échelles de Likert Les échelles de Likert ont été développées en 1932 comme la réponse bipolaire familière de cinq points que la plupart des gens connaissent aujourd'hui. 3 Ces échelles varient d'un groupe de catégories à la plupart des personnes interrogées pour indiquer à quel point elles sont d'accord ou en désaccord, les approuver ou les désapprouver, ou croire qu'elles sont vraies ou fausses. Therersquos vraiment pas de mauvaise façon de construire une échelle Likert. La considération la plus importante est d'inclure au moins cinq catégories de réponses. Quelques exemples de groupes de catégories apparaissent dans le tableau 1. Les extrémités de l'échelle sont souvent augmentées pour créer une échelle de sept points en ajoutant ldquoveryrdquo au haut et au bas respectifs des échelles à cinq points. L'échelle de sept points a été montrée pour atteindre les limites supérieures de la fiabilité scalersquos. 4 En règle générale, Likert et d'autres recommandent qu'il soit préférable d'utiliser une échelle aussi large que possible. Vous pouvez toujours réduire les réponses en catégories condensées, le cas échéant, pour analyse. Dans cet esprit, les échelles sont parfois tronquées à un nombre pair de catégories (généralement quatre) pour éliminer l'option ldquoneutralrdquo dans une échelle de sondage choocerdquo ldquoforced. Rensis Likertrsquos document original clairement identifie qu'il pourrait y avoir une variable sous-jacente continue dont la valeur caractérise les répondants d'opinions ou d'attitudes et cette variable sous-jacente est au niveau d'intervalle, au mieux. 5 Analyse, généralisation vers des indices continus En règle générale, la moyenne et l'écart type sont des paramètres non valides pour les statistiques descriptives lorsque les données sont sur des échelles ordinales, tout comme les analyses paramétriques basées sur la distribution normale. Les procédures non paramétriques basées sur le rang, la médiane ou rangemdash sont appropriées pour l'analyse de ces données, de même que les méthodes de distribution gratuites telles que les tabulations, les fréquences, les tables de contingence et les statistiques chi-carré. Les modèles de Kruskall-Wallis peuvent fournir le même type de résultats qu'une analyse de variance, mais basés sur les rangs et non sur les moyens de réponses. Étant donné que ces échelles sont représentatives d'une mesure sous-jacente continue, une recommandation est de les analyser comme des données d'intervalle comme un pilote avant de recueillir la mesure continue. Le tableau 2 présente un exemple de conclusions trompeuses, illustrant les résultats de l'enquête annuelle de la Fondation Alfred P. Sloan sur la qualité et l'étendue de l'apprentissage en ligne aux États-Unis. Les répondants ont utilisé une échelle Likert pour évaluer la qualité de l'apprentissage en ligne par rapport à l'apprentissage en face à face. Alors que plus de 60 répondants ont perçu l'apprentissage en ligne comme égal ou meilleur que face à face, il y a une minorité persistante qui perçoit l'apprentissage en ligne comme au moins un peu inférieur. Si ces données ont été analysées à l'aide de moyennes, avec une échelle de 1 à 5 de inférieur à supérieur, cette séparation serait perdue, donnant des moyennes de 2,7, 2,6 et 2,7 pour ces trois années, respectivement. Cela indiquerait un accord légèrement inférieur à la moyenne plutôt que la distribution réelle des réponses. Un exemple plus extrême serait de placer tous les répondants aux extrêmes de l'échelle, donnant une moyenne de ldquosamerdquo mais une interprétation complètement différente des réponses réelles. Dans quelles circonstances les échelles de Likert peuvent-elles être utilisées avec des procédures d'intervalle Supposons que les données de rang incluent une enquête de revenu mesurant 0, 25,000, 50,000, 75,000 ou 100,000 exactement, et ces mesures ont été mesurées comme ldquolow, rdquo ldquomediumrdquo et ldquohigh. rdquo The ldquointervalnessrdquo here is an Attribut des données, et non des étiquettes. En outre, l'élément d'échelle doit être au moins cinq et de préférence sept catégories. Un autre exemple d'analyse des échelles de Likert en tant que valeurs d'intervalle est lorsque les ensembles d'éléments Likert peuvent être combinés pour former des index. Cependant, il existe une forte opposition à cette approche: la plupart des chercheurs insistent pour que ces combinaisons d'échelles passent l'alpha de Cronbachrsquos ou le test de Kappa d'intercorrélation et de validité. En outre, la combinaison d'échelles pour former un indice de niveau d'intervalle suppose que cette combinaison forme une caractéristique ou une variable sous-jacente. Autres mesures continues pour les échelles Les alternatives à l'utilisation d'une échelle Likert formelle peuvent être l'utilisation d'une ligne continue ou barre de piste. Pour la mesure de la douleur, une ligne de 100 mm peut être utilisée sur une épreuve sur papier pour mesurer du pire au meilleur jamais, ce qui donne une mesure d'intervalle continue. À l'avènement de nombreux sondages en ligne, cela peut se faire avec des barres de piste semblables à celles illustrées à la figure 1. Les répondants ici peuvent calibrer leurs réponses à des intervalles continus qui peuvent être capturés par le logiciel d'enquête comme des valeurs continues. Conclusion Votre analyse initiale des données scalaires Likert ne devrait pas impliquer de statistiques paramétriques, mais devrait s'appuyer sur la nature ordinal des données. Bien que les variables d'échelle de Likert représentent habituellement une mesure continue sous-jacente, l'analyse des items individuels ne devrait utiliser des procédures paramétriques que comme une analyse pilote. La combinaison des échelles Likert en index ajoute des valeurs et une variabilité aux données. Si les hypothèses de normalité sont remplies, une analyse par procédure paramétrique peut être suivie. Enfin, la conversion d'un instrument de cinq ou de sept catégories en variable continue est possible avec une ligne calibrée ou une barre de piste. RÉFÉRENCES Gideon Vigderhous, ldquoLe niveau de mesure et lsquoPermissiblersquo Analyse statistique dans la recherche sociale, rdquo Pacific Sociological Review, vol. 20, n ° 1, 1977, pages 61-72. Ulf Jakobsson, ldquoPrésentation statistique et analyse des données ordinales dans la recherche en sciences infirmières, rdquo Journal scandinave de Caring Sciences, vol. 18, 2004, pages 437-440. Rensis Likert, ldquoA Technique pour la mesure des attitudes, rdquo Archives of Psychology, 1932, vol. 140, n ° 55. Jum C. Nunnally, Théorie psychométrique, McGraw Hill, 1978. Dennis L. Clasen et Thomas J. Dormody, ldquoAnalyse des données mesurées par des items individuels de type Likert, rdquo Journal of Agricultural Education, vol. 35, n ° 4, 1994. BIBLIOGRAPHIE Jacoby, Jacob, et Michael S. Matell, ldquoThree-Point Likert Scales sont assez bons, rdquo Journal of Marketing Research, vol. 8, n ° 4, 1971, pages 495-500. Jamieson, Susan, ldquoLikert Scales: Comment (Ab) les utiliser, rdquo Medical Education, Vol. 38, n ° 12), 2004, pages 1 217-1 218. I. ELAINE ALLEN est professeure agrégée de statistique et d'entrepreneuriat au Babson College à Babson Park, MA. Elle a un doctorat en statistiques de l'Université Cornell à Ithaca, NY. Allen est un membre senior de l'ASQ. CHRISTOPHER A. SEAMAN est doctorant en mathématiques au Graduate Center de la City University de New York.