Esittely
Vuosien varrella on käytetty lukuisia menetelmiä luonteen- ja persoonallisuuspiirteiden mittaamiseen (Likert, 1932). Asenteiden, luonteen ja persoonallisuuden piirteiden mittaamisen vaikeus piilee menettelyssä, jolla nämä ominaisuudet siirretään määrälliseen mittaukseen tietojen analysointia varten. Kvalitatiivisten tutkimustekniikoiden viimeaikainen suosio on helpottanut jonkin verran tähän dilemmaan liittyvää taakkaa; monet yhteiskuntatieteilijät luottavat kuitenkin edelleen asenteiden, luonteenpiirteiden ja persoonallisuusominaisuuksien kvantitatiivisiin mittauksiin.
Vastauksena luonteen- ja persoonallisuuspiirteiden mittaamisen vaikeuteen Likert (1932) kehitti menettelyn asenneasteikkojen mittaamiseksi. Alkuperäisessä Likertin asteikossa käytettiin kysymyssarjaa, jossa oli viisi vastausvaihtoehtoa: täysin samaa mieltä (1), täysin samaa mieltä (2), epävarma (3), täysin eri mieltä (4) ja täysin eri mieltä (5). Hän yhdisti kysymyssarjojen vastaukset asenteellisen mitta-asteikon luomiseksi. Hänen analyysinsä perustui asenneasteikkoa edustavan kysymyssarjan yhdistettyyn pistemäärään. Hän ei analysoinut yksittäisiä kysymyksiä. Vaikka Likert käytti viisiportaista asteikkoa, hänen vastausvaihtoehtojensa muut muunnelmat ovat tarkoituksenmukaisia, mukaan lukien neutraalin vastauksen poistaminen (Clason & Dormody, 1994).
Vaikka Likertin vastausvaihtoehtojen muunnelmat ovat yleistyneet laajentamistutkimuksissa, yleinen käyttö on aiheuttanut myös väärinkäytöksiä tai virheitä. Yksi yleisesti tehty virhe on yksittäisten kysymysten virheellinen analysointi asenneasteikolla. Ennen kuin keskustelemme Likert-aineiston analysoinnista, käydään läpi menettelyn peruskäsitteet.
Likert-tyyppiset ja Likert-asteikot
Clason ja Dormody (1994) kuvasivat Likert-tyyppisten kysymysten ja Likert-asteikkojen välistä eroa. He määrittelivät Likert-tyyppiset kohteet yksittäisiksi kysymyksiksi, joissa käytetään jotakin alkuperäisten Likert-vastausvaihtoehtojen piirteitä. Vaikka tutkimusvälineessä voidaan käyttää useita kysymyksiä, tutkija ei pyri yhdistämään kysymysten vastauksia yhdistetyksi asteikoksi. Taulukossa 1 on esimerkki viidestä Likert-tyyppisestä kysymyksestä.
| Täysin eri mieltä | Täysin eri mieltä | Ei samaa mieltä | Neutraali | Täysin samaa mieltä | Täysin samaa mieltä | |
| 1. 4-H on ollut minulle hyvä kokemus. | SD | D | N | A | SA | |
| 2. Vanhempani ovat tukeneet 4-H-projektejani. | SD | D | N | A | SA | |
| 3. Osallistumiseni 4-H:n toimintaan antaa minulle mahdollisuuden vaikuttaa. | SD | D | N | A | SA | |
| 4. 4-H-ohjaajani oli aina tukenani. | SD | D | N | A | SA | |
| 5. Collegiate 4-H on tärkeä opiston valinnassa. | SD | D | N | A | SA |
Likert-asteikko taas koostuu neljästä tai useammasta Likert-tyyppisestä kohdasta, jotka yhdistetään yhdeksi yhdistetyksi pistemääräksi/muuttujaksi aineiston analysointiprosessin aikana. Yhdistettyjä kohtia käytetään luonteen tai persoonallisuuden ominaisuuden määrälliseen mittaamiseen. Tyypillisesti tutkija on kiinnostunut vain yhdistelmäpistemäärästä, joka edustaa luonteen-/persoonallisuuspiirrettä. Taulukossa 2 on esimerkki viidestä kysymyksestä, jotka on suunniteltu yhdistettäväksi Likertin asteikoksi, joka mittaa ruokailutottumuksia.
| Täysin eri mieltä | Ei samaa eikä eri mieltä | Neutraali | Täysin samaa mieltä | Täysin eri mieltä | |
| 1. Syön säännöllisesti terveellistä ruokaa. | SD | D | N | A | SA |
| 2. Kun ostan ruokaa ruokakaupasta, jätän ”roskaruoan” huomiotta. | SD | D | N | A | SA |
| 3. Aterioita valmistettaessa otan huomioon ruoka-aineiden rasvapitoisuuden. | SD | D | N | A | SA |
| 4. Aterioita valmistettaessa otan huomioon ruoka-aineiden sokeripitoisuuden. | SD | D | N | A | SA |
| 5. Terveellinen ruokavalio on tärkeää perheelleni. | SD | D | N | A | SA |
Stevenin mitta-asteikko
Kummallakin Likert-tyyppisellä ja Likert-asteikollisella aineistolla onyksilölliset aineiston analyysimenetelmät. Vaihtoehtojen ymmärtämiseksi on aloitettava Steven’s Scale of Measurement (Ary, Jacobs, &Sorenson, 2010). Stevenin asteikko koostuu neljästä luokasta: nominaali-, ordinaali-, intervalli- ja suhdeasteikosta.
Nominaaliasteikossa havainnot luokitellaan luokkiin vastaavuuden perusteella. Luokkiin liittyvät numerot toimivat vain merkintöinä. Esimerkkejä nominaaliasteikollisista tiedoista ovat sukupuoli, silmien väri ja rotu. Järjestysasteikolliset havainnot luokitellaan jonkin suuruusluokan mukaan. Ryhmiin määritetyt numerot ilmaisevat ”suurempi kuin” -suhteen, mutta sitä, kuinka paljon suurempi, ei kuitenkaan ilmoiteta. Numerot ilmaisevat ainoastaan järjestyksen. Esimerkkejä järjestysasteikollisista mittareista ovat arvosanat, sijoitukset ja saavutukset (alhainen, keskitaso, korkea). Myös vaihteluväliasteikkotiedoissa käytetään numeroita osoittamaan järjestystä ja kuvastamaan merkityksellistä suhteellista etäisyyttä asteikon pisteiden välillä. Intervalliasteikoilla ei ole absoluuttista nollaa. Esimerkki intervalliasteikosta on IQ-standardoitu testi. Suhdeasteikko käyttää myös numeroita osoittamaan järjestystä ja kuvastaa mielekästä suhteellista etäisyyttä asteikon pisteiden välillä. Suhdeasteikolla on absoluuttinen nolla. Esimerkkejä suhdelukumittareista ovat ikä jakokemusvuodet.
Analyzing Likert Response Items
Jotta Likert-aineistoa voidaan analysoida oikein, on ymmärrettävä kunkin edustama mitta-asteikko. Likert-tyyppisiin kysymyksiin annetut numerot ilmaisevat ”suurempi kuin”-suhteen, mutta sitä, kuinka paljon suurempi, ei kuitenkaan ilmaista. Näiden ehtojen vuoksi Likert-tyyppiset kohteet kuuluvat ordinaaliseen mitta-asteikkoon. Kuvailevia tilastoja, joita suositellaan ordinaaliasteikollisille mittauskohteille, ovat moodi tai mediaani keskustendenssin kuvaamiseksi ja frekvenssit vaihtelun kuvaamiseksi. Muita analyysimenetelmiä, jotka soveltuvat ordinaaliasteikollisille kysymyksille, ovat muun muassa khiin neliö -assosiaatiomittari, Kendall Tau B ja Kendall Tau C.
Likert-asteikon tietoja sen sijaan analysoidaan intervalliasteikolla. Likert-asteikon kohteet luodaan laskemalla yhdistetty pistemäärä (summa tai keskiarvo) neljästä tai useammasta Likert-tyyppisestä kohdasta; siksi Likert-asteikkojen yhdistetty pistemäärä olisi analysoitava intervallimittauksen asteikolla.Intervalliasteikon kohteita varten suositeltavia kuvailevia tilastoja ovat keskiarvo keskitendenssiä varten ja keskihajonnat vaihtelua varten. Muita intervalliasteikollisille kysymyksille soveltuvia tietojen analysointimenetelmiä ovat Pearsonin r-arvo, t-testi, ANOVA ja regressiomenetelmät. Taulukossa 3 on esimerkkejä Likert-tyyppisten ja Likert-asteikollisten tietojen analyysimenetelmistä.
| Likert-Type Data | Likert Scale Data | ||
| Central Tendency | Median or mode | Mean | |
| Variability | Frequencies | Frequencies | Keskihajonta |
| Yhteydet | Kendallin tau B tai C | Pearsonin r | |
| Muut tilastot | Chi-neliö | ANOVA, t-testi, regressio |
Yhteenveto
Tietoanalyysipäätös Likert-kohteista tehdään yleensä kyselylomakkeen kehitysvaiheessa. Onko sinulla sarja yksittäisiä kysymyksiä, joissa on Likert-vastausvaihtoehtoja, joihin osallistujasi voivat vastata, vai onko sinulla sarja Likert-tyyppisiä kysymyksiä, jotka yhdistettynä kuvaavat persoonallisuuden piirrettä tai asennetta? Jos Likert-kysymyksesi ovat ainutlaatuisia ja itsenäisiä, analysoi ne Likert-tyyppisinä kysymyksinä. Moodit, mediaanit ja frekvenssit ovat sopivia tilastollisia välineitä. Jos olet suunnitellut kysymyssarjan, joka yhdessä mittaa tiettyä ominaisuutta, olet luonut Likert-asteikon. Käytä keskiarvoja ja keskihajontoja asteikon kuvaamiseen. Jos koet tarpeelliseksi raportoida asteikon muodostavat yksittäiset kohdat, käytä vain Likert-tyyppisiä tilastomenetelmiä.Muista, että kun päätös Likert-tyypin ja Likerts-asteikon välillä on tehty, päätös sopivista tilastoista on helppo tehdä.
Ary, D., Jacobs, L. C., & Sorensen, C.(2010). Johdatus kasvatustieteelliseen tutkimukseen (8thed.). California: Thomson Wadsworth.
Likert, R. (1932). Atechnique for the measurement of attitudes. Archivesof Psychology, 22(140),1-55.