Bevezetés
Az évek során számos módszert alkalmaztak a jellem- és személyiségvonások mérésére (Likert, 1932). Az attitűdök, jellem- és személyiségvonások mérésének nehézsége abban az eljárásban rejlik, amellyel ezeket a tulajdonságokat adatelemzési céllal kvantitatív mérőszámba lehet átvinni. A kvalitatív kutatási technikák közelmúltbeli népszerűsége enyhítette a dilemmával kapcsolatos terhek egy részét; azonban sok társadalomtudós még mindig az attitűdök, jellem- és személyiségvonások kvantitatív mérésére támaszkodik.
A jellem- és személyiségvonások mérésének nehézségeire válaszul Likert (1932) kidolgozott egy eljárást attitűdskálák mérésére. Az eredeti Likert-skála öt válaszlehetőséget tartalmazó kérdéssorozatot használt: erősen helyeslem (1), helyeslem (2), nem döntöttem (3), helytelenítem (4) és erősen helytelenítem (5). A kérdéssorozat válaszait kombinálta, hogy egy attitűdmérési skálát hozzon létre. Adatelemzése a kérdéssorozatból származó összetett pontszámon alapult, amely az attitűdskálát képviselte. Nem elemezte az egyes kérdéseket. Míg Likert ötfokozatú skálát használt, válaszalternatíváinak más változatai is megfelelőek, beleértve a semleges válasz törlését (Clason & Dormody, 1994).
Míg a Likert-féle válaszalternatívák változatai általánossá váltak a kiterjesztési kutatásokban, a közös használat félreértéseket vagy hibákat is okozott. Az egyik gyakran elkövetett hiba az egyes kérdések helytelen elemzése az attitűdskálán. Mielőtt a Likert-adatok elemzését tárgyalnánk, tekintsük át az eljárás alapfogalmait.
Likert-típusú és Likert-skálák
Clason és Dormody (1994) leírta a Likert-típusú tételek és a Likert-skálák közötti különbséget. A Likert-típusú tételeket olyan egyetlen kérdésként azonosították, amelyek az eredeti Likert-válaszalternatívák valamely aspektusát használják. Bár egy kutatási eszközben több kérdést is használhatnak, a kutató nem próbálja meg a tételek válaszait összetett skálává kombinálni. Az 1. táblázat öt Likert-típusú kérdésre mutat példát.
| nem értek egyet | nem értek egyet | semleges | egyetértek | teljesen egyetértek | |
| 1. A 4-H jó tapasztalat volt számomra. | SD | D | N | A | SA |
| 2. A szüleim támogatást nyújtottak a 4-H projektjeimhez. | SD | D | N | A | SA |
| 3. A 4-H-ban való részvételem lehetővé teszi számomra, hogy változtassak. | SD | D | N | A | SA |
| 4. A 4-H tanácsadóm mindig mellettem állt. | SD | D | N | A | SA |
| 5. A kollégiumi 4-H fontos a főiskola kiválasztásában. | SD | D | N | A | SA |
A Likert-skála másrészt négy vagy több Likert-típusú tételből áll, amelyeket az adatelemzési folyamat során egyetlen összetett pontszámba/változóvá kombinálnak. A tételek kombinációját arra használják, hogy egy jellem- vagy személyiségjellemző mennyiségi mérését biztosítsák. A kutatót általában csak az összetett pontszám érdekli, amely a jellem/személyiségjegyet képviseli. A 2. táblázat egy példát mutat be öt olyan kérdésből, amelyeket az étkezési szokásokat mérő Likert-skála összeállítására terveztek.
| nem értek egyet | nem értek egyet | semleges | egyetértek | nem értek egyet | |
| 1. Rendszeresen fogyasztok egészséges ételeket. | SD | D | N | A | SA |
| 2. Amikor élelmiszert vásárolok az élelmiszerboltban, mellőzöm az “egészségtelen” élelmiszereket. | SD | D | N | A | SA |
| 3. Az ételek elkészítésekor figyelembe veszem az élelmiszerek zsírtartalmát. | SD | D | N | A | SA |
| 4. Az ételek elkészítésekor figyelembe veszem az élelmiszerek cukortartalmát. | SD | D | N | A | SA |
| 5. Az egészséges táplálkozás fontos a családom számára. | SD | D | N | A | SA |
Steven mérési skála
Mind a Likert-típusú, mind a Likert-skálás adatokhoz egyedi adatelemzési eljárások tartoznak. A lehetőségek megértéséhez a Steven mérési skálával kell kezdeni (Ary, Jacobs, &Sorenson, 2010). A Steven skála négy kategóriából áll:nominális, ordinális, intervallum és arány.
A nominális skálán a megfigyeléseket az egyenértékűség alapján sorolják a kategóriákba. A kategóriákhoz kapcsolódó számok csak címkeként szolgálnak. Példák a nominális skála adatairaa nem, a szemszín és a faj. Az ordinális skála megfigyeléseit valamilyen nagyságrendbe sorolják. A csoportokhoz rendelt számok egy “nagyobb, mint” kapcsolatot fejeznek ki; azonban azt, hogy mennyivel nagyobb, nem sugallják. A számok csak a sorrendet jelzik. Példák az ordinális skála mérésére a betű szerinti osztályzatok, a rangsorok és a teljesítmény (alacsony, közepes, magas). Az intervallumskála adatai szintén számokat használnak a sorrend jelzésére, és a skála pontjai közötti értelmes relatív távolságot tükrözik. Az intervallumskálák nem rendelkeznek abszolút nullával. Az intervallumskála példája az IQ szabványosított teszt. Az arányskála szintén számokat használ a sorrend jelzésére, és értelmes relatív távolságot tükröz a skála pontjai között. Az arányskáláknak van abszolút nullpontjuk. Az aránymérésekre példa az életkor és a tapasztalat évei.
Analyzing Likert Response Items
A Likert-adatok megfelelő elemzéséhez meg kell értenünk az általuk képviselt mérési skálát. A Likert-típusú tételekhez rendelt számok “nagyobb, mint”-kapcsolatot fejeznek ki; azonban az, hogy mennyivel nagyobb, nem jelenti azt, hogy mennyivel nagyobb. E feltételek miatt a Likert-típusú tételek az ordinális mérési skálára tartoznak. Az ordinális mérési skála elemeihez ajánlott leíró statisztikák közé tartozik a központi tendenciát jelző módusz vagy medián és a változékonyságot jelző gyakoriság. Az ordinális skálaelemekhez megfelelő további elemzési eljárások közé tartozik a chi-négyzet asszociációs mérőszám, a Kendall Tau B és a Kendall Tau C.
A Likert-skála adatait viszont intervallum mérési skálán elemzik. A Likert-skála elemeit négy vagy több Likert-típusú tételből számított összetett pontszám (összeg vagy átlag) kiszámításával hozzák létre; ezért a Likert-skálák összetett pontszámát az intervallum mérési skálán kell elemezni.Az intervallumskála elemeire ajánlott leíró statisztikák közé tartozik az átlag a központi tendencia és a standard eltérések a változékonyság szempontjából. Az intervallumskála-tételekhez megfelelő további adatelemzési eljárások közé tartozik a Pearson’s r, a t-próba, az ANOVA és a regressziós eljárások. A 3. táblázat példákat mutat be a Likert-típusú és Likert-skálás adatokra vonatkozó adatelemzési eljárásokra.
| Likert-Type Data | Likert Scale Data | |
| Central Tendency | Median or mode | Mean |
| Variability | Frequencies. | Standard eltérés |
| Társítások | Kendall tau B vagy C | Pearson r |
| Egyéb statisztikák | Chi-négyzet | ANOVA, t-próba, regresszió |
Összefoglaló
A Likert-tételek adatelemzésére vonatkozó döntés általában a kérdőív fejlesztési szakaszában születik meg. Egyéni kérdések sorozata van, amelyek Likert válaszlehetőségekkel rendelkeznek, hogy a résztvevők válaszoljanak, vagy Likert típusú kérdések sorozata van, amelyek kombinálva egy személyiségvonást vagy attitűdöt írnak le? Ha az Ön Likert-kérdései egyediek és önállóak, akkor Likert-típusú elemként elemezze őket. A móduszok, mediánok és gyakoriságok a megfelelő statisztikai eszközök. Ha olyan kérdéssorozatot tervezett, amelyek kombinálva egy adott tulajdonságot mérnek, akkor Likert-skálát hozott létre. Használja az átlagokat és a standard eltéréseket a skála leírásához. Ha úgy érzi, hogy szükség van a skálát alkotó egyes tételek jelentésére, csak Likert-típusú statisztikai eljárásokat használjon.Ne feledje, hogy amint meghozta a Likert-típus és a Likertskála közötti döntést, a megfelelő statisztikákról szóló döntés is a helyére kerül.
Ary, D., Jacobs, L. C., & Sorensen, C.(2010). Bevezetés az oktatással kapcsolatos kutatásba (8thed.). California: Thomson Wadsworth.
Likert, R. (1932). Technika az attitűdök mérésére. Archivesof Psychology, 22(140),1-55.