Questions tagged «likert»

我有一些从调查问题中获得的序数数据。在我的情况下，它们是李克特风格的回应（强烈不同意-不同意-中立-同意-强烈同意）。在我的数据中，它们被编码为1-5。 我认为均值在这里意义不大，那么什么基本的汇总统计数据被认为有用呢？

67 descriptive-statistics  likert  ordinal-data 

社会科学中的许多研究都使用李克特量表。什么时候适合使用Likert数据作为序数，什么时候适合将其用作间隔数据？

52 ordinal-data  likert  scales  measurement 

如果我理解正确，则图书评分为1-5的等级就是李克特分数。也就是说，对我来说3不一定代表其他人3。这是有序规模的IMO。一个不应该真正地平均序数标度，但绝对可以采用众数，中位数和百分位数。 那么，既然大部分人口比上述统计数据都了解经济手段，那么弯曲规则就可以吗？尽管研究界强烈谴责采用基于李克特量表的数据的平均值，但与大众一起这样做（实际上）是可以的吗？在这种情况下，以平均值为起点是否会产生误导？ 像亚马逊这样的公司似乎不太可能迷失于基本统计数据，但是如果不是这样的话，我在这里会缺少什么呢？我们是否可以说序数标度是序数的便利近似值以证明采用均值是合理的？有什么理由？

49 mean  ordinal-data  likert 

我将用一个例子来解释我的问题。假设您要根据以下属性预测个人的收入：{年龄，性别，国家/地区，城市}。你有一个像这样的训练数据集 train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) train CountryID RegionID CityID Age Gender Income 1 1 1 1 23 M 31 2 1 1 1 48 F 42 3 1 1 2 62 M 71 4 …

29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 

我已经完成了主成分分析（PCA），探索性因素分析（EFA）和确认性因素分析（CFA），并用李克特量表（5级答复：无，有，有..）将数据视为连续数据。变量。然后，使用Lavaan，我重复了CFA，将变量定义为分类变量。 我想知道当数据本质上是序数时，什么类型的分析适用于PCA和EFA？而当二进制。 我也将对可以轻松实现此类分析的特定软件包或软件提出建议。

28 pca  factor-analysis  ordinal-data  binary-data  likert 

有什么办法可以形象地显示李克特反应集？ 例如，一组询问X在其有关A，B，C，D，E，F和G的决策中的重要性的项目？有没有比堆积条形图更好的东西？ 不适用的回应应该怎么做？他们将如何代表？ 条形图是否应报告百分比或响应次数？（即条的总长度应相同吗？） 如果是百分比，分母是否应包括无效和/或N / A响应？ 我有自己的看法，但我正在寻找其他人的想法。

25 data-visualization  scales  likert 

接下来是这个问题：假设您想测试一下李克特（Likert）项目的5点（例如，对生活的满意度：不满意）对两组（例如，男性和女性）的集中趋势的差异。我认为t检验在大多数情况下都足够准确，但是对组均值之间的差异进行自举检验通常可以提供更准确的置信区间估计。您将使用什么统计检验？

22 t-test  ordinal-data  likert  scales 

执行主成分分析（PCA）之后，我想将一个新向量投影到PCA空间上（即在PCA坐标系中找到其坐标）。 我已经使用R计算了R语言的PCA prcomp。现在，我应该可以将向量乘以PCA旋转矩阵。该矩阵中的主要成分应该按行还是按列排列？

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

我分为2组（A组为43个，B组为39个），有82位受访者完成了对65个李克特问题的调查，每个问题的范围为1-5（非常同意-非常不同意）。因此，我有一个具有66列（每个问题1个+ 1表示组分配）和82行（每个回答者1个）的数据框。 使用R或SPSS可以使任何人都知道可视化此数据的好方法。 我需要这样的东西：（ 来自Jason Bryer） 但是我无法使代码的最初部分起作用。另外，我找到了一个很好的示例，展示了如何从以前的交叉验证帖子中可视化Likert数据：可视化Likert项目响应数据，但是没有有关如何使用R或SPSS创建这些居中计数图或堆积条形图的指南或说明。

19 r  data-visualization  spss  likert 

我曾经从心理学的角度分析项目。但是现在我正在尝试分析关于动机和其他主题的其他类型的问题。这些问题都是在李克特量表上。我最初的想法是使用因子分析，因为假设这些问题可以反映一些潜在的方面。 但是因子分析是否合适？ 是否有必要验证每个问题的维度？ 对李克特项目进行因子分析是否存在问题？ 是否有关于如何对李克特和其他分类项目进行因子分析的好的论文和方法？

17 factor-analysis  scales  psychometrics  likert  psychology 

我需要一些帮助，以从问卷调查中挽救数据。 我的一位同事使用了问卷，但无意中没有使用原始的5点李克特量表（强烈不同意表示强烈同意），而是在量表中插入了第六个答案。而且，更糟糕的是，第六个响应选项是……“我不知道”。 问题在于，在某一点或另一点选择“我不知道”的受访者比例很大。如果它们只是一个很小的百分比，我将把它们从数据库中排除掉。但是，研究的核心在于概念模型，排除如此多的记录会给模型带来问题。 有人可以在这里指出正确的方向吗？是否有任何“良好做法”，或者我可以做些什么来使用（转换，转换等）那些“我不知道”的回答？ 另外，如果我对相关数据进行了任何处理（即，如果我通过替换，插补等方式转换“我不知道”的响应），则什么样的“免责声明”，“警告”，注释，我应该使用吗？ 我知道这是一个漫长的过程，但是我承认，除了挽救回应之外，我还很好奇在这种情况下达成的共识做法（如果有）。 PS：我知道这听起来很幼稚，但是不，“同事”不是我:)

16 likert  data-imputation 

[根据反馈进行的编辑-谢谢：-)] h！更多编辑！抱歉! 你好- 我正在进行一些相当粗略和现成的数据收集，并使用已发布的有关士气和其他此类问题的量表发送给医护人员的调查。 唯一的问题是，与调查中的所有其他内容相比，该比例尺相当长，我想通过将每个子比例尺切成一半并且仅使用一半的项目来减小其尺寸。我的直觉是，这很好，因为子量表是相互关联的，虽然对于出版标准的研究不是理想的选择，但对于组织内部的一些事实调查也可以。 我想知道是否有人对这样做的有效性，陷阱或其他事情有任何想法。特别感谢您提供参考，因为我的同事们需要说服力！ 非常感谢Chris B 编辑- 是的，它是经过验证的具有已知心理特征的量表。 如果这是正确的放置方式，则它是一维的并且具有子刻度。 我将在子级别和总级别（而不是项目级别）进行工作。 30个项目，大约40-60个人。 干杯!

11 psychometrics  scales  reliability  likert 

我从来没有喜欢过人们通常如何分析李克特量表的数据，就像人们有合理的期望至少在量表的极端情况下违反了这些假设一样，误差是连续的和高斯的。您如何看待以下替代方案： 如果响应在n点尺度上取值为，则将该数据扩展到n个试验，其中k 个试验的值为1，n - k其试验的值为0。因此，我们将李克特量表的响应视为如果它是一系列二项式试验的秘密集合（实际上，从认知科学的角度来看，这实际上是此类决策场景中所涉及机制的吸引人模型）。使用扩展的数据，您现在可以使用混合效应模型，将响应者指定为随机效应（如果有多个问题，还可以将问题指定为随机效应），并使用二项式链接函数指定误差分布。ķkkñnnñnnķkkn − kn−kn-k 任何人都可以看到这种方法的任何假设违规或其他有害方面吗？

11 binomial  psychometrics  likert  psychology 

我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

背景：我询问了数百名受访者对所选区域的兴趣（按李克特五分制，其中1分表示“不感兴趣”，5分表示“感兴趣”）。 然后我尝试了PCA。下图是前两个主要组成部分的投影。颜色用于性别，PCA箭头是原始变量（即兴趣）。 我注意到： 点（受访者）被第二部分很好地分开了。 没有左箭头。 有些箭比其他箭短得多。 变量趋向于形成集群，而不是观察值。 看来，指向男性的向下箭头主要是男性的利益，指向上方的箭头主要是女性的利益。 一些箭头既不指向下方也不指向上方。 问题：如何正确解释点（受访者），颜色（性别）和箭头（变量）之间的关系？从这个情节中可以得出关于受访者及其兴趣的其他结论吗？ 数据可以在这里找到。

10 pca  interpretation  survey  likert  biplot