نحوه تجزیه و تحلیل داده های مقیاس لیکرت

آیا به دنبال راه هایی برای تجزیه و تحلیل داده های مقیاس لیکرت هستید اما نمی دانید چگونه؟ مقیاس لیکرت یک ابزار نظرسنجی است که نگرش یا احساسات افراد را نسبت به یک موضوع می سنجد. پاسخ دهندگان از میان طیف وسیعی از گزینه ها مانند «کاملاً موافقم» تا «کاملاً مخالفم»، معمولاً با یک نقطه میانی خنثی مانند «نه موافق و نه مخالف» انتخاب می کنند. این به محققان اجازه می دهد تا داده های ذهنی را کمی سازی کنند و نتایج قابل توجهی بگیرند. این مقیاس که توسط روانشناس رنسیس لیکرت ابداع شد، معمولاً دارای پنج یا هفت نقطه است.

تجزیه و تحلیل داده های مقیاس لیکرت شامل تفسیر پاسخ ها برای به دست آوردن بینش های ارزشمند است. در این مقاله جامع، به فرآیند گام به گام «نحوه تجزیه و تحلیل داده‌های مقیاس لیکرت» و نتیجه‌گیری معنادار خواهیم پرداخت.

درک مقیاس لیکرت

قبل از پرداختن به تحلیل، بیایید نگاهی دقیق‌تر به مقیاس لیکرت و ویژگی‌های آن بیندازیم:

مقیاس لیکرت مجموعه‌ای از اظهارات یا سؤالات را به پاسخ‌دهندگان ارائه می‌کند که سپس سطح موافقت یا مخالفت خود را در مقیاس عددی نشان می‌دهد.
گزینه‌های پاسخ مقیاس لیکرت معمولاً شامل «کاملاً مخالفم»، «مخالفم»، «خنثی»، «موافقم» و «کاملاً موافقم» است.
پاسخ ها معمولاً به صورت عددی کدگذاری می شوند، با مقادیر بالاتر نشان دهنده توافق بالاتر یا نگرش مثبت است.

مقیاس لیکرت به دلیل سادگی، سهولت اجرا و توانایی در گرفتن نظرات متفاوت محبوب است. محققان می‌توانند بینشی در مورد توزیع پاسخ‌ها، و همچنین تمایل مرکزی و تغییرپذیری داده‌ها برای درک نگرش شرکت‌کنندگان نسبت به یک موضوع خاص به دست آورند.

شما می توانید جزئیات بیشتر در مورد مقیاس لیکرت را در زیر بیابید ویکیپدیا صفحه.

مراحل تجزیه و تحلیل داده های مقیاس لیکرت

1. جمع آوری و آماده سازی داده ها

طراحی نظرسنجی: ایجاد یک نظرسنجی با ساختار مناسب برای به دست آوردن داده های قابل اعتماد بسیار مهم است. سؤالات مقیاس لیکرت واضح و مختصر را که با اهداف تحقیق شما همسو هستند بسازید. برای پرهیز از تعصب و ابهام، عبارات عبارات را در نظر بگیرید.
ورود و پاکسازی داده ها: پس از تکمیل نظرسنجی، پاسخ ها را در صفحه گسترده داده یا نرم افزار آماری وارد کنید. اطمینان حاصل کنید که داده‌ها پاک شده‌اند و هرگونه ورودی گمشده یا نادرست را که می‌تواند بر تحلیل تأثیر بگذارد بررسی کنید.

2. محاسبه آمار توصیفی

توزیع فرکانس: برای درک توزیع پاسخ ها، فراوانی هر گزینه مقیاس لیکرت را برای هر سوال محاسبه کنید. داده ها را در یک جدول یا نمودار سازماندهی کنید تا توزیع را به طور موثر تجسم کنید.
محاسبه میانگین و انحراف استاندارد: میانگین (متوسط) و انحراف معیار اطلاعات اساسی در مورد گرایش مرکزی و پراکندگی پاسخ ها برای هر سوال ارائه می دهد. میانگین نشان دهنده پاسخ معمولی است، در حالی که انحراف استاندارد، گسترش پاسخ ها را در اطراف میانگین اندازه گیری می کند. انحراف استاندارد بالا نشان دهنده تنوع بیشتر در نظرات است.

به عنوان مثال، یک سوال نظرسنجی را در مقیاس لیکرت 5 درجه ای در مورد سطح رضایت از یک محصول در نظر بگیرید که پاسخ ها به صورت زیر کدگذاری شده اند: 1 - کاملا ناراضی، 2 - ناراضی، 3 - خنثی، 4 - راضی، و 5 - بسیار راضی هستم. . پس از جمع آوری داده ها، فراوانی هر گزینه پاسخ و میانگین سطح رضایت را برای درک احساسات کلی نسبت به محصول محاسبه کنید.

3. نرمال بودن داده ها را ارزیابی کنید

تست نرمال بودن: برای اعمال تکنیک های آماری مناسب، بررسی کنید که آیا داده ها از توزیع نرمال پیروی می کنند. آزمون های نرمال بودن، مانند آزمون Shapiro-Wilk یا Kolmogorov-Smirnov، ارزیابی می کنند که آیا داده ها به طور قابل توجهی از توزیع نرمال انحراف دارند یا خیر.
تفسیر: در صورت توزیع نرمال داده ها (p>0.05)، می توان از آزمون های آماری پارامتریک مانند آزمون t و ANOVA استفاده کرد. اگر داده ها به طور معمول توزیع نشده باشند (p <0.05)، آزمون های ناپارامتریک مانند آزمون U Mann-Whitney یا آزمون Kruskal-Wallis مناسب تر هستند.

برای مثال، اگر پاسخ‌های مقیاس لیکرت را برای دو گروه مختلف با استفاده از آزمون نرمال بودن تجزیه و تحلیل کنیم و متوجه شویم که داده‌ها به طور معمول توزیع نشده‌اند، ممکن است از آزمون ناپارامتریک Mann-Whitney U برای مقایسه نگرش‌های گروه‌ها استفاده کنیم.

4. مقایسه و تجزیه و تحلیل گروهی

مقایسه گروه ها: اگر نظرسنجی شما شامل چندین گروه یا متغیر است، پاسخ‌های آنها را برای شناسایی تفاوت‌ها یا الگوهای مهم مقایسه کنید. برای داده های توزیع شده نرمال، از تکنیک هایی مانند آزمون t یا آنالیز واریانس (ANOVA) استفاده کنید. در حالی که داده‌های غیرعادی توزیع شده را می‌توان با استفاده از آزمون‌های ناپارامتریک مانند آزمون U Mann-Whitney یا آزمون Kruskal-Wallis تجزیه و تحلیل کرد.

به عنوان مثال، نظرسنجی را در نظر بگیرید که اثربخشی دو روش آموزشی متفاوت را با پاسخ‌های جمع‌آوری‌شده در مقیاس لیکرت ۷ درجه‌ای ارزیابی می‌کند. از ANOVA برای تعیین اینکه آیا تفاوت قابل توجهی در اثربخشی درک شده بین دو روش تدریس وجود دارد یا خیر، استفاده کنید.

تجزیه و تحلیل همبستگی: روابط بین سوالات یا متغیرهای مقیاس لیکرت را با استفاده از ضرایب همبستگی بررسی کنید. دو نوع رایج ضریب همبستگی وجود دارد، ضریب همبستگی پیرسون و ضریب همبستگی اسپیرمن. ضریب همبستگی پیرسون برای داده‌های توزیع شده نرمال مناسب است، در حالی که ضریب همبستگی اسپیرمن برای داده‌های توزیع غیرعادی مناسب است.

برای مثال، ممکن است بخواهید با استفاده از پاسخ‌های مقیاس لیکرت کارکنان، ارزیابی کنید که آیا بین رضایت شغلی و عملکرد کاری همبستگی وجود دارد یا خیر. ضریب همبستگی را برای تعیین قدرت و جهت رابطه محاسبه کنید.

5. تفسیر و تجسم

تجسم داده ها: یافته‌های خود را با استفاده از نمودارها و نمودارها، مانند نمودارهای میله‌ای یا نمودارهای میله‌ای پشته‌ای، برای نمایش بصری توزیع پاسخ‌ها برای هر گزینه مقیاس لیکرت ارائه دهید. تجسم به درک بهتر توزیع نگرش ها و تسهیل تفسیر داده ها کمک می کند. خواندن نحوه ارائه داده های مقیاس لیکرت برای جزئیات بیشتر در مورد ارائه داده های مقیاس لیکرت
تفسیر: نتایج را با دقت تفسیر کنید و بر اساس تجزیه و تحلیل داده ها نتیجه گیری معنادار بگیرید. به الگوها، روندها و تفاوت های قابل توجه بین گروه ها توجه کنید. در مورد پیامدهای یافته ها و چگونگی ارتباط آنها با اهداف تحقیق خود بحث کنید.

نحوه تجزیه و تحلیل داده های مقیاس لیکرت - مثال عملی

بیایید یک مثال عملی برای نشان دادن فرآیند تجزیه و تحلیل داده های مقیاس لیکرت در نظر بگیریم. تصور کنید که یک نظرسنجی در مورد رضایت کارکنان از امکانات محل کار انجام دهید. شما از یک مقیاس لیکرت 5 درجه ای استفاده می کنید (1 - به شدت ناراضی، 2 - ناراضی، 3 - خنثی، 4 - راضی، 5 - بسیار راضی). پس از جمع‌آوری داده‌ها و محاسبه میانگین سطح رضایت و انحراف معیار، متوجه می‌شوید که میانگین 4.2 است که نشان‌دهنده یک احساسات مثبت در بین کارکنان است. با این حال، انحراف استاندارد بالای 0.9 نشان می دهد که نظرات به طور قابل توجهی متفاوت است. این بدان معناست که برخی از کارکنان بسیار راضی هستند در حالی که برخی دیگر کمتر.

در مرحله بعد، تصمیم می گیرید سطوح رضایت را بین دو بخش مختلف مقایسه کنید - بخش منابع انسانی و بخش بازاریابی. با استفاده از یک آزمون آماری مناسب، مانند آزمون t برای داده های توزیع شده عادی یا آزمون من ویتنی U برای داده های غیرعادی توزیع شده، متوجه می شوید که تفاوت معنی داری در سطح رضایت بین دو بخش وجود دارد. کارکنان بخش بازاریابی سطح رضایت بیشتری را در مقایسه با بخش منابع انسانی گزارش می دهند.

در نهایت، می‌خواهید بررسی کنید که آیا بین رضایت شغلی و میزان حفظ کارکنان همبستگی وجود دارد یا خیر. با استفاده از ضریب همبستگی مناسب بر اساس نرمال بودن داده ها، یک همبستگی مثبت قوی بین رضایت شغلی و میزان نگهداری کشف می کنید. این نشان می دهد که اگر رضایت شغلی بالا باشد، میزان حفظ کارکنان نیز در سازمان بالا خواهد بود.

نتیجه

در نتیجه، تجزیه و تحلیل داده های مقیاس لیکرت شامل چندین مرحله حیاتی برای به دست آوردن بینش معنادار از نگرش ها و نظرات پاسخ دهندگان است. با درک مقیاس لیکرت، محققان می توانند اطلاعات ارزشمندی را برای تصمیم گیری و تحقیقات بیشتر باز کنند. تجزیه و تحلیل دقیق داده های مقیاس لیکرت در زمینه های مختلف، از علوم اجتماعی تا تحقیقات بازار، ضروری است. این به محققان کمک می کند تا رفتار، ترجیحات و ادراکات انسان را به شیوه ای کمی درک کنند. با درک کامل تجزیه و تحلیل داده های مقیاس لیکرت، محققان می توانند نتایج قابل اعتمادی بگیرند.