ວິທີການວິເຄາະຂໍ້ມູນຂະໜາດ Likert

ທ່ານກໍາລັງຊອກຫາວິທີການວິເຄາະຂໍ້ມູນຂະຫນາດ Likert ແຕ່ບໍ່ຮູ້ວິທີ? ຂະຫນາດ Likert ແມ່ນເຄື່ອງມືການສໍາຫຼວດທີ່ວັດແທກທັດສະນະຄະຕິຫຼືຄວາມຮູ້ສຶກຂອງຄົນທີ່ມີຕໍ່ຫົວຂໍ້ໃດຫນຶ່ງ. ຜູ້ຕອບເລືອກຈາກຫຼາຍທາງເລືອກເຊັ່ນ "ຕົກລົງເຫັນດີ" ກັບ "ບໍ່ເຫັນດີຢ່າງແຂງແຮງ", ໂດຍປົກກະຕິແລ້ວມີຈຸດກາງທີ່ເປັນກາງເຊັ່ນ "ບໍ່ເຫັນດີຫຼືບໍ່ເຫັນດີ." ນີ້ເຮັດໃຫ້ນັກຄົ້ນຄວ້າສາມາດກໍານົດປະລິມານຂອງຂໍ້ມູນຫົວຂໍ້ແລະສະຫຼຸບທີ່ສໍາຄັນ. ປະດິດສ້າງໂດຍນັກຈິດຕະສາດ Rensis Likert, ຂະຫນາດປົກກະຕິມີຫ້າຫຼືເຈັດຈຸດ.

ການວິເຄາະຂໍ້ມູນຂະຫນາດ Likert ກ່ຽວຂ້ອງກັບການຕີຄວາມຫມາຍຄໍາຕອບທີ່ຈະໄດ້ຮັບຄວາມເຂົ້າໃຈທີ່ມີຄຸນຄ່າ. ໃນບົດຄວາມທີ່ສົມບູນແບບນີ້, ພວກເຮົາຈະພິຈາລະນາຂັ້ນຕອນໂດຍຂັ້ນຕອນຂອງ "ວິທີການວິເຄາະຂໍ້ມູນຂະຫນາດ Likert" ແລະເຮັດໃຫ້ບົດສະຫຼຸບທີ່ມີຄວາມຫມາຍ.

ຄວາມເຂົ້າໃຈຂອງ Likert Scale

ກ່ອນທີ່ຈະເຂົ້າໄປໃນການວິເຄາະ, ໃຫ້ພວກເຮົາເບິ່ງຢ່າງລະອຽດກ່ຽວກັບຂະຫນາດ Likert ແລະຄຸນລັກສະນະຂອງມັນ:

ຂະຫນາດ Likert ນໍາສະເຫນີຊຸດຄໍາຖະແຫຼງຫຼືຄໍາຖາມຕໍ່ຜູ້ຕອບ, ຜູ້ທີ່ຊີ້ບອກລະດັບຄວາມເຫັນດີຫຼືຄວາມບໍ່ເຫັນດີຂອງເຂົາເຈົ້າໃນລະດັບຕົວເລກ.
ຕົວເລືອກການຕອບໂຕ້ຂະໜາດ Likert ທີ່ໃຊ້ທົ່ວໄປລວມມີ “ບໍ່ເຫັນດີຢ່າງແຮງ,” “ບໍ່ເຫັນດີ,” “ເປັນກາງ,” “ຕົກລົງເຫັນດີ” ແລະ “ຕົກລົງຢ່າງແຮງ.”
ຄໍາຕອບມັກຈະຖືກໃສ່ລະຫັດເປັນຕົວເລກ, ມີມູນຄ່າສູງກວ່າເປັນຕົວແທນຂອງຂໍ້ຕົກລົງທີ່ສູງຂຶ້ນຫຼືທັດສະນະຄະຕິໃນທາງບວກ.

ຂະຫນາດ Likert ແມ່ນມີຄວາມນິຍົມເນື່ອງຈາກຄວາມງ່າຍດາຍ, ຄວາມງ່າຍຂອງການບໍລິຫານ, ແລະຄວາມສາມາດໃນການເກັບກໍາຄວາມຄິດເຫັນ nuanced. ນັກຄົ້ນຄວ້າສາມາດໄດ້ຮັບຄວາມເຂົ້າໃຈກ່ຽວກັບການແຈກຢາຍການຕອບສະຫນອງ, ເຊັ່ນດຽວກັນກັບແນວໂນ້ມສູນກາງແລະຄວາມປ່ຽນແປງຂອງຂໍ້ມູນ, ເພື່ອເຂົ້າໃຈທັດສະນະຄະຕິຂອງຜູ້ເຂົ້າຮ່ວມຕໍ່ກັບຫົວຂໍ້ສະເພາະໃດຫນຶ່ງ.

ທ່ານສາມາດຊອກຫາລາຍລະອຽດເພີ່ມເຕີມກ່ຽວກັບຂະຫນາດ Likert ຕໍ່ໄປນີ້ Wikipedia page.

ຂັ້ນຕອນການວິເຄາະຂໍ້ມູນຂະໜາດ Likert

1. ການເກັບກຳຂໍ້ມູນ ແລະ ການກະກຽມ

ອອກແບບສໍາຫຼວດ: ການສ້າງແບບສໍາຫຼວດທີ່ມີໂຄງສ້າງທີ່ດີແມ່ນສໍາຄັນຕໍ່ການໄດ້ຮັບຂໍ້ມູນທີ່ເຊື່ອຖືໄດ້. ສ້າງຄໍາຖາມຂະໜາດ Likert ທີ່ຊັດເຈນ ແລະຫຍໍ້ທີ່ສອດຄ່ອງກັບຈຸດປະສົງການຄົ້ນຄວ້າຂອງທ່ານ. ພິຈາລະນາຄໍາເວົ້າຂອງຄໍາຖະແຫຼງເພື່ອຫຼີກເວັ້ນການລໍາອຽງແລະຄວາມບໍ່ແນ່ນອນ.
ການປ້ອນຂໍ້ມູນ ແລະທຳຄວາມສະອາດ: ເມື່ອສໍາຫຼວດສໍາເລັດແລ້ວ, ໃຫ້ໃສ່ຄໍາຕອບເຂົ້າໄປໃນຕາຕະລາງຂໍ້ມູນຫຼືຊອບແວສະຖິຕິ. ໃຫ້ແນ່ໃຈວ່າຂໍ້ມູນຖືກອະນາໄມ, ກວດເບິ່ງລາຍການທີ່ຂາດຫາຍໄປຫຼືບໍ່ຖືກຕ້ອງທີ່ສາມາດສົ່ງຜົນກະທົບຕໍ່ການວິເຄາະ.

2. ຄິດໄລ່ສະຖິຕິອະທິບາຍ

ການແຜ່ກະຈາຍຄວາມຖີ່: ເພື່ອເຂົ້າໃຈການແຈກຢາຍຄໍາຕອບ, ຄິດໄລ່ຄວາມຖີ່ຂອງແຕ່ລະຕົວເລືອກຂະຫນາດ Likert ສໍາລັບແຕ່ລະຄໍາຖາມ. ຈັດລະບຽບຂໍ້ມູນເຂົ້າໄປໃນຕາຕະລາງຫຼືຕາຕະລາງເພື່ອໃຫ້ເຫັນການແຈກຢາຍຢ່າງມີປະສິດທິພາບ.
ຄິດໄລ່ຄ່າສະເລ່ຍແລະມາດຕະຖານ deviation: ຄ່າສະເລ່ຍ (ສະເລ່ຍ) ແລະຄວາມບ່ຽງເບນມາດຕະຖານສະຫນອງຂໍ້ມູນທີ່ສໍາຄັນກ່ຽວກັບແນວໂນ້ມສູນກາງແລະການກະແຈກກະຈາຍຂອງຄໍາຕອບສໍາລັບແຕ່ລະຄໍາຖາມ. ຄ່າສະເລ່ຍສະແດງເຖິງການຕອບສະ ໜອງ ປົກກະຕິ, ໃນຂະນະທີ່ຄວາມແຕກຕ່າງມາດຕະຖານວັດແທກການແຜ່ກະຈາຍການຕອບສະ ໜອງ ປະມານຄ່າສະເລ່ຍ. ການບ່ຽງເບນມາດຕະຖານສູງສະແດງເຖິງຄວາມຜັນຜວນຫຼາຍຂຶ້ນໃນຄວາມຄິດເຫັນ.

ສໍາລັບຕົວຢ່າງ, ພິຈາລະນາຄໍາຖາມການສໍາຫຼວດກ່ຽວກັບຂະຫນາດ Likert 5 ຈຸດກ່ຽວກັບລະດັບຄວາມພໍໃຈກັບຜະລິດຕະພັນ, ຄໍາຕອບທີ່ມີລະຫັດດັ່ງຕໍ່ໄປນີ້: 1 - ບໍ່ພໍໃຈຢ່າງແຂງແຮງ, 2 - ບໍ່ພໍໃຈ, 3 - ກາງ, 4 - ພໍໃຈ, ແລະ 5 - ພໍໃຈສູງ. . ຫຼັງຈາກການເກັບກໍາຂໍ້ມູນ, ຄິດໄລ່ຄວາມຖີ່ຂອງແຕ່ລະທາງເລືອກໃນການຕອບສະຫນອງແລະລະດັບຄວາມພໍໃຈໂດຍສະເລ່ຍເພື່ອເຂົ້າໃຈຄວາມຮູ້ສຶກໂດຍລວມຕໍ່ຜະລິດຕະພັນ.

3. ປະເມີນຄວາມເປັນປົກກະຕິຂອງຂໍ້ມູນ

ການທົດສອບປົກກະຕິ: ເພື່ອນໍາໃຊ້ເຕັກນິກສະຖິຕິທີ່ເຫມາະສົມ, ກວດເບິ່ງວ່າຂໍ້ມູນປະຕິບັດຕາມການແຈກຢາຍປົກກະຕິ. ການທົດສອບປົກກະຕິ, ເຊັ່ນການທົດສອບ Shapiro-Wilk ຫຼື Kolmogorov-Smirnov, ປະເມີນວ່າຂໍ້ມູນ deviates ຢ່າງຫຼວງຫຼາຍຈາກການແຜ່ກະຈາຍປົກກະຕິ.
ການແປພາສາ: ຖ້າຂໍ້ມູນຖືກແຈກຢາຍຕາມປົກກະຕິ (p > 0.05), ການທົດສອບສະຖິຕິ parametric ເຊັ່ນ t-tests ແລະ ANOVA ສາມາດຖືກນໍາໃຊ້. ຖ້າຂໍ້ມູນບໍ່ໄດ້ຖືກແຈກຢາຍຕາມປົກກະຕິ (p <0.05), ການທົດສອບທີ່ບໍ່ແມ່ນ parametric ເຊັ່ນການທົດສອບ Mann-Whitney U ຫຼືການທົດສອບ Kruskal-Wallis ແມ່ນເຫມາະສົມກວ່າ.

ສໍາລັບຕົວຢ່າງ, ຖ້າພວກເຮົາວິເຄາະການຕອບສະຫນອງຂະຫນາດ Likert ສໍາລັບສອງກຸ່ມທີ່ແຕກຕ່າງກັນໂດຍໃຊ້ການທົດສອບຄວາມເປັນປົກກະຕິແລະພົບວ່າຂໍ້ມູນບໍ່ໄດ້ຖືກແຈກຢາຍຕາມປົກກະຕິ, ພວກເຮົາອາດຈະເລືອກທີ່ຈະນໍາໃຊ້ການທົດສອບທີ່ບໍ່ແມ່ນ parametric Mann-Whitney U ເພື່ອປຽບທຽບທັດສະນະຂອງກຸ່ມ.

4. ການປຽບທຽບກຸ່ມ ແລະ ການວິເຄາະ

ປຽບທຽບກຸ່ມ: ຖ້າການສໍາຫຼວດຂອງທ່ານປະກອບມີຫຼາຍກຸ່ມຫຼືຕົວແປ, ປຽບທຽບຄໍາຕອບຂອງພວກເຂົາເພື່ອກໍານົດຄວາມແຕກຕ່າງທີ່ສໍາຄັນຫຼືຮູບແບບ. ສໍາລັບຂໍ້ມູນທີ່ແຈກຢາຍຕາມປົກກະຕິ, ໃຫ້ໃຊ້ເຕັກນິກເຊັ່ນ t-tests ຫຼືການວິເຄາະຄວາມແຕກຕ່າງກັນ (ANOVA). ໃນຂະນະທີ່ຂໍ້ມູນທີ່ບໍ່ໄດ້ແຈກຢາຍຕາມປົກກະຕິສາມາດຖືກວິເຄາະໂດຍໃຊ້ການທົດສອບທີ່ບໍ່ແມ່ນ parametric ເຊັ່ນການທົດສອບ Mann-Whitney U ຫຼືການທົດສອບ Kruskal-Wallis.

ຕົວຢ່າງ, ພິຈາລະນາການສໍາຫຼວດທີ່ປະເມີນປະສິດທິຜົນຂອງສອງວິທີການສອນທີ່ແຕກຕ່າງກັນ, ໂດຍມີຄໍາຕອບທີ່ເກັບກໍາຢູ່ໃນຂະຫນາດ Likert 7 ຈຸດ. ໃຊ້ ANOVA ເພື່ອກໍານົດວ່າມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໃນປະສິດທິພາບທີ່ຮັບຮູ້ລະຫວ່າງສອງວິທີການສອນ.

ການວິເຄາະຄວາມກ່ຽວຂ້ອງ: ສຳຫຼວດຄວາມສຳພັນລະຫວ່າງຄຳຖາມຂະໜາດ Likert ຫຼືຕົວແປໂດຍໃຊ້ຕົວຄູນຄວາມສຳພັນ. ມີສອງປະເພດທົ່ວໄປທີ່ສຸດຂອງຄ່າສໍາປະສິດການພົວພັນກັນ, ຄ່າສໍາປະສິດການພົວພັນ Pearson & Spearman correlation coefficient. ຄ່າສໍາປະສິດການພົວພັນ Pearson ແມ່ນເຫມາະສົມສໍາລັບຂໍ້ມູນທີ່ແຈກຢາຍຕາມປົກກະຕິ, ໃນຂະນະທີ່ຄ່າສໍາປະສິດການພົວພັນ Spearman ແມ່ນເຫມາະສົມສໍາລັບຂໍ້ມູນທີ່ແຈກຢາຍທີ່ບໍ່ແມ່ນປົກກະຕິ.

ຕົວຢ່າງ, ທ່ານອາດຈະຕ້ອງການປະເມີນວ່າມີຄວາມສໍາພັນລະຫວ່າງຄວາມພໍໃຈຂອງວຽກແລະການປະຕິບັດການເຮັດວຽກໂດຍໃຊ້ການຕອບສະຫນອງຂະຫນາດ Likert ຈາກພະນັກງານ. ຄິດໄລ່ຄ່າສໍາປະສິດການພົວພັນກັນເພື່ອກໍານົດຄວາມເຂັ້ມແຂງແລະທິດທາງຂອງການພົວພັນ.

5. ການຕີຄວາມໝາຍ ແລະ ການສະແດງພາບ

Visualization ຂໍ້ມູນ: ນໍາສະເຫນີຜົນການຄົ້ນພົບຂອງທ່ານໂດຍໃຊ້ຕາຕະລາງແລະກາຟ, ເຊັ່ນ: ແຜນຜັງແຖບຫຼືຕາຕະລາງແຖບ stacked, ເພື່ອສະແດງໃຫ້ເຫັນການແຈກຢາຍການຕອບໂຕ້ໂດຍສາຍຕາສໍາລັບແຕ່ລະຕົວເລືອກຂະຫນາດ Likert. Visualizations ຊ່ວຍໃນການເຂົ້າໃຈດີກວ່າການແຈກຢາຍທັດສະນະຄະຕິແລະອໍານວຍຄວາມສະດວກໃນການຕີຄວາມຫມາຍຂໍ້ມູນ. ອ່ານ ວິທີການນໍາສະເຫນີຂໍ້ມູນຂະຫນາດ Likert ສໍາລັບລາຍລະອຽດເພີ່ມເຕີມກ່ຽວກັບການນໍາສະເຫນີຂໍ້ມູນຂະຫນາດ Likert
ການແປພາສາ: ຕີຄວາມຫມາຍຜົນໄດ້ຮັບຢ່າງລະອຽດແລະສະຫຼຸບຄວາມຫມາຍໂດຍອີງໃສ່ການວິເຄາະຂໍ້ມູນ. ເອົາໃຈໃສ່ກັບຮູບແບບ, ແນວໂນ້ມ, ແລະຄວາມແຕກຕ່າງທີ່ສໍາຄັນລະຫວ່າງກຸ່ມ. ສົນທະນາກ່ຽວກັບຜົນສະທ້ອນຂອງການຄົ້ນພົບແລະວິທີການທີ່ເຂົາເຈົ້າກ່ຽວຂ້ອງກັບຈຸດປະສົງການຄົ້ນຄວ້າຂອງທ່ານ.

ວິທີການວິເຄາະ Likert Scale Data – ຕົວຢ່າງພາກປະຕິບັດ

ໃຫ້ພິຈາລະນາຕົວຢ່າງການປະຕິບັດເພື່ອສະແດງໃຫ້ເຫັນເຖິງຂະບວນການຂອງການວິເຄາະຂໍ້ມູນຂະຫນາດ Likert. ຈິນຕະນາການດໍາເນີນການສໍາຫຼວດຄວາມພໍໃຈຂອງພະນັກງານກັບສະຖານທີ່ເຮັດວຽກ. ທ່ານກຳລັງໃຊ້ຂະໜາດ Likert 5 ຈຸດ (1 – ບໍ່ພໍໃຈຢ່າງແຮງ, 2 – ບໍ່ພໍໃຈ, 3 – ກາງ, 4 – ພໍໃຈ, 5 – ພໍໃຈສູງ). ຫຼັງຈາກເກັບກໍາຂໍ້ມູນແລະການຄິດໄລ່ລະດັບຄວາມພໍໃຈໂດຍສະເລ່ຍແລະມາດຕະຖານ deviation, ທ່ານພົບວ່າຄ່າສະເລ່ຍແມ່ນ 4.2, ເຊິ່ງຊີ້ໃຫ້ເຫັນເຖິງຄວາມຮູ້ສຶກໃນທາງບວກໂດຍທົ່ວໄປຂອງພະນັກງານ. ແນວໃດກໍ່ຕາມ, ການບ່ຽງເບນມາດຕະຖານສູງຂອງ 0.9 ຊີ້ໃຫ້ເຫັນວ່າຄວາມຄິດເຫັນແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍ. ນັ້ນ ໝາຍ ຄວາມວ່າພະນັກງານບາງຄົນມີຄວາມພໍໃຈທີ່ສຸດໃນຂະນະທີ່ຄົນອື່ນມີໜ້ອຍ.

ຕໍ່ໄປ, ທ່ານຕັດສິນໃຈປຽບທຽບລະດັບຄວາມພໍໃຈລະຫວ່າງສອງພະແນກທີ່ແຕກຕ່າງກັນ - ພະແນກ HR ແລະພະແນກການຕະຫຼາດ. ການນໍາໃຊ້ການທົດສອບສະຖິຕິທີ່ເຫມາະສົມ, ເຊັ່ນ: t-test ສໍາລັບຂໍ້ມູນທີ່ແຈກຢາຍຕາມປົກກະຕິຫຼືການທົດສອບ Mann-Whitney U ສໍາລັບຂໍ້ມູນທີ່ແຈກຢາຍທີ່ບໍ່ແມ່ນປົກກະຕິ, ທ່ານເຫັນວ່າມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໃນລະດັບຄວາມພໍໃຈລະຫວ່າງສອງພະແນກ. ພະນັກງານພະແນກການຕະຫຼາດລາຍງານລະດັບຄວາມພໍໃຈທີ່ສູງຂຶ້ນເມື່ອທຽບກັບພະແນກ HR.

ສຸດທ້າຍ, ທ່ານຕ້ອງການຄົ້ນຫາວ່າມີຄວາມກ່ຽວຂ້ອງກັນລະຫວ່າງຄວາມພໍໃຈຂອງວຽກແລະອັດຕາການຮັກສາພະນັກງານ. ການນໍາໃຊ້ຄ່າສໍາປະສິດທີ່ກ່ຽວຂ້ອງທີ່ເຫມາະສົມໂດຍອີງໃສ່ຄວາມເປັນປົກກະຕິຂອງຂໍ້ມູນ, ທ່ານຄົ້ນພົບຄວາມສໍາພັນໃນທາງບວກທີ່ເຂັ້ມແຂງລະຫວ່າງຄວາມພໍໃຈຂອງວຽກແລະອັດຕາການຮັກສາໄວ້. ນີ້ຊີ້ໃຫ້ເຫັນວ່າ, ຖ້າຄວາມພໍໃຈໃນການເຮັດວຽກສູງ, ອັດຕາການຮັກສາພະນັກງານຈະສູງຢູ່ໃນອົງການຈັດຕັ້ງ.

ສະຫຼຸບ

ສະຫຼຸບແລ້ວ, ການວິເຄາະຂໍ້ມູນຂະໜາດ Likert ປະກອບດ້ວຍຂັ້ນຕອນສຳຄັນຫຼາຍອັນເພື່ອເອົາຄວາມເຂົ້າໃຈທີ່ມີຄວາມຫມາຍຈາກທັດສະນະຄະຕິ ແລະ ຄວາມຄິດເຫັນຂອງຜູ້ຕອບ. ໂດຍການເຂົ້າໃຈຂະຫນາດ Likert, ນັກຄົ້ນຄວ້າສາມາດປົດລັອກຂໍ້ມູນທີ່ມີຄຸນຄ່າເພື່ອແຈ້ງການຕັດສິນໃຈແລະການຄົ້ນຄວ້າຕື່ມອີກ. ການວິເຄາະທີ່ຖືກຕ້ອງຂອງຂໍ້ມູນຂະຫນາດ Likert ເປັນສິ່ງຈໍາເປັນໃນດ້ານຕ່າງໆ, ຈາກວິທະຍາສາດສັງຄົມຈົນເຖິງການຄົ້ນຄວ້າຕະຫຼາດ. ນີ້ຊ່ວຍໃຫ້ນັກຄົ້ນຄວ້າເຂົ້າໃຈພຶດຕິກໍາ, ຄວາມມັກ, ແລະຄວາມຮັບຮູ້ຂອງມະນຸດໃນລັກສະນະປະລິມານ. ດ້ວຍຄວາມເຂົ້າໃຈຢ່າງລະອຽດກ່ຽວກັບການວິເຄາະຂໍ້ມູນຂະຫນາດ Likert, ນັກຄົ້ນຄວ້າສາມາດສະຫຼຸບທີ່ເຊື່ອຖືໄດ້.