Naghahanap ka ba ng mga paraan upang pag-aralan ang Likert scale data ngunit hindi mo alam kung paano? Ang Likert scale ay isang survey tool na sumusukat sa mga saloobin o damdamin ng mga tao sa isang paksa. Pumipili ang mga respondent mula sa isang hanay ng mga opsyon tulad ng "lubos na sumasang-ayon" hanggang sa "lubos na hindi sumasang-ayon," karaniwang may neutral na midpoint tulad ng "hindi sumasang-ayon o hindi sumasang-ayon." Nagbibigay-daan ito sa mga mananaliksik na mabilang ang subjective na data at gumawa ng mga makabuluhang konklusyon. Inimbento ng psychologist na si Rensis Likert, ang sukat ay karaniwang may lima o pitong puntos.
Kasama sa pagsusuri ng Likert scale data ang pagbibigay-kahulugan sa mga tugon upang makakuha ng mahahalagang insight. Sa komprehensibong artikulong ito, susuriin natin ang sunud-sunod na proseso ng "kung paano pag-aralan ang data ng sukat ng Likert" at gagawa ng mga makabuluhang konklusyon.
Pag-unawa sa Likert Scale
Bago sumabak sa pagsusuri, tingnan natin ang sukat ng Likert at ang mga katangian nito:
- Ang Likert scale ay nagpapakita ng isang serye ng mga pahayag o tanong sa mga respondent, na pagkatapos ay nagpapahiwatig ng kanilang antas ng pagsang-ayon o hindi pagkakasundo sa isang numerical scale.
- Kasama sa karaniwang ginagamit na mga opsyon sa pagtugon sa Likert scale ang "Lubos na Hindi Sumasang-ayon," "Hindi Sumasang-ayon," "Neutral," "Sumasang-ayon," at "Lubos na Sumasang-ayon."
- Ang mga tugon ay karaniwang naka-code ayon sa numero, na may mas mataas na mga halaga na kumakatawan sa mas mataas na kasunduan o positibong saloobin.
Ang Likert scale ay sikat dahil sa pagiging simple nito, kadalian ng pangangasiwa, at kakayahang kumuha ng mga nuanced na opinyon. Ang mga mananaliksik ay maaaring makakuha ng mga insight sa pamamahagi ng mga tugon, pati na rin ang sentral na tendensya at pagkakaiba-iba ng data, upang maunawaan ang mga saloobin ng mga kalahok sa isang partikular na paksa.
Makakahanap ka ng higit pang mga detalye tungkol sa sukat ng Likert sa mga sumusunod pahina ng Wikipedia.
Mga Hakbang sa Pagsusuri ng Likert Scale Data
1. Pangongolekta at Paghahanda ng Datos
- Idisenyo ang Survey: Ang paglikha ng isang mahusay na istrukturang survey ay mahalaga sa pagkuha ng maaasahang data. Gumawa ng malinaw at maigsi na Likert scale na mga tanong na nakaayon sa iyong mga layunin sa pananaliksik. Isaalang-alang ang mga salita ng mga pahayag upang maiwasan ang pagkiling at kalabuan.
- Pagpasok ng Data at Paglilinis: Kapag nakumpleto na ang survey, ilagay ang mga tugon sa isang data spreadsheet o statistical software. Tiyakin na ang data ay nililinis, sinusuri ang anumang nawawala o maling mga entry na maaaring makaapekto sa pagsusuri.
2. Kalkulahin ang Descriptive Statistics
- Pamamahagi ng Dalas: Upang maunawaan ang pamamahagi ng mga tugon, kalkulahin ang dalas ng bawat opsyon sa Likert scale para sa bawat tanong. Ayusin ang data sa isang talahanayan o tsart upang mailarawan nang epektibo ang pamamahagi.
- Kalkulahin ang Mean at Standard Deviation: Ang mean (average) at standard deviation ay nagbibigay ng mahahalagang impormasyon tungkol sa central tendency at dispersion ng mga sagot para sa bawat tanong. Ang ibig sabihin ay kumakatawan sa karaniwang tugon, habang ang karaniwang paglihis ay sumusukat sa pagkalat ng mga tugon sa paligid ng ibig sabihin. Ang mataas na standard deviation ay nagpapahiwatig ng mas malaking pagkakaiba-iba sa mga opinyon.
Halimbawa, isaalang-alang ang isang survey na tanong sa 5-point Likert scale tungkol sa antas ng kasiyahan sa isang produkto, na may mga sagot na naka-code tulad ng sumusunod: 1 – Lubos na Hindi Nasiyahan, 2 – Hindi Nasiyahan, 3 – Neutral, 4 – Nasiyahan, at 5 – Lubos na Nasiyahan . Pagkatapos kolektahin ang data, kalkulahin ang dalas ng bawat opsyon sa pagtugon at ang ibig sabihin ng antas ng kasiyahan upang maunawaan ang pangkalahatang damdamin patungo sa produkto.
3. Tayahin ang Normalidad ng Data
- Pagsusuri sa Normalidad: Upang maglapat ng naaangkop na mga diskarte sa istatistika, tingnan kung ang data ay sumusunod sa isang normal na distribusyon. Ang mga pagsusulit sa normalidad, tulad ng pagsusulit na Shapiro-Wilk o Kolmogorov-Smirnov, ay tinatasa kung ang data ay lumilihis nang malaki mula sa isang normal na distribusyon.
- Interpretasyon: Kung ang data ay karaniwang ipinamamahagi (p > 0.05), maaaring gamitin ang mga parametric na istatistikal na pagsusulit tulad ng mga t-test at ANOVA. Kung ang data ay hindi karaniwang ipinamamahagi (p < 0.05), mas angkop ang mga non-parametric na pagsubok tulad ng Mann-Whitney U test o Kruskal-Wallis test.
Halimbawa, kung susuriin namin ang Likert scale na mga tugon para sa dalawang magkaibang grupo gamit ang isang normality test at malalaman na ang data ay hindi normal na ipinamamahagi, maaari naming piliin na gamitin ang non-parametric na Mann-Whitney U na pagsubok upang ihambing ang mga saloobin ng mga grupo.
4. Pangkatang Paghahambing at Pagsusuri
- Paghahambing ng mga Grupo: Kung ang iyong survey ay may kasamang maraming grupo o variable, ihambing ang kanilang mga tugon upang matukoy ang mga makabuluhang pagkakaiba o pattern. Para sa normal na distributed na data, gumamit ng mga diskarte tulad ng t-tests o analysis of variance (ANOVA). Bagama't masusuri ang data na hindi normal na ipinamamahagi gamit ang mga hindi parametric na pagsubok tulad ng Mann-Whitney U test o Kruskal-Wallis test.
Halimbawa, isaalang-alang ang isang survey na sinusuri ang pagiging epektibo ng dalawang magkaibang paraan ng pagtuturo, na may mga sagot na nakolekta sa 7-point Likert scale. Gumamit ng ANOVA upang matukoy kung mayroong anumang makabuluhang pagkakaiba sa nakikitang pagiging epektibo sa pagitan ng dalawang pamamaraan ng pagtuturo.
- Pagtatasa ng Korelasyon: Galugarin ang mga ugnayan sa pagitan ng Likert scale na mga tanong o variable gamit ang correlation coefficients. Mayroong dalawang pinakakaraniwang uri ng mga coefficient ng ugnayan, ang koepisyent ng ugnayan ng Pearson at ang koepisyent ng ugnayan ng Spearman. Ang koepisyent ng ugnayan ng Pearson ay angkop para sa data na karaniwang ipinamamahagi, habang ang koepisyent ng ugnayan ng Spearman ay angkop para sa data na hindi karaniwang ipinamamahagi.
Halimbawa, maaaring gusto mong tasahin kung mayroong ugnayan sa pagitan ng kasiyahan sa trabaho at pagganap sa trabaho gamit ang mga tugon ng Likert scale mula sa mga empleyado. Kalkulahin ang koepisyent ng ugnayan upang matukoy ang lakas at direksyon ng relasyon.
5. Interpretasyon at Visualization
- Visualization ng Data: Ipakita ang iyong mga natuklasan gamit ang mga chart at graph, gaya ng mga bar chart o stacked bar chart, upang biswal na kumatawan sa pamamahagi ng mga tugon para sa bawat opsyon sa Likert scale. Nakakatulong ang mga visualization sa mas mahusay na pag-unawa sa pamamahagi ng mga saloobin at pinapadali ang interpretasyon ng data. Basahin Paano Magpakita ng Likert Scale Data para sa higit pang mga detalye sa paglalahad ng Likert scale data
- Interpretasyon: Maingat na bigyang-kahulugan ang mga resulta at gumawa ng mga makabuluhang konklusyon batay sa pagsusuri ng data. Bigyang-pansin ang mga pattern, trend, at makabuluhang pagkakaiba sa pagitan ng mga grupo. Talakayin ang mga implikasyon ng mga natuklasan at kung paano nauugnay ang mga ito sa iyong mga layunin sa pananaliksik.
Paano Suriin ang Likert Scale Data – Praktikal na Halimbawa
Isaalang-alang natin ang isang praktikal na halimbawa upang ilarawan ang proseso ng pagsusuri ng Likert scale data. Isipin ang pagsasagawa ng isang survey sa kasiyahan ng empleyado sa mga pasilidad sa lugar ng trabaho. Gumagamit ka ng 5-point Likert scale (1 – Lubos na Hindi Nasiyahan, 2 – Hindi Nasiyahan, 3 – Neutral, 4 – Nasiyahan, 5 – Lubos na Nasiyahan). Pagkatapos kolektahin ang data at kalkulahin ang mean satisfaction level at standard deviation, nalaman mong ang mean ay 4.2, na nagpapahiwatig ng pangkalahatang positibong sentimento sa mga empleyado. Gayunpaman, ang mataas na standard deviation na 0.9 ay nagpapahiwatig na ang mga opinyon ay nag-iiba nang malaki. Nangangahulugan iyon na ang ilang mga empleyado ay lubos na nasisiyahan habang ang iba ay mas mababa.
Susunod, nagpasya kang ihambing ang mga antas ng kasiyahan sa pagitan ng dalawang magkaibang departamento – ang departamento ng HR at ang departamento ng Marketing. Gamit ang isang naaangkop na istatistikal na pagsubok, tulad ng t-test para sa normal na ipinamamahaging data o ang Mann-Whitney U test para sa hindi normal na ipinamamahaging data, makikita mo na may malaking pagkakaiba sa mga antas ng kasiyahan sa pagitan ng dalawang departamento. Ang mga empleyado ng Marketing department ay nag-uulat ng mas mataas na antas ng kasiyahan kumpara sa HR department.
Sa wakas, gusto mong tuklasin kung may kaugnayan sa pagitan ng kasiyahan sa trabaho at mga rate ng pagpapanatili ng empleyado. Gamit ang naaangkop na koepisyent ng ugnayan batay sa normalidad ng data, natuklasan mo ang isang malakas na positibong ugnayan sa pagitan ng kasiyahan sa trabaho at mga rate ng pagpapanatili. Iminumungkahi nito na, kung mataas ang kasiyahan sa trabaho, mataas din ang rate ng pagpapanatili ng empleyado sa loob ng organisasyon.
Konklusyon
Sa konklusyon, ang pagsusuri ng Likert scale data ay nagsasangkot ng ilang kritikal na hakbang upang makakuha ng mga makabuluhang insight mula sa mga saloobin at opinyon ng mga respondente. Sa pamamagitan ng pag-unawa sa sukat ng Likert, maaaring i-unlock ng mga mananaliksik ang mahalagang impormasyon upang ipaalam sa paggawa ng desisyon at karagdagang pananaliksik. Ang tumpak na pagsusuri ng Likert scale data ay mahalaga sa iba't ibang larangan, mula sa mga agham panlipunan hanggang sa pananaliksik sa merkado. Tinutulungan nito ang mga mananaliksik na maunawaan ang pag-uugali, kagustuhan, at pananaw ng tao sa paraang dami. Sa isang masusing pag-unawa sa pagsusuri ng data ng Likert scale, ang mga mananaliksik ay makakagawa ng mga mapagkakatiwalaang konklusyon.
