如何理解李克特量表?选项距离相等+题目权重相等!

在学术研究中,通过开展问卷调查获取数据时,调查问卷分为量表题和非量表题。量表题就是测试受访者的态度或者看法的题目,大多采用李克特量表。

李克特量表是一种评分加总式态度量表(attitude scale),由美国社会心理学家李克特于1932年所设计。针对所需调查的具体事项,李克特量表由一组陈述组成,每一陈述旁边有文字说明,回答者从中选择最适合他/她对该项目看法的那个选项,选项范围包括"非常同意""同意""难以决定""不同意""非常不同意"共5种,5种选项的量化评分取值分别记为5、4、3、2、1,每个被调查者针对该调查事项的态度总分就是他对该组陈述内各道题目回答所得分数的加总或取平均值,这一总分或平均值可说明他的态度强弱或他在这一量表上的不同状态。

李克特量表的核心思想包括两个方面:一是具体到每个题目,认为相邻的两个选项之间的距离相等。 比如"非常同意"和"同意"之间的距离,与"不同意"和"非常不同意"之间的距离是相等的,所以在对调查结果进行量化时,可以直接将"非常同意""同意""难以决定""不同意""非常不同意"5种选项分别量化为5、4、3、2、1。**二是同一被调查维度内各个题目的权重相等。**针对所需调查的具体事项(一个维度),李克特量表由一组陈述(一组问题)组成,每条陈述(问卷中的每道题目)对需调查的具体事项的影响权重相同,所以可以用各道题目得分直接加总或求平均的方式得到该维度的直接得分,而无须考虑加权求和或加权求平均,因此李克特量表常常被称为累加量表(Summative Scale)。

在对李克特量表的应用中,很多学者对5分量表进行了丰富和拓展,采用4分量表、6分量表、7分量表、9分量表等,但核心思想是一样的。

需要注意的是,为了引导被调查者能够认真对待调查,避免"清一色"勾选某个选项,比如都选最高分,设计的李克特量表中可能会安排一定数量的反向题目,即个别题目的"非常同意""同意""难以决定""不同意""非常不同意"5种选项分别量化为1、2、3、4、5,与大部分正向题目正好相反。此种情况下,使用SPSS对收集的量表数据进行处理的时候,要注意首先将反向题目数据进行重新编码,以确保所有题目的数据方向一致。具体操作方式详见"4.2.3"一节。

心理学、管理学、社会学、教育学等社会科学领域普遍采用量表题获取数据,SPSS中也有很多分析方法适用于量表题项,比如T检验、方差分析、相关分析、回归分析、因子分析等,中介作用和调节作用分析等也适用于量表题项。

以上内容节选自**《SPSS统计学基础与实证研究应用精解》张甜 杨维忠著 清华大学出版社**

《SPSS统计学基础与实证研究应用精解》张甜 杨维忠著 清华大学出版社

本书手把手教会使用SPSS撰写实证研究类论文或开展数据分析

常用统计学原理、实证研究的套路、调查问卷设计、信度分析、效度分析、T检验、ANOVA分析、相关性分析、回归分析、中介效应、调节效应、因子分析、聚类分析......一应俱全

相关推荐
AI医影跨模态组学5 小时前
如何将深度学习超声影像特征与乳腺癌腋窝淋巴结治疗响应的生物学机制建立关联,并进一步解释其预测pCR与个体化治疗的机制联系
人工智能·深度学习·论文·医学·医学影像·影像组学·医学科研
AI医影跨模态组学1 天前
Research(IF=10.9)南方医科大学珠江医院汪洋教授等团队:深度学习在脊柱MRI诊断中的应用:AI辅助与人工的多中心对比研究
人工智能·深度学习·论文·医学影像·影像组学
AI医影跨模态组学1 天前
(综述)Annu Rev Biomed Eng(IF=9.6)上海科技大学沈定刚教授等团队:放射组学++:用于解码肿瘤异质性的生境影像分析综述
人工智能·论文·医学影像·影像组学·医学科研
AI医影跨模态组学2 天前
Radiology子刊 暨南大学附属第一医院等团队:基于肿瘤和内脏脂肪组织CT特征的深度学习模型用于预测浆膜浸润性胃癌根治术后腹膜转移风险
人工智能·深度学习·论文·医学·医学影像
AI医影跨模态组学3 天前
Ann Oncol(IF=65.4)广东省人民医院放射科刘再毅&阿里巴巴达摩院等团队:基于非增强CT与深度学习的结直肠癌检测
人工智能·深度学习·论文·医学影像
AI医影跨模态组学3 天前
Nature Reviews Cancer(IF=66.8)澳门科技大学张康教授等团队:人工智能推动多组学与临床数据整合在基础和转化癌症研究中的进展
人工智能·科技·深度学习·论文·医学影像
小艳加油3 天前
AI引领自然科学全流程革新:生物、地球、农业、气象、生态、环境、GIS案例实战+Python/R代码+科研绘图+时空大数据
机器学习·统计分析·自然科学
AI医影跨模态组学4 天前
如何将影像组学特征与肿瘤免疫微环境中的关键信号通路及免疫细胞浸润建立关联,并进一步解释其与胃癌术后复发、预后的机制联系
人工智能·深度学习·计算机视觉·论文·医学影像
AI医影跨模态组学4 天前
如何将机器学习模型评分与肿瘤微环境中的去乙酰化修饰及免疫细胞组成建立关联,并进一步解释其与NSCLC免疫治疗预后的机制联系
人工智能·机器学习·论文·医学·医学影像
AI医影跨模态组学6 天前
如何将CT影像组学与深度学习特征与肝细胞癌的缺氧-免疫抑制-代谢重编程恶性微环境关联,进一步解释与TACE预后及肿瘤生物学行为的机制联系
人工智能·深度学习·论文·医学·医学影像