সামাজিক বিজ্ঞানের অনেকগুলি গবেষণায় লিকার্ট স্কেল ব্যবহার করা হয়। কখন লিকার্ট ডেটা অর্ডিনাল হিসাবে ব্যবহার করা উপযুক্ত এবং কখন অন্তর ডেটা হিসাবে এটি ব্যবহার করা উপযুক্ত?
সামাজিক বিজ্ঞানের অনেকগুলি গবেষণায় লিকার্ট স্কেল ব্যবহার করা হয়। কখন লিকার্ট ডেটা অর্ডিনাল হিসাবে ব্যবহার করা উপযুক্ত এবং কখন অন্তর ডেটা হিসাবে এটি ব্যবহার করা উপযুক্ত?
উত্তর:
হয়তো অনেক দেরি হয়ে গেছে তবে আমি আমার উত্তরটি যাইহোক যোগ করি ...
এটি আপনার ডেটা নিয়ে কী করতে চান তার উপর নির্ভর করে: যদি আপনি অংশগ্রহণকারীদের বিভিন্ন গোষ্ঠী (লিঙ্গ, দেশ ইত্যাদি) বিবেচনা করার সময় স্কোরগুলি পৃথক করে দেখাতে আগ্রহী হন তবে আপনি যদি সাধারণ অনুমানগুলি পূরণ করেন তবে আপনি আপনার স্কোরকে সংখ্যাসূচক মান হিসাবে বিবেচনা করতে পারেন provided ভেরিয়েন্স (বা আকৃতি) এবং নমুনা আকার সম্পর্কে। যদি আপনি সাবগ্রুপগুলিতে প্রতিক্রিয়া নিদর্শনগুলি কীভাবে আলাদা হয় তা হাইলাইট করতে আগ্রহী হন, তবে আপনার উত্তর বিকল্পগুলির একটি সেটের মধ্যে আইটেমের স্কোরগুলি আলাদা পছন্দ হিসাবে বিবেচনা করা উচিত এবং লগ-লিনিয়ার মডেলিং, সাধারণ লজিস্টিক রিগ্রেশন, আইটেম-প্রতিক্রিয়া মডেল বা অন্য কোনও পরিসংখ্যানের মডেল অনুসন্ধান করা উচিত যা বহুগুণীয় আইটেমগুলির সাথে লড়াই করতে সহায়তা করে।
থাম্বের নিয়ম হিসাবে, একজন সাধারণভাবে বিবেচনা করে যে কোনও স্কেলে 11 টি পৃথক পয়েন্ট থাকা একটি অন্তর্বর্তী স্কেল আনুমানিক পর্যায়ে যথেষ্ট (ব্যাখ্যা করার উদ্দেশ্যে, @ xmjx এর মন্তব্য দেখুন)। লিকার্ট আইটেমগুলি সত্য অর্ডিনাল স্কেল হিসাবে বিবেচিত হতে পারে তবে এগুলি প্রায়শই সংখ্যাসূচক হিসাবে ব্যবহৃত হয় এবং আমরা তাদের গড় বা এসডি গণনা করতে পারি। এটি প্রায়শই মনোভাব জরিপে করা হয়, যদিও গড় / এসডি এবং প্রতিক্রিয়ার% উভয়ই যেমন দু'টি সর্বোচ্চ বিভাগের প্রতিবেদন করা বুদ্ধিমানের কাজ।
সংক্ষিপ্ত আকারের স্কোর স্কোরগুলি ব্যবহার করার সময় (যেমন, আমরা একটি "মোট স্কোর" গণনা করার জন্য প্রতিটি আইটেমের উপরে স্কোর যোগ করি), স্বাভাবিক পরিসংখ্যান প্রয়োগ করা যেতে পারে তবে আপনাকে মনে রাখতে হবে আপনি এখন একটি সুপ্ত পরিবর্তনশীল সাথে কাজ করছেন তাই অন্তর্নিহিত নির্মাণ বোধ করা উচিত! সাইকোমেট্রিক্সে আমরা সাধারণত পরীক্ষা করে দেখি যে (1) স্কেলের একক মাত্রা, (2) স্কেলের নির্ভরযোগ্যতা যথেষ্ট। এই জাতীয় দুটি স্কেল স্কোরের তুলনা করার সময় (দুটি পৃথক পৃথক যন্ত্রের জন্য), আমরা এমনকি ক্লাসিকাল পিয়ারসন পারস্পরিক সম্পর্কের সহগের পরিবর্তে ক্ষুদ্রতর সম্পর্কের ব্যবস্থাও বিবেচনা করতে পারি।
ধ্রুপদী পাঠ্যপুস্তকে অন্তর্ভুক্ত রয়েছে:
1. সাধারণভাবে, জেসি এবং বার্নস্টেইন, আইএইচ (1994) সাইকোমেট্রিক থিওরি (তৃতীয় সংস্করণ)। সাইকোলজিতে ম্যাকগ্রা-হিল সিরিজ।
২. স্ট্রেইনার, ডিএল এবং নরম্যান, জিআর (২০০৮)। স্বাস্থ্য পরিমাপের স্কেল। তাদের বিকাশ এবং ব্যবহারের একটি ব্যবহারিক গাইড (চতুর্থ সংস্করণ)। অক্সফোর্ড।
৩. রাও, সিআর ও সিনহারে, এস।, এড। (2007)। পরিসংখ্যানের হ্যান্ডবুক, খণ্ড। 26: সাইকোমেট্রিক্স । এলসেভিয়ার সায়েন্স বিভি
4. ডান, জি। (2000) মনোরোগ বিশেষজ্ঞের পরিসংখ্যান । হজদার আর্নল্ড
রোস্ট অ্যান্ড ল্যাঞ্জেইন এবং ডাব্লু। রেভেলের ওয়েবসাইটে ব্যক্তিত্ব গবেষণার ওয়েবসাইট থেকে আপনার সামাজিক বিজ্ঞানে সুপ্ত বৈশিষ্ট্য এবং সুপ্ত শ্রেণীর মডেলগুলির অ্যাপ্লিকেশনগুলিও দেখতে পারেন ।
সাইকোমেট্রিক স্কেল যাচাই করার সময়, তথাকথিত সিলিং / ফ্লোর এফেক্টস (ন্যূনতম / সর্বোচ্চ প্রতিক্রিয়া বিভাগে অংশগ্রহণকারীদের স্কোর করার ফলে বৃহত অসামেত্র) দেখে নেওয়া গুরুত্বপূর্ণ, যা সংখ্যার পরিবর্তনশীল হিসাবে বিবেচনা করার সময় গণনা করা কোনও পরিসংখ্যানের উপর গুরুতরভাবে প্রভাব ফেলতে পারে ( যেমন, দেশ সমষ্টি, টি-পরীক্ষা)। এটি আন্তঃ-সাংস্কৃতিক গবেষণায় সুনির্দিষ্ট বিষয়গুলি উত্থাপন করে যেহেতু জানা যায় যে মনোভাব বা স্বাস্থ্য জরিপের সামগ্রিক প্রতিক্রিয়া বিতরণ এক দেশ থেকে অন্য দেশে পৃথক হয় (উদাহরণস্বরূপ চীনা জনগণ বনাম পশ্চিমা দেশগুলি থেকে আগতরা নির্দিষ্ট প্রতিক্রিয়ার ধরণটি হাইলাইট করে, পূর্ববর্তীটি আইটেম স্তরে সাধারণত আরও চূড়ান্ত স্কোরগুলি দেখুন, উদাহরণস্বরূপ সং, এক্স। ওয়াই (2007) মাল্টিস্ট্যাম্পল স্ট্রাকচারাল সমীকরণ মডেলের বিশ্লেষণের সাথে লাইফের লাইফের ডেটা প্রয়োগ করেপ্রচ্ছন্ন পরিবর্তনশীল এবং সম্পর্কিত মডেলের হ্যান্ডবুক , লি, এস.ওয়াই। (এডি।), পিপি 279-302, উত্তর-হল্যান্ড)।
আরও সাধারণভাবে, আপনার সাইকোমেট্রিক সম্পর্কিত সাহিত্যের দিকে নজর দেওয়া উচিত যা যদি আপনি পরিমাপের বিষয়ে আগ্রহী হন তবে লিকার্ট আইটেমগুলির ব্যাপক ব্যবহার করে। বিভিন্ন পরিসংখ্যানের মডেল তৈরি করা হয়েছে এবং বর্তমানে আইটেম রেসপন্স থিওরি কাঠামোর অধীনে রয়েছে।
সহজ উত্তরটি হ'ল লিকার্ট স্কেলগুলি সর্বদা নিয়মিত থাকে। স্কেলের পজিশনের মধ্যে অন্তরগুলি একঘেয়ে হয় তবে সংখ্যায় অভিন্ন বৃদ্ধি হিসাবে এতটা কখনই সংজ্ঞায়িত হয় না।
এটি বলেছিল যে অर्डিনাল এবং ব্যবধানের মধ্যে পার্থক্যটি বিশ্লেষণের নির্দিষ্ট দাবির উপর ভিত্তি করে করা হচ্ছে। বিশেষ পরিস্থিতিতে, আপনি প্রতিক্রিয়াগুলি এমনভাবে আচরণ করতে সক্ষম হবেন যেন সেগুলি অন্তর্বর্তী স্কেলে পড়েছে। এটি করার জন্য, সাধারণত উত্তরদাতাদের স্কেল প্রতিক্রিয়াগুলির অর্থ সম্পর্কে নিবিড় চুক্তি হওয়া প্রয়োজন এবং বিশ্লেষণ (বা বিশ্লেষণের ভিত্তিতে নেওয়া সিদ্ধান্তগুলি) যে সমস্যাগুলি দেখা দিতে পারে সে সম্পর্কে তুলনামূলক সংবেদনশীল হওয়া উচিত।
সংক্ষিপ্ত আকারের স্কেলগুলি সম্পর্কে উপরে ইতিমধ্যে যা বলা হয়েছে তা ছাড়াও, আমি আরও উল্লেখ করতে পারি যে গ্রুপ-পর্যায়ে ডেটা বিশ্লেষণ করার সময় সমস্যাটি পরিবর্তিত হতে পারে। উদাহরণস্বরূপ, আপনি যদি পরীক্ষা করছিলেন
এই সমস্ত ক্ষেত্রে প্রতিটি সমষ্টিগত পরিমাপ (সম্ভবত গড়) অনেকগুলি পৃথক প্রতিক্রিয়ার উপর ভিত্তি করে (যেমন, এন = 50, 100, 1000 ইত্যাদি)। এই ক্ষেত্রে আসল লিকার্ট আইটেমটি এমন বৈশিষ্ট্যগুলি গ্রহণ করতে শুরু করে যা সামগ্রিক স্তরে অন্তর্বর্তী স্কেলের অনুরূপ।
সর্বদা অর্ডিনাল আকারে পছন্দসই স্কেল: পরিসংখ্যানগত বিশ্লেষণে এটি কার্যকর করার জন্য গুণগত উপাত্তের পরিমাণগত মান নির্ধারণের একটি পদ্ধতি। প্রতিটি সম্ভাব্য পছন্দ হিসাবে একটি সংখ্যাসূচক মান নির্ধারিত হয় এবং মূল্যায়ণ বা সমীক্ষার শেষে সমস্ত প্রতিক্রিয়ার জন্য একটি গড় চিত্র গণনা করা হয়।