1.编码方案

在使用 t 检验评估统计显着性方面，重要的是尺度点之间的相对距离。因此，(0, 0.25, 0.5, 0.75, 1) 等价于 (1, 2, 3, 4, 5)。根据我的经验，等距离编码方案，例如前面提到的那些是最常见的，并且对于李克特项目来说似乎是合理的。如果您探索最佳缩放比例，您可能能够得出另一种编码方案。

2. 统计检验

如何评估李克特项目上的群体差异的问题已在此处得到解答。

第一个问题是您是否可以将两个时间点的观察结果联系起来。听起来你有一个不同的样本。这导致了一些选择：

• 独立组 t 检验：这是一个简单的选项；它还测试组均值的差异；纯粹主义者会争辩说 p 值可能并不完全准确；但是，根据您的目的，它可能就足够了。
• 组均值差异的自举测试：如果您仍想测试组均值之间的差异，但对因变量的离散性质感到不舒服，那么您可以使用自举生成置信区间，从中您可以推断出组均值的变化.
• Mann-Whitney U 检验（以及其他非参数检验）：这种检验不假设正态性，但它也在检验不同的假设。

Wilcoxon Ranksum Test aka Mann-Whitney 是在序数数据的情况下要走的路。引导解决方案也很优雅，尽管不是“经典”的方式。如果您的目标是因子分析等其他事情，Bootstrapping 方法也可能很有价值。在回归分析的情况下，您可以选择有序概率或有序 logit 作为模型规范。

顺便说一句：如果您的量表范围更大（每个变量>10 个值），您可以将结果用作度量变量，这使得 t 检验成为安全的选择。请注意，这有点脏，可能被某些人认为是魔鬼的工作。

斯蒂芬