在问卷中使用李克特量表收集数据。

从您决定使用李克特量表的那一刻起，就决定了数据是否实际上来自正态分布的问题（是否定的）。测试（并回答错误的可能性）一个您已经确定答案的问题是没有意义的（足够大的样本总是会导致通过合适的测试拒绝，但您可以告诉它是在没有数据的情况下全部）。您的数据不是来自正态分布；这已经是确定的了。

[然而，这也不是一个有用的问题；一个更好的问题不是“来自正态分布的数据吗？” （他们曾经吗？）但是“它对我的推论有多大影响？”，假设检验没有回答的问题。]

所以现在我不确定我是否可以使用参数测试

这取决于参数测试。参数并不一定意味着“正常”；你也许可以做出一些其他的分布假设，这些假设与你的情况足够一致，你会满足于你所拥有的任何偏离假设的影响。

或者我是否需要使用非参数测试。

当心 - 非参数测试也有假设，在某些情况下可能对它们有些敏感。

例如，许多非参数检验假设数据是连续的，如果您不考虑高度离散性，您可能会得到与名义性质完全不同的检验。有些假设对称。此外，特定测试的适用性可能取决于您感兴趣的精确假设 - 您可能需要一些额外的假设（或者可能需要一些不同的非参数程序）来测试您的实际假设。

我发现书籍说如果你有一个小的 n，你应该总是使用非参数测试。

对于非常小，这不一定是有用的建议，因为您可能没有可用的有用的显着性水平。在较大（但仍然很小）处，如果合适的非参数过程的假设成立，有时避免做出您的推断可能敏感的参数假设是有意义的（尽管有时可能会选择不同的、不太敏感的程序）。$n$$n$

但是我也找到了引用

哪些引用？他们实际上说了什么？

说明参数检验和非参数检验之间的选择取决于您的数据水平（李克特可以看作是名义上的）

不会。作为李克特量表一部分的单个项目至少是序数。如果您通过添加许多此类问题来构建李克特量表，那么您已经假设它是区间- 通过假设像'5'+'2' = '4'+'3'（如果你'能够添加分数并将每个“7”视为相同），每个组件项目都必须是间隔。如果它们是区间，它们的总和肯定是。

所以我应该使用参数测试。

我看不出“使用参数测试”是如何产生的。

你很少谈论你有什么样的假设（你想找出什么？）；在这种情况下可以说得更多。

样本量在这里不是问题。您只能将非参数程序（取决于特定问题 Wilcoxon 检验、秩相关、Kruskal-Wallis 检验或其他）与 Likert 量表数据一起使用，因为它们是有序量表。

参数程序使用不同级别之间的间距。但在李克特量表上，这种间隔并不提供信息：您可以用“1,2,3,4,5”编码五个级别，或者您可以在不改变信息的情况下用“1,10,20,34,100”或“ 10、杰克、王后、国王、王牌”。因此，包含此任意信息的参数测试不会产生可重复的结果（在后一种情况下根本没有）。

然而，有时，样本量是决定参数检验和非参数检验的标准。也就是说，如果您不确定一个或另一个参数检验的假设是否成立，但您的样本量很大，您可以交叉手指，通过中心极限定理，平均值近似正态分布。对于小样本量，这种近似值不太好（例如，如果您的数据呈指数分布，则需要非常大的样本量才能使 t 检验可用），因此您只能依赖非参数检验。这样，您将牺牲有关观察之间间隔的信息并仅保留它们的等级。但这比自由的参数测试要好，因为您无意中选择了错误的假设。