这取决于几件事。

一个是你的规模。除非它可以合理地被视为一个连续的量表，否则在测试中是不合适的。一些纯粹主义者认为，出于此类目的，您永远不应该将序数尺度视为连续的。

另一个可能更重要的问题是你对什么感兴趣。你想看看生活中是否有明显的改善/下降？或者您对两者之间的相关性感兴趣。例如（假设您可以将变量视为连续变量）配对 t 检验将显示平均而言人们是否认为生活更好；但是，如果您感兴趣的是“奥巴马”是否以某种方式成为决定性因素，则相关系数可能会很有用。

考虑一个在共和党人和民主党人之间平衡的高度政治党派样本，其中同意第一个声明的每个人都不同意第二个声明，反之亦然。配对的 t 统计量将完全为零，表明奥巴马没有影响 - 但现实是有很大的影响，改变谁认为生活是美好的。某种相关系数会显示这一点。

如果您想使用相关系数进行测试，您应该使用引导方法。

如果您想要一个适当的序数数据相关系数，您应该考虑多变量相关。

如果实际上您对净增加（上升或下降）感兴趣，那么如果数据足够“接近”连续，您可以假装它是连续的，那么配对 t 检验就可以了；但是@psj 建议的非参数配对测试可能会更好。

一种方法是可视化个人的变化。我不记得这种图表类型的名称，但这将是一个图表，其中对第一个问题的每个单独响应都绘制在左侧的 y 轴位置，并且每个响应都针对第二个问题绘制在右侧，用一条线连接每个人的两个数据点。通过线的斜率，我们可以直观地解释个人在反应中所做的变化。因为每个轴只有 5 个可能的值，所以许多线会重叠。为了使线条的密度明显，您可以通过将轴设为 1-500 而不是 1-5 来伪造这一点，并对每个绘图的确切位置应用随机抖动。那么它们就不会精确重叠，

一种数值方法是为每个受访者计算一个变量，显示他们在两个问题之间答案的转变方向和程度。如果有人在第一个问题上回答为 1，在第二个问题上回答为 3，那么您将计算这个变化变量为 +2。然后，您可以通过多种不同方式进行报告；例如，x、y 和 z% 的受访者对两个问题的回答更高、更低或相同；你可以给自己一个很好的堆积条形图，从+4到-4等。

鉴于彼得埃利斯的评论，我认为这些方法是有道理的，即整体群体行为掩盖了个人所做的转变，有趣的是个人转变。您可以查看具有正值、0 或负值的组，并了解它们在人口统计或政治派别方面有何不同。

我主要担心的是数据被框定为“时间 1”和“时间 2”，而事实并非如此。这是“问题1”和“问题2”。这并不是说它没有价值，它只是一种完全不同的数据收集方式，我们希望能告诉我们更多关于他们当前的正面和负面意见，以及他们目前对任何转变的看法。那还是有价值的，只是不同而已。

您的结果是成对的有序类别，因此 t 检验不合适，但McNemar 检验的概括将是合适的。阅读链接页面以了解总体思路，然后按照“相关测试”链接查找最适合您情况的测试。