Я хочу понять, как лучше всего анализировать результаты онлайн-рейтинга картинок по шкале Лайкерта в 3-х измерениях. У меня 3 группы участников из разных стран. Они не равны. Я уже загрузил данные в SPSS, но теперь мне интересно, как правильно обращаться с данными.
Не зная больше, я полагаю, что вы могли бы сделать смешанный дисперсионный анализ 3 x 3 с тремя уровнями для фактора «измерение» внутри субъектов и тремя уровнями для фактора «группа» между субъектами. Все это основано на идее, что каждое измерение оценивается по одной и той же шкале.
Неравные размеры групп, как правило, не будут серьезной проблемой. Важным соображением является то, что у вас есть достаточный размер выборки в каждой группе, чтобы обеспечить разумную точность. Тем не менее, возможно, стоит подумать, если у вас неравные групповые отклонения.
Существует также довольно много дискуссий о том, можно ли анализировать шкалы Лайкерта или элементы типа Лайкерта, используя подходы линейной модели, такие как смешанный дисперсионный анализ. Возможно, вы увидите некоторые из этих обсуждений . В общем, если каждая переменная является средним значением нескольких элементов, вам следует меньше беспокоиться об использовании линейной модели. Если вы имеете дело с отдельными элементами типа Лайкерта, то в ваших p-значениях может быть небольшая неточность. Это может быть особой проблемой, если у вас есть проблемы с эффектом пола или потолка.
Рейтинговая шкала не обязательно является шкалой Лайкерта. Похоже, у вас есть один рейтинг для каждой картинки в каждом измерении, но я могу ошибаться. Для лучшего совета потребуются дополнительные подробности, и в вашем вопросе следует ответить на комментарий Аны.
Лучше всего использовать многоуровневую кумулятивную модель ссылок (многоуровневую порядковую регрессию). Вы можете включить тему и изображение в качестве случайных переменных. См. порядковый пакет в R. Виньетки будут очень полезны.
Имейте в виду, что с изображениями у вас также есть дисперсия на уровне элементов и проблемы с обобщением, с которыми сталкиваются люди, занимающиеся исследованием слов. Даже если вы можете получить достаточно хорошо выглядящие данные для своего анализа, которые удовлетворяют дисперсионному анализу, вам придется учитывать проблемы со случайными и фиксированными эффектами как для людей, так и для изображений. Многоуровневое моделирование может включать в себя и то, и другое, и позволяет избежать лоскутного одеяла , необходимого для ANOVA. Таким образом, независимо от того, есть ли у вас истинная шкала Лайкерта и удовлетворяете ли вы требованиям для непрерывной обработки ответов или вам следует обрабатывать их как порядковые данные, многоуровневое моделирование — ваш лучший выбор.
Ана
Дана Сугу