熟悉又陌生的李克特量表

李克特量表(Likert scale)是量表界最為喜聞樂見的形式，這名字你可能沒聽過，但你絕對見過，還回答過，甚至使用過。

李克特問題的例子：是不是很熟悉

1，李克特量表是美國社會心理學家Rensis Likert於1932年發明的

該量表由多個題目組成，用戶需要對某一話題的同意程度進行評分，比如客戶滿意度，易用性，產品忠誠度。每一題選項的標準措辭是從「非常不同意」到「非常同意」，中間會有個中立選項：非常不同意，不同意，一般，同意，非常同意。

李克特先生

2，李克特量表是一種評分加總式量表

李克特量表在數據分析時，一般會給每一題的選項選擇賦值，非常不同意=1，不同意=2，一般=3，同意=4，非常同意=5，當然要賦值0-4也是可以的。

按照應用統計學，李克特量表數據的類型是順序數據，統計上應該用中位數和眾數進行分析，而不能使用平均數，也有不少學者認為可以使用平均數，這一點還存有爭議。我本人認可對李克特量表使用平均數和參數檢驗：在應用領域做決策，我們只需知道哪個更好就行了，其採用參數檢驗帶來的統計誤差也很小，很多時候可以忽略不計。

3，李克特問題選項數通常是5個

一般而言我們會採用標準的五點式量表：非常不同意，不同意，一般，同意，非常同意，共5個選項，有時候也會使用7點評分，6點評分（沒有中立選項，強迫表態），只是在後期處理數據上會非常麻煩罷了。

只有一道題目的量表不叫李克特量表，李克特量表是多個題目的加總。

4，李克特量表產生的是順序數據

李克特數據是離散數據，但平時大家會默許他是連續數據，以計算平均數，標準差，置信區間。

這裡插播一段統計數據類型的介紹哦

在統計學中，數據主要分為四種類型：稱名數據，順序數據，等距數據，等比數據。不同的數據類型適用不同的統計分析方法。

稱名數據（Nominal）：名義級數據，數據的最低級，表示個體在屬性上的特徵或類別上不同，沒有次序關係，僅僅是一種區分不同類別的標籤。比如：人的性別可以分為男和女，我們在編碼上用1代表男，2代表女，這個1和2就是稱名數據，拿來加減乘除是沒有意義的。

順序數據（Ordinal）：用數字表示個體在某個有序狀態中所處的位置，不能做四則運算。我們這裡的李克特量表數據就是順序數據，其他例子包括學歷：如果1代表初中，2代表高中，3代表學士，4代表碩士，這裡的1，2，3，4隻代表碩士比高中教育程度高，但他們之間沒有精確的差值，4-2不代表任何的意義

等距數據（Interval）:具有間距特徵的變量，有單位，沒有絕對零點，可以做加減運算，不能做乘除運算。例如，溫度。你可以說36℃比18℃高了18℃，但不能說36℃是18℃的兩倍。

等比數據（Ratio）:數據的最高級，既有測量單位，也有絕對零點，例如存款，身高等，數據既有單位，也能進行加減乘除。我們可以說大樹點了10杯半玖拾，萬裡點了2杯，大樹點的數量是萬裡的5倍。

在分析李克特量表數據時，使用了平均數也沒什麼不妥，因為很多學者也是這麼分析的，但是在下結論的時候避免這樣的陳述：「客戶滿意度提升了兩倍」，因為這個數據並非是等比數據。有時候我們會使用Rasch模型，logit轉換，將順序數據轉換成等距數據，這樣就可以使用統計檢驗力更高的參數檢驗了。

5，Likert的發音

Likert的正確發音是LICK-ert（李克特），但好多老外都喜歡念成LIKE-ert（萊克特），因為念起來好像更有意思，LIKE，喜歡啊，這個量表就是測量用戶喜不喜歡嘛，所以很多人都任性的稱他為LIKE-ert。

是lick還是like，你們問過ert的感受嗎？

李克特量表因其設計方便，可以測量態度等複雜心理，被廣泛應用於市場研究中，實際應用的量表信度也非常不錯。

李克特量表常被用於了解不同態度間誰高誰低，但無法涉及態度的結構差異。