Quanti punti deve avere una scala Likert?
Questa pagina è una traduzione dell'originale inglese revisionato. Vedi l'originale (EN)
how many points likert scaleAndrzej Szymkowiak · Ultima revisione ottobre 2026

TL;DR: Il guadagno psicometrico ottenuto aggiungendo opzioni di risposta si esaurisce intorno a sei. In un confronto randomizzato di formati da 2 a 11 opzioni più una scala analogica visiva, la precisione era attenuata sotto le sei opzioni, e i formati sopra le sei non mostravano alcun vantaggio psicometrico (Simms, Zelazny, Williams, & Bernstein, 2019). Due decisioni contano più del numero: come etichetti i punti (tutti, per impostazione predefinita), e cosa significa il tuo punto medio. Un'eccezione tecnica: se le risposte entrano in una CFA o in un SEM stimati con massima verosimiglianza, sette punti sono la scelta più sicura (Rhemtulla, Brosseau-Liard, & Savalei, 2012).
Mancano due giorni al lancio di uno studio. Un coautore dice "fanne sette punti, è più sensibile." Un altro dice "cinque è lo standard nel nostro campo." Entrambe le affermazioni suonano come metodo, ma sono di solito abitudine. Questa guida copre cosa supportano le prove riguardo al numero di punti, quando il numero conta per CFA e SEM, perché le etichette fanno più lavoro del numero, come trattare il punto medio, quando i formati accordo-disaccordo danneggiano la qualità dei dati, e l'unico cambiamento che non dovresti fare a una scala pubblicata.
Prima un termine, senza pedanteria: in senso stretto, una scala Likert è la somma o la media di più item, e una singola affermazione valutata è un item di tipo Likert (Likert, 1932). Tutto ciò che segue si applica agli item che scrivi; la scala è ciò che calcoli a partire da essi.
Quanti punti dovrebbe avere una scala Likert?
Le prove recenti più solide provengono da un esperimento in cui 1.358 studenti universitari sono stati assegnati in modo casuale a completare la stessa misura di personalità usando da 2 a 11 opzioni di risposta, più una condizione analogica visiva (Simms et al., 2019). Due risultati spiccano. Sotto le sei opzioni, la precisione psicometrica era attenuata — anche se la validità di criterio non seguiva lo stesso pattern, quindi l'effetto riguarda la precisione interna, non la predizione degli esiti. Sopra le sei opzioni — incluso il formato analogico visivo quasi continuo — non c'era alcun vantaggio psicometrico.
Uno studio Monte Carlo va nella stessa direzione: nei dati simulati, l'affidabilità e la validità aumentavano fino a circa quattro categorie e guadagnavano poco oltre le sette, il che ha portato gli autori a raccomandare tra quattro e sette (Lozano, García-Cueto, & Muñiz, 2008). Poiché i dati erano simulati, leggi questo come un controllo di coerenza sul pattern, non come una prova indipendente sul campo.
Considera questo un plateau, non una legge. Le differenze sono moderate, e sono state stimate su costrutti e campioni particolari. Ciò che le prove escludono è l'affermazione che più punti significhino automaticamente più informazione. Le opzioni extra aggiungono informazione solo se i respondenti riescono a distinguere i livelli. Quando non ci riescono, le categorie extra raccolgono rumore, e quel rumore non è casuale — segue le abitudini del respondente, il che è il problema degli stili di risposta trattato più sotto.
Esistono anche prove dirette contro l'idea che "sette sia sempre meglio." Per item accordo-disaccordo in un programma di indagine su larga scala, le scale a cinque punti hanno prodotto una qualità di misura più alta rispetto alle versioni a sette e undici punti delle stesse domande (Revilla, Saris, & Krosnick, 2014). I due risultati non sono in conflitto. Simms et al. hanno misurato la precisione interna su un inventario di personalità; Revilla et al. hanno misurato la qualità dei dati MTMM su item di atteggiamento accordo-disaccordo, dove il costo di acquiescenza delle categorie extra supera il guadagno in gradazione. Fai corrispondere le prove al formato del tuo item. Se stai scegliendo gli anchor per una scala a cinque o sette punti completamente etichettata, la banca di anchor Likert in nove lingue offre formulazioni che puoi copiare e citare invece di inventare.
| Punti | Ragionevole quando | Punto di forza | Attenzione a |
|---|---|---|---|
| 4 | Vuoi una direzione forzata e il costrutto non ha un vero stato neutro | Breve, veloce, nessun punto medio in cui nascondersi | Rimuove una risposta neutra legittima; Weijters et al. (2010) sconsigliano di eliminare il punto medio "a meno che non si presentino ragioni particolari e rilevanti"; in CFA o SEM, prevedi uno stimatore categoriale |
| 5 | Predefinita per item accordo-disaccordo e campioni ad abilità mista | Facile da etichettare completamente; buone prove di qualità | Leggermente più grossolana di 6–7 per la discriminazione fine |
| 6 | Vuoi il plateau di precisione senza un punto medio | Raggiunge il punto in cui i guadagni si stabilizzano | È comunque una scelta forzata — richiede la stessa giustificazione del 4 |
| 7 | La discriminazione fine conta, oppure gli item entrano in una CFA o in un SEM stimati con massima verosimiglianza | Più varianza per piccole differenze tra gruppi; la scelta più sicura per la stima ML (Rhemtulla et al., 2012) | Più difficile etichettare tutti i punti; più risposte errate agli item a codifica inversa rispetto a una scala a 5 punti quando sono etichettati solo gli estremi |
| 10–11 | Comune per valutazioni a item singolo in grandi indagini cross-nazionali; raramente la scelta migliore per batterie di atteggiamento a più item | Sensazione familiare da "voto scolastico" in alcuni paesi | Nessun vantaggio psicometrico rispetto a 6; forti effetti delle etichette tra paesi |
| 0–100 slider / VAS | Giudizi continui come probabilità o percentuale | Sembra preciso | Nessun vantaggio misurato per gli atteggiamenti; aggiunge carico ed effetti di dispositivo |
Qualunque cosa tu scelga, mantienila costante in tutto il questionario, a meno che una scala presa in prestito non definisca il proprio formato. Mescolare blocchi a 5 e a 7 punti in un'unica indagine aggiunge una differenza di formato sopra la differenza di contenuto che vuoi davvero studiare. Se un item di valutazione non è il formato giusto per una domanda, tipi di scale nei questionari lo confronta con slider, ranking, somma costante e altri formati.
Il numero di punti conta se esegui una CFA o un SEM?
C'è un caso in cui il numero ha una conseguenza tecnica diretta: quando le risposte entrano in un'analisi fattoriale confermativa o in un modello di equazioni strutturali. La maggior parte dei software SEM usa per impostazione predefinita la massima verosimiglianza (ML), e ML tratta ogni item come una variabile continua. Un item di valutazione non è continuo. È un insieme di categorie ordinate.
Uno studio di simulazione ha confrontato ML robusta con uno stimatore costruito per categorie ordinate (categorical least squares, la famiglia che include WLSMV) su item con 2-7 categorie (Rhemtulla, Brosseau-Liard, & Savalei, 2012). Nel complesso, lo stimatore categoriale ha dato carichi fattoriali ed errori standard più accurati, soprattutto con meno di cinque categorie, e gli autori lo raccomandano sotto le cinque. Con cinque o più categorie, gli autori raccomandano ML, soprattutto quando il campione è piccolo e le categorie di risposta sono usate in modo più o meno simmetrico. Con sei o sette categorie, i due metodi hanno dato risultati simili in molte condizioni, quindi entrambi sono accettabili.
Quindi, quando il tuo risultato è un modello strutturale stimato con ML, sette punti sono la scelta più sicura. Con sei o sette categorie, ML e lo stimatore categoriale concordano in molte condizioni; con cinque, ML è la scelta raccomandata soprattutto quando il campione è piccolo e le risposte sono distribuite in modo più o meno simmetrico. Con quattro punti o meno, prevedi uno stimatore categoriale fin dall'inizio e dichiaralo nella sezione del metodo. Questo non contraddice il risultato sui cinque punti visto sopra. Revilla et al. hanno misurato la qualità dei dati di item accordo-disaccordo; Rhemtulla et al. hanno misurato quanto bene uno stimatore recupera un modello fattoriale. Scegli l'argomento che corrisponde a ciò che farai con i dati.
Una cosa che nessun numero di punti può darti sono dati normali. Gli item di valutazione sono limitati e spesso asimmetrici, e aggiungere categorie non cambia questo. Qualunque numero tu scelga, controlla le distribuzioni degli item, usa uno stimatore robusto (per esempio MLR), e riporta quale hai usato.
Perché le etichette della scala Likert contano più del numero di punti?
Se cambi una sola cosa dopo aver letto questo articolo, cambia le etichette, non il numero.
In un esperimento sul formato della scala di valutazione, l'etichettatura delle categorie di risposta influenzava l'acquiescenza, le risposte estreme, e quanto spesso i respondenti rispondevano in modo errato agli item a codifica inversa; la raccomandazione degli autori per indagini di consumo autosomministrate nella popolazione generale era una scala a cinque punti completamente etichettata (Weijters, Cabooter, & Schillewaert, 2010). Lo stesso articolo aggiunge un avvertimento: in uno studio di follow-up, le etichette solo agli estremi davano una validità di criterio leggermente migliore nei modelli di regressione. Le prove sull'affidabilità sostengono le etichette complete: aggiungere etichette verbali a tutte le categorie ha aumentato l'affidabilità test-retest, e le scale con poche categorie erano meno stabili nel tempo (Weng, 2004). Il trattamento metodologico classico è giunto alla stessa conclusione decenni prima — le scale completamente etichettate sono più affidabili e più valide di quelle etichettate solo agli estremi, perché ogni respondente legge lo stesso significato in ogni categoria (Krosnick & Fabrigar, 1997).
L'etichettatura completa è quindi l'impostazione predefinita più sicura, soprattutto quando riporti medie o percentuali. Quando il tuo esito è un modello strutturale, o quando la maggior parte dei respondenti risponde da telefono, dove una riga di sette etichette lunghe è difficile da leggere (una ragione pratica, non testata), etichettare solo gli estremi e il punto medio è un'opzione difendibile. La prova più vicina è lo studio di follow-up citato sopra, che ha confrontato le etichette solo agli estremi con le etichette complete; un punto medio etichettato non faceva parte di quel test, quindi considera questo formato un'estensione pratica del risultato, non un risultato testato. Il costo è reale: meno etichette abbassano l'affidabilità test-retest (Weng, 2004) e lasciano più spazio agli stili di risposta, quindi dichiara la scelta e la ragione nella sezione del metodo.
La ragione è semplice. Su una scala etichettata solo agli estremi, solo le posizioni 1 e 7 hanno un significato fisso. Tutto ciò che sta in mezzo è lasciato al respondente, quindi "5" può significare accordo lieve per una persona e accordo forte per un'altra. Questo è un errore di misura che hai introdotto tu stesso. Anche la familiarità con la formulazione delle etichette conta: i respondenti spostano le loro risposte a seconda di quanto le etichette delle categorie suonino loro familiari (Weijters, Geuens, & Baumgartner, 2013), il che è un motivo in più per usare una formulazione presa da una fonte pubblicata invece di una traduzione improvvisata.
Ne conseguono tre regole pratiche. Per impostazione predefinita, etichetta ogni punto con una parola, non solo gli estremi; se etichetti solo gli estremi e il punto medio, fallo per una ragione dichiarata. Mantieni gli anchor simmetrici, così che la distanza implicita tra "in disaccordo" e "del tutto in disaccordo" rispecchi il lato positivo. Mantieni il continuum unidimensionale — una scala non deve passare dalla frequenza all'intensità a metà strada. Per saperne di più sulla formulazione degli item stessa, vedi la guida a come scrivere buone domande di indagine.
Cosa significa davvero il punto medio di una scala Likert?
La discussione sull'includere un punto medio di solito si arena perché le due parti intendono cose diverse. Un punto medio può portare almeno tre significati:
L'ambivalenza significa che il respondente ha sia opinioni positive sia negative allo stesso tempo e, in bilancio, si colloca nel mezzo. L'indifferenza significa che il respondente non ha alcuna sensazione in nessuna delle due direzioni. "Non so" significa che il respondente non ha alcuna base per rispondere. Questi sono stati diversi, e solo i primi due appartengono al continuum di risposta.
Questo dà una regola decisionale che riguarda il tuo costrutto, non i tuoi gusti. Se la neutralità genuina è uno stato possibile dell'attitudine che stai misurando, includi un punto medio ed etichettalo con precisione ("Né d'accordo né in disaccordo", non "Neutro" o "Nessuna opinione"). Se la neutralità non è uno stato significativo — per esempio, una scelta comportamentale che deve andare in una direzione — un numero pari di punti è difendibile, e lo dici nella sezione metodo. Rimuovere il punto medio per "costringere le persone a schierarsi" non è una ragione valida; trasforma una vera risposta neutra in una direzione inventata.
Tieni "Non so" e "Non applicabile" fuori dal continuum di valutazione. Mettili come opzione separata fuori dalla scala, e codificali come mancanti invece che come punteggio centrale. Un respondente che non può giudicare non è un respondente neutro, e mediare i due in un unico numero è un errore di misura che non puoi annullare in fase di analisi.
Accordo-disaccordo o opzioni di risposta specifiche per item?
Il numero di punti è una questione minore rispetto al formato stesso. Gli item accordo-disaccordo sono comodi — un'unica scala di risposta per tutta la batteria — ma invitano all'acquiescenza, la tendenza ad essere d'accordo a prescindere dal contenuto. I formati specifici per item sostituiscono la scala di accordo con opzioni su misura per la domanda ("Quanto sei soddisfatto del tempo di consegna?" con risposta da per niente soddisfatto a estremamente soddisfatto).
Un esperimento multitratto-multimetodo che ha confrontato i due formati ha rilevato una qualità di misura chiaramente più bassa per le domande accordo-disaccordo rispetto a quelle specifiche per item comparabili (Saris, Revilla, Krosnick, & Shaeffer, 2010). Le prove di eye-tracking vanno nella stessa direzione, anche se per una ragione diversa: i respondenti passano più tempo sulle categorie di risposta specifiche per item che su quelle accordo-disaccordo, mentre gli stem delle domande richiedono lo stesso sforzo. Gli autori interpretano questo come un'elaborazione più attenta delle categorie su misura, e quindi come una via probabile verso risposte più ponderate (Höhne & Lenzner, 2018).
La conseguenza pratica non è "non usare mai accordo-disaccordo." La maggior parte delle scale pubblicate nella ricerca sui consumatori è scritta in quel formato, e riscriverle rompe la comparabilità. Ma quando scrivi tu stesso nuovi item, la formulazione specifica per item è l'impostazione predefinita migliore, ed è utile dirlo quando un revisore chiede perché la tua batteria non è un'unica griglia uniforme.
Dovresti cambiare i punti di una scala validata?
Questo è l'avvertimento che ti risparmia più guai. Se prendi una scala pubblicata, mantieni il suo formato di risposta.
Cambiare una scala pubblicata a sette punti in una a cinque perché preferisci cinque ti costa il confronto con tutto ciò che è stato pubblicato prima di te. Le medie e i cut-off degli studi originali non si applicano più. Le prove di affidabilità e validità riportate sono state raccolte sotto il formato originale, e il formato influenza dimostrabilmente gli stili di risposta e le distribuzioni. I revisori delle riviste con forte enfasi sulla misurazione se ne accorgono, ed è un commento difficile a cui rispondere dopo che i dati sono già stati raccolti.
Se devi cambiare il formato — per esempio, perché la tua piattaforma o i tuoi altri blocchi impongono una scala — fai due cose. Giustifica il cambiamento nella sezione metodo, e elencalo come limite. Poi verifica che il modello di misura si comporti ancora bene: esegui l'affidabilità e l'analisi fattoriale sui tuoi dati invece di citare i numeri dell'articolo originale. Quando riporti l'affidabilità, aggiungi la composite reliability o il McDonald's omega accanto all'alpha. L'alpha presuppone che tutti gli item misurino il tratto ugualmente bene, e sottostima o sovrastima l'affidabilità quando non è così; inoltre sale con il numero di item, quindi una scala lunga può sembrare migliore di quanto sia. Vedi come viene calcolata l'affidabilità.
Un'altra distinzione decide la forma della scala prima ancora del numero. Un costrutto bipolare va da un vero polo negativo attraverso un centro fino a un polo positivo (in disaccordo ↔ d'accordo, insoddisfatto ↔ soddisfatto) e richiede una scala simmetrica con un punto medio opzionale. Un costrutto unipolare va da zero verso l'alto (importanza, frequenza, intensità) e richiede una scala ancorata a "per niente" senza metà negativa. Mettere un costrutto unipolare su una scala bipolare crea opzioni di risposta che non possono verificarsi. La libreria di scale mostra il formato originale per ogni costrutto, inclusi i formati di risposta usati in SERVQUAL e in TAM perceived usefulness; come trovare una scala validata copre la ricerca vera e propria.
Stili di risposta tra paesi e lingue
Se il tuo studio si svolge in più di una lingua, la decisione sul formato diventa una decisione sulla comparabilità. I respondenti differiscono nel modo in cui usano le scale di valutazione — alcuni gruppi favoriscono gli estremi, alcuni li evitano, alcuni sono d'accordo più facilmente — e questi stili di risposta differiscono sistematicamente tra i paesi, indipendentemente dal costrutto misurato (Baumgartner & Steenkamp, 2001). Due di queste abitudini, le risposte estreme e l'acquiescenza, sono esattamente quelle influenzate dal numero di punti e dal formato delle etichette (Weijters et al., 2010).
Ne conseguono due cose. Usa lo stesso numero di punti e la stessa logica di etichettatura in ogni versione linguistica. Per gli anchor di accordo, prendi la formulazione da una fonte pubblicata, come i questionari nazionali dell'European Social Survey, invece di tradurla tu stesso. Per gli anchor specifici per item di solito non esiste un set pubblicato, quindi traducili in avanti, fai tradurre all'indietro da un traduttore indipendente, e risolvi le differenze in una revisione bilingue (Brislin, 1970). Poi testa l'invarianza di misura — configurale, metrica e scalare — prima di confrontare le medie tra gruppi linguistici. Un questionario tradotto non è automaticamente un questionario equivalente, e una differenza di media tra paesi può derivare dalla scala invece che dall'attitudine.
Un esempio pratico
Uno studio su un servizio di spesa online, condotto in inglese e in polacco, misura l'utilità percepita (presa in prestito dal TAM), la soddisfazione (una scala pubblicata) e due nuovi item sull'accettabilità del tempo di consegna.
Le scale prese in prestito mantengono i loro formati originali. L'utilità percepita resta sul suo formato pubblicato accordo-disaccordo a sette punti con i suoi anchor originali; la scala di soddisfazione mantiene il proprio. Nessuna delle due viene riscalata per corrispondere all'altra, e la sezione metodo lo dichiara.
I due nuovi item sono scritti in forma specifica per item invece che accordo-disaccordo, su una scala a cinque punti completamente etichettata: per niente accettabile, poco accettabile, moderatamente accettabile, molto accettabile, completamente accettabile. Questo è un costrutto unipolare — non c'è metà negativa sotto "per niente" — quindi non c'è alcun punto medio da interpretare. Un'opzione separata "Non ho ancora usato la consegna" sta fuori dalla scala di risposta ed è codificata come mancante.
La versione polacca usa lo stesso numero di punti e la stessa logica di etichettatura. Dove esiste una versione polacca pubblicata di una scala presa in prestito, i suoi item e anchor sono usati come pubblicati. Gli anchor di accettabilità specifici per item non hanno un set polacco pubblicato, quindi sono tradotti in avanti e all'indietro da due traduttori e controllati da un revisore bilingue. Prima di confrontare i due gruppi linguistici, l'analisi testa l'invarianza configurale, metrica e scalare per l'utilità percepita e la soddisfazione e ne riporta il risultato; i due item di accettabilità sono troppo pochi per un fattore separato, quindi sono confrontati item per item e riportati come item singoli. Questi test sono modelli CFA con uno stimatore robusto (MLR). Gli item di utilità a sette punti stanno nell'intervallo in cui ML funziona bene; per gli item di soddisfazione a cinque punti, l'analisi controlla prima che le risposte siano distribuite in modo più o meno simmetrico e passa a uno stimatore categoriale (WLSMV) se non lo sono (Rhemtulla et al., 2012).
Una frase della sezione metodo da adattare:
L'utilità percepita e la soddisfazione sono state misurate con gli item originali pubblicati e i loro formati di risposta originali (rispettivamente a sette e cinque punti). I due item sull'accettabilità della consegna hanno usato una scala specifica per item a cinque punti completamente etichettata (da per niente accettabile a completamente accettabile) con un'opzione separata di non applicabilità codificata come mancante. Formati di risposta identici sono stati usati in entrambe le versioni linguistiche; gli anchor senza una versione polacca pubblicata sono stati tradotti con traduzione in avanti e all'indietro. L'invarianza scalare è stata testata prima di confrontare le medie dei gruppi.
Errori comuni da evitare
- Riscalare una scala pubblicata da sette punti a cinque (o viceversa) per comodità — perdi la comparabilità con la letteratura e con le norme riportate.
- Etichettare solo gli estremi (o solo gli estremi e il punto medio) senza una ragione dichiarata, il che lascia le categorie centrali all'interpretazione.
- Mescolare il numero di punti tra blocchi dello stesso questionario senza una ragione.
- Mettere "Non so" o "Non applicabile" dentro la scala di valutazione, oppure aggiungere o togliere un punto medio senza decidere se la neutralità è uno stato reale del tuo costrutto.
- Usare la semplice ML in CFA o SEM su item con quattro punti o meno, dove uno stimatore categoriale è la scelta migliore.
- Assumere che un set di anchor tradotto sia equivalente — testa l'invarianza di misura prima di confrontare i paesi.
Domande frequenti
Quanti punti dovrebbe avere una scala Likert?
Da cinque a sette per la maggior parte degli item di atteggiamento, con il guadagno psicometrico che si stabilizza intorno a sei opzioni (Simms et al., 2019). Sotto le sei perdi precisione interna; sopra le sei aggiungi principalmente carico. Etichetta ogni punto per impostazione predefinita, e mantieni lo stesso formato in tutto il questionario.
È meglio una scala Likert a 5 o a 7 punti?
Nessuna delle due è migliore in generale. Cinque punti sono più facili da etichettare completamente e hanno prodotto una qualità di misura più alta per gli item accordo-disaccordo in un grande confronto (Revilla et al., 2014). Sette punti sono la scelta più sicura quando le risposte entrano in una CFA o in un SEM stimati con massima verosimiglianza, perché ML tratta gli item come continui e i suoi risultati sono più robusti con più categorie (Rhemtulla et al., 2012). Decidi in base a ciò che farai con i dati, poi mantieni la scelta costante.
Una scala Likert dovrebbe includere un punto medio?
Includine uno se la neutralità genuina o l'ambivalenza è uno stato possibile dell'attitudine, ed etichettalo "Né d'accordo né in disaccordo". Usa un numero pari di punti solo quando una posizione neutra non è significativa per il tuo costrutto, e giustificalo nella sezione metodo. Tieni "Non so" come opzione separata fuori dalla scala.
Devo etichettare ogni punto della scala?
È la cosa singola più utile che puoi fare, con un compromesso da conoscere. Le scale completamente etichettate producono risposte meno estreme e molte meno risposte errate agli item a codifica inversa rispetto alle etichette solo agli estremi, perché ogni respondente legge lo stesso significato in ogni categoria. Producono anche un accordo complessivo leggermente maggiore — le etichette più chiare rafforzano un bias di positività — quindi tratta i livelli assoluti di accordo come dipendenti dal formato (Weijters et al., 2010; Krosnick & Fabrigar, 1997). Se il tuo esito è un modello strutturale o la maggior parte dei respondenti risponde da telefono, etichettare gli estremi e il punto medio è un'opzione difendibile, anche se lo studio alla base ha testato solo le etichette agli estremi; indica la ragione nella sezione del metodo.
Explonia può gestire formati di scala diversi in uno stesso studio?
Sì. Ogni blocco di valutazione imposta il proprio numero di punti e le proprie etichette, così una scala presa in prestito a sette punti e un nuovo blocco specifico per item a cinque punti possono convivere nello stesso questionario con i loro formati originali intatti. Puoi visualizzare l'anteprima di ogni blocco come lo vedrà un respondente nella galleria di esempi.
References
Baumgartner, H., & Steenkamp, J.-B. E. M. (2001). Response styles in marketing research: A cross-national investigation. Journal of Marketing Research, 38(2), 143–156. https://doi.org/10.1509/jmkr.38.2.143.18840
Brislin, R. W. (1970). Back-translation for cross-cultural research. Journal of Cross-Cultural Psychology, 1(3), 185–216. https://doi.org/10.1177/135910457000100301
Höhne, J. K., & Lenzner, T. (2018). New insights on the cognitive processing of agree/disagree and item-specific questions. Journal of Survey Statistics and Methodology, 6(3), 401–417. https://doi.org/10.1093/jssam/smx028
Krosnick, J. A., & Fabrigar, L. R. (1997). Designing rating scales for effective measurement in surveys. In L. Lyberg, P. Biemer, M. Collins, E. de Leeuw, C. Dippo, N. Schwarz, & D. Trewin (Eds.), Survey measurement and process quality (pp. 141–164). Wiley. https://doi.org/10.1002/9781118490013.ch6
Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 22(140), 1–55. (Original monograph; no DOI was assigned.)
Lozano, L. M., García-Cueto, E., & Muñiz, J. (2008). Effect of the number of response categories on the reliability and validity of rating scales. Methodology, 4(2), 73–79. https://doi.org/10.1027/1614-2241.4.2.73
Revilla, M. A., Saris, W. E., & Krosnick, J. A. (2014). Choosing the number of categories in agree–disagree scales. Sociological Methods & Research, 43(1), 73–97. https://doi.org/10.1177/0049124113509605
Rhemtulla, M., Brosseau-Liard, P. É., & Savalei, V. (2012). When can categorical variables be treated as continuous? A comparison of robust continuous and categorical SEM estimation methods under suboptimal conditions. Psychological Methods, 17(3), 354–373. https://doi.org/10.1037/a0029315
Saris, W. E., Revilla, M., Krosnick, J. A., & Shaeffer, E. M. (2010). Comparing questions with agree/disagree response options to questions with item-specific response options. Survey Research Methods, 4(1), 61–79. https://doi.org/10.18148/srm/2010.v4i1.2682
Simms, L. J., Zelazny, K., Williams, T. F., & Bernstein, L. (2019). Does the number of response options matter? Psychometric perspectives using personality questionnaire data. Psychological Assessment, 31(4), 557–566. https://doi.org/10.1037/pas0000648
Weijters, B., Cabooter, E., & Schillewaert, N. (2010). The effect of rating scale format on response styles: The number of response categories and response category labels. International Journal of Research in Marketing, 27(3), 236–247. https://doi.org/10.1016/j.ijresmar.2010.02.004
Weijters, B., Geuens, M., & Baumgartner, H. (2013). The effect of familiarity with the response category labels on item response to Likert scales. Journal of Consumer Research, 40(2), 368–381. https://doi.org/10.1086/670394
Weng, L.-J. (2004). Impact of the number of response categories and anchor labels on coefficient alpha and test-retest reliability. Educational and Psychological Measurement, 64(6), 956–972. https://doi.org/10.1177/0013164404268674
Come Explonia fa questo per te
Ogni blocco di valutazione in Explonia imposta il proprio numero di punti e le proprie etichette, così una scala presa in prestito mantiene il formato con cui è stata validata invece di essere piegata per adattarsi al resto del tuo questionario. La libreria di circa 370 scale validate — disponibile dal piano Academic — memorizza ogni scala con la sua fonte e il suo DOI, così parti dalla formulazione pubblicata e dal formato di risposta pubblicato invece di ricostruire entrambi a memoria. Più di una dozzina di tipi di domanda coprono il resto del questionario, e l'affidabilità, l'analisi fattoriale e l'invarianza di misura girano sugli stessi dati nella stessa scheda del browser. La funzione "Article description" scrive la bozza del paragrafo dei risultati a partire dal tuo output — tu resti l'autore e modifichi ogni parola. Se stai ancora scegliendo il tuo strumento, parti dalla libreria di scale; se il tuo questionario combina più strumenti in un'unica sessione, la guida al common method bias copre la variazione del formato di risposta raccomandata da questo articolo.
Pronto a costruire una scala che puoi difendere? Mantieni ogni scala pubblicata nel suo formato originale, etichetta ogni punto per impostazione predefinita, ed esegui i controlli di misura sui tuoi dati. Inizia gratis →
Come citare questo articolo
Se questo articolo ha aiutato la tua ricerca, puoi citarlo (APA 7):
Szymkowiak, A. (2026). Quanti punti deve avere una scala Likert?. Explonia. https://explonia.com/it/blog/likert-scale-how-many-points/
Last updated: ottobre 2026
Conduci tutto il tuo studio in un unico posto
Progettalo, raccogli i dati ed esegui veri CFA e SEM sui tuoi dati — con una bozza di paragrafo APA che puoi modificare. Inizia gratis.
Inizia gratis