Welche Beziehung besteht zwischen Skalenzuverlässigkeitsmessungen (Cronbachs Alpha usw.) und Komponenten- / Faktorladungen?

Angenommen, ich habe einen Datensatz mit Bewertungen für eine Reihe von Fragebogenelementen, die theoretisch aus einer kleineren Anzahl von Skalen bestehen, wie in der Psychologieforschung.

Ich weiß, dass ein gängiger Ansatz darin besteht, die Zuverlässigkeit der Skalen mit Cronbachs Alpha oder ähnlichem zu überprüfen, dann die Elemente in den Skalen zu Skalenwerten zusammenzufassen und die Analyse von dort aus fortzusetzen.

Es gibt aber auch eine Faktorenanalyse, bei der alle Ihre Artikelbewertungen als Eingabe verwendet werden können, um festzustellen, welche davon konsistente Faktoren bilden. Sie können sich ein Bild davon machen, wie stark diese Faktoren sind, indem Sie sich Ladungen und Kommunalitäten usw. ansehen. Für mich klingt das nach der gleichen Sache, nur viel tiefer.

Selbst wenn alle Ihre Skalenzuverlässigkeiten gut sind, kann eine EFA Sie korrigieren, welche Elemente besser in welche Skalen passen, oder? Sie werden wahrscheinlich Querladungen erhalten, und es ist möglicherweise sinnvoller, abgeleitete Faktorwerte als einfache Skalensummen zu verwenden.

Wenn ich diese Skalen für spätere Analysen (wie Regression oder ANOVA) verwenden möchte, sollte ich die Skalen nur aggregieren, solange ihre Zuverlässigkeit erhalten bleibt? Oder ist so etwas wie CFA (Testen, ob die Skalen als gute Faktoren gelten, was anscheinend dasselbe wie „Zuverlässigkeit“ misst).

Ich habe beide Ansätze unabhängig voneinander gelernt und weiß daher nicht, wie sie zusammenhängen, ob sie zusammen verwendet werden können oder welcher für welchen Kontext sinnvoller ist. Gibt es in diesem Fall einen Entscheidungsbaum für eine gute Forschungspraxis? So etwas wie:

• Führen Sie CFA gemäß den vorhergesagten Skalenelementen aus

  • Wenn CFA eine gute Anpassung aufweist, berechnen Sie die Faktorwerte und verwenden Sie diese für die Analyse.
  • Wenn CFA eine schlechte Passform aufweist, führen Sie stattdessen EFA aus und gehen Sie explorativ vor (oder so).

Sind Faktorenanalyse und Zuverlässigkeitstests tatsächlich getrennte Ansätze für dasselbe, oder verstehe ich irgendwo etwas falsch?

Ich werde hier eine Antwort hinzufügen, obwohl die Frage vor einem Jahr gestellt wurde. Die meisten Leute, die sich mit Messfehlern befassen, werden Ihnen sagen, dass die Verwendung von Faktorwerten aus einem CFA nicht der beste Weg ist, um vorwärts zu kommen. Ein CFA zu machen ist gut. Das Schätzen von Faktorwerten ist in Ordnung , solange Sie den mit diesen Faktorwerten verbundenen Messfehler in nachfolgenden Analysen korrigieren (ein SEM-Programm ist der beste Ort, um dies zu tun).

Um die Zuverlässigkeit des Faktor-Scores zu erhalten, müssen Sie zuerst die Zuverlässigkeit des latenten Konstrukts aus Ihrem CFA (oder Rho) berechnen:

rho =  Factor score variance/(Factor score variance + Factor score standard
error^2). 

Beachten Sie, dass der Standardfehler ^ 2 der Faktorbewertung die Fehlervarianz der Faktorbewertung ist. Diese Informationen können in MPlus abgerufen werden, indem Sie die PLOT3-Ausgabe als Teil Ihres CFA-Programms anfordern.

Um die Gesamtzuverlässigkeit der Faktorbewertung zu berechnen, verwenden Sie die folgende Formel:

(1-rho)*(FS variance+FS error variance).

Der resultierende Wert ist die Fehlervarianz der Faktorbewertung. Wenn Sie MPlus für nachfolgende Analysen verwendet haben, erstellen Sie eine latente Variable, die durch ein einzelnes Element (die Faktorbewertung) definiert ist, und geben dann die Zuverlässigkeit der Faktorbewertung an:

LatentF BY FScore@1;
FScore@(calculated reliability value of factor score) 

Hoffe das ist hilfreich! Eine großartige Quelle für diese Ausgabe sind die Vorlesungsunterlagen (insbesondere Vorlesung 11) aus Lesa Hoffmans SEM-Klasse an der Universität von Nebraska, Lincoln. http://www.lesahoffman.com/948/