Gute interne Faktorstruktur, aber schlechtes Cronbach-

Ich verwende einen CFA und erhalte gute Anpassungsindizes (CFI = 0,99, RMSEA = 0,01) für eine eindimensionale Skala. Wenn ich jedoch auf interne Konsistenz teste, erhalte ich schlechte Cronbachs s ( ). Ich habe alles versucht, vom Entfernen von Ausreißern bis zum Löschen von Elementen, und habe immer noch das gleiche Problem. $\alpha$ $\alpha = .6$

Ich frage mich, ob irgendetwas in SEM zeigt, dass die Messung zuverlässig ist.

Ich weiß, dass es einige Debatten darüber gibt, ob Cronbachs (oder interne Konsistenz) überhaupt die Zuverlässigkeit misst, aber da in meinem Bereich Cronbachs als Maß für die psychometrische Güte angegeben werden muss, muss ich einen Weg finden, um interne Konsistenz als solche zu zeigen ausreichend für diese Maßnahme. $\alpha$ $\alpha$

— user1984
quelle

Sind einige der Artikel umgekehrt codiert? Haben einige Elemente eine negative Korrelation, wenn Sie sich Alpha ansehen?

— Peter Flom

Nein, keines der Elemente ist umgekehrt codiert und diese Elemente haben auch keine negative Korrelation miteinander.

— user1984

Wie viele Artikel hast du? Manchmal kann das Vorhandensein weniger Elemente (<0,5) zu einer sehr geringen internen Konsistenz führen. Was ist Ihre durchschnittliche Korrelation zwischen Elementen?

— Behacad

Es gibt 8 Artikel. Die Korrelationen zwischen den Elementen betragen .15 bis .30. Ich dachte mir, dass niedrige Korrelationen das niedrige Alpha beeinflussen, aber ich bin überrascht, dass die Belastungen im CFA zwischen 0,45 und 0,69 liegen und die Indizes für gute Anpassungen.

— user1984

Antworten:

Sie können die Zuverlässigkeit Ihrer Artikel aus dem CFA berechnen.

Berechnen Sie aus Ihrer standardisierten Lösung: (L1 + ... Lk) * 2 / [(L1 + ... Lk) * 2 + (Var (E1) + ... + Var (Ek))]

Dies ergibt die zusammengesetzte Zuverlässigkeit, die nahe an Alpha liegen sollte.

Es ist schwieriger, eine gute Passform zu haben, wenn Sie ein hohes Alpha haben, und es ist schwieriger, ein hohes Alpha zu haben, wenn Sie eine gute Passform haben. Das extreme Beispiel hierfür ist, wenn alle Elemente nicht korreliert sind - Chi-Quadrat ist Null und RMSEA ist Null, was auf eine gute Anpassung hinweist. Alpha wird aber auch Null sein, was auf eine entsetzliche Zuverlässigkeit hinweist. Das übliche Flag dafür ist ein niedriger CFI (weil das Chi-Quadrat des Nullmodells so niedrig ist), aber das haben Sie nicht. Ich habe darüber in diesem Artikel geschrieben: http://www.sciencedirect.com/science/article/pii/S0191886906003874 (was meiner Meinung nach nicht hinter einer Paywall steckt).

Sie erwähnen Ihre Ladungen in einem Kommentar (sind diese standardisiert?). Belastungen von 0,45 führen zu impliziten Korrelationen von 0,23. Wenn Ihre Belastungen also so hoch sind, sehe ich nicht, wie niedrig Ihre Korrelationen sein können, und das Modell passt immer noch. (Wie groß ist Ihre Stichprobe?)

Welchen Schätzer verwenden Sie?

— Jeremy Miles
quelle

Vielen Dank für die Referenz und die Formel. Ich habe eine Stichprobengröße von 300 unter Verwendung von unterstellten Daten und standardmäßig verwendet MPLUS den ML-Schätzer. Die standardisierten Belastungen betragen ca. 0,3 bis 0,7 und die Korrelationen zwischen den Elementen betragen 0,1 bis 0,3.

— user1984

Das klingt ungefähr richtig. Versuchen Sie MLM, MLR oder MLMV als Schätzer und sehen Sie, welche Auswirkungen dies hat. Wenn es CFI ein wenig schlechter macht, bin ich ziemlich zuversichtlich, dass Ihr Problem darin besteht, dass Sie nur eine geringe Zuverlässigkeit haben.

— Jeremy Miles

Wenn Ihr Instrument zwei oder mehr Konstrukte auswertet, ist Ihr Alpha möglicherweise niedrig. Ich rate Ihnen, ein Alpha für jede Unterskala zu schätzen.

— user86812
quelle