Какова взаимосвязь между показателями надежности шкалы (альфа Кронбаха и т. Д.) И нагрузками компонентов / факторов?

Допустим, у меня есть набор данных с оценками по множеству пунктов вопросника, которые теоретически состоят из меньшего числа шкал, как в исследовании психологии.

Я знаю, что общий подход здесь состоит в том, чтобы проверять надежность весов, используя альфа-версию Кронбаха или что-то подобное, затем агрегировать элементы в весах, чтобы сформировать оценки по шкалам и продолжить анализ оттуда.

Но есть и факторный анализ, который может взять все ваши оценки предметов в качестве входных данных и сказать вам, какие из них образуют согласованные факторы. Вы можете понять, насколько сильны эти факторы, взглянув на нагрузки, сообщества и так далее. Для меня это звучит как то же самое, только гораздо глубже.

Даже если все ваши весы надежны, EFA может исправить вас, на каких предметах лучше всего подходят, да? Вы, вероятно, получите перекрестную загрузку, и может иметь смысл использовать производные оценки факторов, а не простые шкалы.

Если я хочу использовать эти шкалы для более позднего анализа (например, регрессии или ANOVA), должен ли я просто агрегировать шкалы, пока их надежность сохраняется? Или это что-то вроде CFA (тестирование, чтобы увидеть, являются ли весы хорошими факторами, что, кажется, измеряет то же самое, что и «надежность»).

Меня учили обоим подходам независимо друг от друга, и поэтому я действительно не знаю, как они связаны, могут ли они использоваться вместе или какой из них имеет больше смысла для какого контекста. Существует ли дерево решений для хорошей исследовательской практики в этом случае? Что-то вроде:

• Запустите CFA в соответствии с прогнозируемой шкалой

  • Если CFA показывает хорошую подгонку, рассчитайте коэффициенты и используйте их для анализа.
  • Если CFA показывает плохое соответствие, запустите EFA вместо этого и используйте исследовательский подход (или что-то в этом роде).

Являются ли факторный анализ и проверка надежности действительно отдельными подходами к одной и той же вещи, или я где-то неправильно понимаю?

Я собираюсь добавить ответ здесь, хотя вопрос был задан год назад. Большинство людей, которые обеспокоены ошибкой измерения, скажут вам, что использование коэффициентов от CFA - не лучший способ двигаться вперед. Делать CFA это хорошо. Оценка коэффициентов в порядке, если вы исправляете величину ошибки измерения, связанную с этими показателями в последующих анализах (программа SEM - лучшее место для этого).

Чтобы получить достоверность показателя фактора, вам необходимо сначала рассчитать надежность скрытой конструкции из вашего CFA (или rho):

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

Обратите внимание, что стандартная ошибка факторной оценки ^ 2 является дисперсией ошибки факторной оценки. Эту информацию можно получить в MPlus, запросив выход PLOT3 как часть вашей программы CFA.

Чтобы рассчитать общую достоверность коэффициента, вы используете следующую формулу:

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

Результирующее значение представляет собой дисперсию ошибки факторной оценки. Если вы использовали MPlus для последующих анализов, вы создаете скрытую переменную, определяемую одним элементом (факторная оценка), а затем указываете надежность факторной оценки:

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

Надеюсь, это полезно! Большим ресурсом для этой проблемы являются лекционные заметки (в частности, лекция 11) из лекций Лессы Хоффман по SEM в Университете Небраски, Линкольн. http://www.lesahoffman.com/948/