¿Cuál es la relación entre las medidas de fiabilidad de escala (alfa de Cronbach, etc.) y las cargas de componente/factor?

Question

Supongamos que tengo un conjunto de datos con puntuaciones en una serie de ítems de cuestionario, que teóricamente están compuestos por un número menor de escalas, como en la investigación en psicología.

Sé que un enfoque común aquí es verificar la confiabilidad de las escalas utilizando el alfa de Cronbach o algo similar, luego agregar los ítems en las escalas para formar puntuaciones de escala y continuar el análisis a partir de ahí.

Pero también está el análisis factorial, que puede tomar todas tus puntuaciones de ítems como entrada y decirte cuáles de ellos forman factores consistentes. Puedes tener una idea de la fuerza de estos factores al observar las cargas y comunalidades, y así sucesivamente. Para mí suena como lo mismo, solo mucho más profundo.

Incluso si todas las confiabilidades de tus escalas son buenas, un AFE podría indicarte qué ítems encajan mejor en qué escalas, ¿verdad? Probablemente obtendrás cargas cruzadas y podría tener más sentido usar puntuaciones de factores derivados que simples sumas de escalas.

Si quiero usar estas escalas para algún análisis posterior (como regresión o ANOVA), ¿debería simplemente agregar las escalas siempre que su confiabilidad se mantenga? ¿O es algo como el CFA (pruebas para ver si las escalas se mantienen como buenos factores, lo cual parece estar midiendo lo mismo que 'confiabilidad').

Me han enseñado sobre ambos enfoques de manera independiente y realmente no sé cómo se relacionan, si se pueden utilizar juntos o cuál tiene más sentido para cada contexto. ¿Hay un árbol de decisiones para una buena práctica de investigación en este caso? Algo así como:

• Ejecutar CFA según los ítems de escala predichos

  • Si el CFA muestra un buen ajuste, calcular puntajes de factor y usar esos para el análisis.
  • Si el CFA muestra un mal ajuste, ejecutar un AFE en su lugar y tomar un enfoque exploratorio (o algo así).

¿El análisis factorial y la prueba de confiabilidad son realmente enfoques separados para lo mismo, o estoy entendiendo mal en algún lugar?

Answer 1

Voy a agregar una respuesta aquí, aunque la pregunta se hizo hace un año. La mayoría de las personas preocupadas por el error de medición te dirán que usar puntuaciones factoriales de un CFA no es la mejor manera de avanzar. Hacer un CFA es bueno. Estimar puntuaciones factoriales está bien si corriges la cantidad de error de medición asociado con esas puntuaciones factoriales en análisis posteriores (un programa SEM es el mejor lugar para hacer esto).

Para obtener la fiabilidad de la puntuación factorial, primero necesitas calcular la fiabilidad de la construcción latente a partir de tu CFA (o rho):

rho =  Varianza de la puntuación factorial/(Varianza de la puntuación factorial + Error estándar de la puntuación factorial^2). 

Ten en cuenta que el error estándar de la puntuación factorial^2 es la varianza del error de la puntuación factorial. Esta información se puede obtener en MPlus solicitando la salida PLOT3 como parte de tu programa CFA.

Para calcular la fiabilidad general de la puntuación factorial, utiliza la siguiente fórmula:

(1-rho)*(Varianza de FS + Varianza de error de FS).

El valor resultante es la varianza del error de la puntuación factorial. Si estabas usando MPlus para análisis posteriores, puedes crear una variable latente definida por un único ítem (la puntuación factorial) y luego especificar la fiabilidad de la puntuación factorial:

LatentF BY FScore@1;
FScore@(valor de fiabilidad calculado de la puntuación factorial) 

¡Espero que esto sea útil! Un gran recurso para este problema son los apuntes de clase (en particular, la clase 11) del curso de SEM de Lesa Hoffman en la Universidad de Nebraska, Lincoln.