Quelle est la relation entre les mesures de fiabilité de l'échelle (alpha de Cronbach, etc.) et les charges de composant / facteur?

Disons que j'ai un ensemble de données avec des scores sur un tas d'éléments de questionnaire, qui sont théoriquement composés d'un plus petit nombre d'échelles, comme dans la recherche en psychologie.

Je sais qu'une approche courante consiste à vérifier la fiabilité des échelles en utilisant l'alpha de Cronbach ou quelque chose de similaire, puis d'agréger les éléments des échelles pour former des scores d'échelle et de poursuivre l'analyse à partir de là.

Mais il existe également une analyse factorielle, qui peut prendre toutes les notes de vos éléments en entrée et vous dire lesquels forment des facteurs cohérents. Vous pouvez avoir une idée de la force de ces facteurs en examinant les charges et les communautés, etc. Pour moi, cela ressemble au même genre de chose, mais beaucoup plus en profondeur.

Même si toutes vos fiabilités d'échelle sont bonnes, un ALE peut vous corriger sur quels articles s'intègrent mieux dans quelles échelles, non? Vous allez probablement obtenir des chargements croisés et il pourrait être plus judicieux d'utiliser des scores de facteurs dérivés que des sommes d'échelle simples.

Si je veux utiliser ces échelles pour une analyse ultérieure (comme la régression ou l'ANOVA), dois-je simplement agréger les échelles tant que leur fiabilité tient? Ou est quelque chose comme le CFA (tester pour voir si les échelles résistent comme de bons facteurs, ce qui semble mesurer la même chose que la «fiabilité»).

On m'a enseigné les deux approches indépendamment et je ne sais vraiment pas comment elles sont liées, si elles peuvent être utilisées ensemble ou laquelle a plus de sens pour quel contexte. Existe-t-il un arbre de décision pour les bonnes pratiques de recherche dans ce cas? Quelque chose comme:

• Exécuter CFA selon les éléments d'échelle prévus

  • Si le CFA montre un bon ajustement, calculez les scores des facteurs et utilisez-les pour l'analyse.
  • Si CFA montre un mauvais ajustement, exécutez l'EFA à la place et adoptez une approche exploratoire (ou quelque chose).

L'analyse factorielle et les tests de fiabilité sont-ils des approches distinctes de la même chose, ou ai-je un malentendu quelque part?

Je vais ajouter une réponse ici même si la question a été posée il y a un an. La plupart des gens qui sont préoccupés par l'erreur de mesure vous diront que l'utilisation des scores factoriels d'un CFA n'est pas la meilleure façon d'aller de l'avant. Faire un CFA, c'est bien. L'estimation des scores des facteurs est correcte tant que vous corrigez la quantité d'erreur de mesure associée à ces scores des facteurs dans les analyses ultérieures (un programme SEM est le meilleur endroit pour le faire).

Pour obtenir la fiabilité du score factoriel, vous devez d'abord calculer la fiabilité de la construction latente à partir de votre CFA (ou rho):

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

Notez que l'erreur standard du score factoriel ^ 2 est la variance d'erreur du score factoriel. Ces informations peuvent être obtenues dans MPlus en demandant la sortie PLOT3 dans le cadre de votre programme CFA.

Pour calculer la fiabilité globale du score factoriel, vous utilisez la formule suivante:

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

La valeur résultante est la variance d'erreur du score factoriel. Si vous utilisiez MPlus pour des analyses ultérieures, vous créez une variable latente définie par un seul élément (le score factoriel), puis spécifiez la fiabilité du score factoriel:

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

J'espère que cela vous sera utile! Une excellente ressource pour ce numéro sont les notes de cours (leçon 11, en particulier) de la classe SEM de Lesa Hoffman à l'Université du Nebraska, Lincoln. http://www.lesahoffman.com/948/