Bonne structure factorielle interne mais Cronbach médiocre ?

J'utilise un CFA et j'obtiens de bons indices d'ajustement (CFI = .99, RMSEA = .01) pour une échelle unidimensionnelle. Cependant, lorsque je teste la cohérence interne, j'obtiens les s de Cronbach pauvres ( ). J'ai tout essayé, de la suppression des valeurs aberrantes à la suppression d'éléments, et je me retrouve toujours avec le même problème. $\alpha$ $\alpha = .6$

Je me demande s'il y a quelque chose dans SEM qui montre que la mesure est fiable?

Je sais qu'il y a un débat quant à savoir si la Cronbach (ou la cohérence interne) mesure même la fiabilité, mais comme mon domaine nécessite que la Cronbach soit signalée comme une mesure de la bonté psychométrique, je dois trouver un moyen de montrer que la cohérence interne est adéquat pour cette mesure. $\alpha$ $\alpha$

sem reliability psychometrics confirmatory-factor cronbachs-alpha user1984
la source

Certains éléments sont-ils codés à l'envers? Lorsque vous regardez l'alpha, certains éléments ont-ils une corrélation négative?

Peter Flom

Non, aucun des éléments n'est codé à l'envers et ces éléments n'ont pas non plus de corrélation négative les uns avec les autres.

user1984

Combien d'articles avez-vous? Parfois, avoir peu d'éléments (<0,5) peut entraîner une très faible cohérence interne. Quelle est votre corrélation moyenne entre les articles?

Behacad

Il y a 8 éléments. Les corrélations inter-éléments sont de 0,15 à 0,30. Je pensais que de faibles corrélations conduisaient l'alpha bas mais je suis surpris de voir les charges dans le CFA allant de 0,45 à 0,69 et les bons indices d'ajustement.

user1984

Réponses:

Vous pouvez calculer la fiabilité de vos articles à partir du CFA.

À partir de votre solution standardisée, calculez: (L1 + ... Lk) * 2 / [(L1 + ... Lk) * 2 + (Var (E1) + ... + Var (Ek))]

Cela donnera la fiabilité composite, qui devrait être proche de l'alpha.

Il est plus difficile d'avoir un bon ajustement si vous avez un alpha élevé, et il est plus difficile d'avoir un alpha élevé si vous avez un bon ajustement. L'exemple extrême de ceci est si tous les éléments ne sont pas corrélés - le chi carré sera nul et RMSEA sera nul, indiquant un ajustement parfait. Mais alpha sera également nul, ce qui indique une fiabilité épouvantable. Le drapeau habituel pour cela est un faible CFI (parce que le chi carré du modèle nul est si bas), mais vous ne l'avez pas. J'ai écrit à ce sujet dans cet article: http://www.sciencedirect.com/science/article/pii/S0191886906003874 (qui, je pense, n'est pas derrière un mur payant).

Vous mentionnez vos chargements dans un commentaire (sont-ils standardisés?). Des charges de 0,45 conduisent à des corrélations implicites de 0,23, donc si vos charges sont si élevées, je ne vois pas comment vos corrélations peuvent être aussi faibles, et le modèle convient toujours. (Quelle est votre taille d'échantillon?)

Quel estimateur utilisez-vous?

Jeremy Miles
la source

Merci pour la référence et la formule. J'ai un échantillon de 300, en utilisant des données imputées et par défaut MPLUS utilise l'estimateur ML. Les charges normalisées sont de 0,3 à 0,7 environ et les corrélations inter-articles sont de 0,1 à 0,3.

user1984

Cela semble juste. Essayez MLM, MLR ou MLMV comme estimateur et voyez quel effet cela a. Si cela aggrave un peu CFI, je suis assez confiant que votre problème est que vous avez juste une faible fiabilité.

Jeremy Miles

Si votre instrument évalue deux constructions ou plus, il est possible que votre alpha soit faible. Je vous conseille d'estimer un alpha pour chaque sous-échelle.

user86812
la source