• Articles
• admin

• Cronbachin Alfa – nopea määritelmä
• SPSS Cronbachin Alfa-Lähtö
• korota Cronbachin Alfa poistamalla kohteita
• Cronbachin alfa on negatiivinen
• on myös harvoja tapauksia (N = 0) analyysille
• apa raportoi cronbachin alfasta

Johdanto

psykologian tiedekunta haluaa tutkia persoonallisuustestin luotettavuutta. Heillä on siis n = 90 opiskelijan otos, joka täyttää sen. Näin kerätyt tiedot ovat big-5: ssä.sav, osittain alla.

kuten muuttujan nimet ehdottivat, testimme yrittää mitata ”big 5” – persoonallisuuden piirteitä. Muiden datatiedostojen kohdalla käytetään usein tekijäanalyysia, jonka avulla selvitetään, mitkä muuttujat mittaavat mitäkin osamittoja.

joka tapauksessa. Tärkein tutkimuskysymyksemme on: mitkä ovat reliabiliteetit näille cronbachin alfan osoittamille 5: lle alikalesalle? Mikä on cronbachin alfa?

Cronbachin Alfanopeusmääritelmä

Cronbachâ € ™s alpha on se, missä määrin 2(+)
muuttujan summa mittaa yhtä taustalla olevaa ominaisuutta.Tarkemmin cronbachin alfa on se osuus tällaisen summapisteen varianssista, joka voidaan selittää yhdellä ominaisuudella. Toisin sanoen se, missä määrin summamitali mittaa luotettavasti jotain ja (näin) missä määrin joukko kohteita mittaa johdonmukaisesti ”samaa asiaa”.

Cronbachin alfa tunnetaan siksi luotettavuuden tai sisäisen johdonmukaisuuden mittana. Yleisin nyrkkisääntö sille on, että

• Cronbachin alfa ≥ 0, 80 on hyvä ja
• Cronbachin alfa ≈ 0, 70 voi olla tai ei vain hyväksyttävä.

SPSS Reliability dialogit

SPSS: ssä saamme Cronbachin alfan analysoimalla asteikko Luotettavuusanalyysi… kuten alla.

analysoidaksemme ensimmäisen alikielen, agreeableness, täytämme dialogit alla esitetyllä tavalla.

pastan klikkaaminen johtaa alla olevaan syntaksiin. Tehdään se.

SPSS Cronbachin Alfalähtö i

luotettavuuden vuoksi SPSS tarjoaa vain listavisioivaa puuttuvien arvojen poissulkemista: kaikki tulokset perustuvat vain n = 85 tapaukseen, joilla on nolla puuttuvaa arvoa 5 analyysimuuttujallamme tai ”kohteellamme”.
Cronbachin alfa = 0,894. Cronbachin Alfan voi yleensä jättää huomiotta standardoitujen kohteiden perusteella: muuttujien standardointi z-pisteiksi ennen asteikon pisteytysten laskemista on harvoin-jos koskaan – tehty.
lopulta muuttujan jättäminen (ala)asteikon ulkopuolelle voi lisätä Cronbachin alfaa. Tämä ei pidä paikkaansa tässä taulukossa: jokaisen kohteen kohdalla Cronbachin Alfa jos kohde poistettu on pienempi kuin α = 0,894 Kaikkien 5 kohteen perusteella.

suoritamme nyt täsmälleen saman analyysin toisesta alaluokastamme, tunnollisuudesta. Näin tuloksena syntaksi alla.

korota Cronbachin alfaa poistamalla kohteita

tunnollisuusalasesta, Cronbachin alfa = 0,658, mikä on melko huono. Huomaa kuitenkin, että Cronbachin Alfa jos kohta poistettu = 0,726 sekä consc02 että consc04.

koska jommankumman kohteen poistamisen pitäisi johtaa α ≈ 0, 726, Emme ole varmoja kumpi tulisi poistaa ensin. Kaksi tapaa selvittää asia on

• kymmenysten lisääminen tai (parempi)
• taulukon lajitteleminen sen viimeisen sarakkeen mukaan.

kuten varmaan näit, teimme jo molemmat seuraavilla lähdön MUOKKAUSKOMENNOILLA:

on käynyt ilmi, että consc04: n poistaminen lisää alfaa hieman enemmän kuin consc02. Ensisijainen tapa tehdä niin on yksinkertaisesti kopioida edellinen luotettavuus komento, poistaa consc04 siitä ja uudelleen.

tämän jälkeen cronbachin alfa = 0,724. Se ei ole aivan ennustettu 0,726, koska consc04: n poistaminen kasvattaa otoskokoa N = 84: ään. Huomaa, että voimme nostaa α: n vielä 0,814: ään poistamalla myös consc02: n. Alla oleva syntaksi tekee juuri niin.

huomaa, että Cronbachin alfa = 0,814, jos laskemme tunnollisuutemme subscale summaksi tai keskiarvoksi yli conscention01, consc03 ja consc05. Koska se ei haittaa, tämä alamäki on ohi.

edetään seuraavaan alalajiin: ekstraversio. Teemme sen suorittamalla täsmälleen saman analyysin ekstra01: stä extra05: een, mikä johtaa alla olevaan syntaksiin.

Cronbachin alfa on negatiivinen

kuten alla on esitetty, cronbachin alpha = -0,663 ekstraversion alikielelle. Tämä merkitsee sitä, että jotkin erien väliset korrelaatiot ovat negatiivisia (toinen taulukko alla).

kaikki ekstraversion kohteet on koodattu samalla tavalla: niissä on identtiset arvomerkinnät, joten se ei ole ongelma. Ongelmana on, että jotkut kohteet mittaavat päinvastainen muiden kohteiden kuten alla.

ratkaisu on yksinkertaisesti kääntää tällaisten ”negatiivisten kohteiden” koodi: koodaamme nämä 2 kohdetta uudelleen ja säädämme niiden arvoa/muuttujan nimikkeitä alla olevalla syntaksilla.

täysin saman luotettavuusanalyysin uusiminen kuin aikaisempi nyt johtaa siihen, että cronbachin alpha = 0,857 ekstraversion osalle.

edetään siis neurotiikan alalajilla. Alla oleva syntaksi suorittaa oletusluotettavuusanalyysin neur01: stä neur05: een.

tapauksia (N = 0) on liian vähän analysoitavaksi

huomaa, että viimeinen komento ei johda mihinkään hyödyllisiin taulukoihin. Saamme vain varoitus alla.

3 todennäköisintä syytä tälle ongelmalle on se, että

• yksi tai useampi muuttuja sisältää vain puuttuvia arvoja;
• virheellinen suodatin suodattaa kaikki aineistossa olevat tapaukset;
• puuttuvat arvot ovat hajallaan lukuisissa analyysimuuttujissa.

erittäin nopea tapa selvittää se on suorittaa minimaalinen DESCRIPTIVES-komento indescriptives neur01: stä neur05: een.Näin tehdessämme opimme, että jokaisella muuttujalla on n ≥ 67, mutta voimassa N (listwise) = 0.

so what we really want here, is to use pairwise exclusion of missing values. Jostain tyhmästä syystä se ei kuulu SPSS: ään. Kuitenkin, tehdä se manuaalisesti ei ole niin vaikeaa kuin se näyttää.

Cronbachin Alfa, josta puuttuvat arvot

aloitetaan Cronbachin alfan kaavalla, joka on

$$Cronbachin\;\alpha = \frac{K^2 \overline{s_{XY}}}{\Sigma s^2_x + 2 \Sigma S_{xy}}$$

jossa

• \(k\) merkitsee alkioiden lukumäärää;
• \(s_{xy}\) merkitsee kovarianssia jokaisen eri alkioparin välillä;
• \(s^2_x\) merkitsee kunkin alkionäytteen varianssia.

huomaa, että pairwisen kovarianssimatriisi sisältää kaikki tämän kaavan käyttämät tilastot. Se saadaan helposti regressio-syntaksilla alla:

seuraavaksi kopioimme tuloksen tähän Googleen. Lopuksi kourallinen hyvin yksinkertaisia kaavoja kertoo, että α = 0,889.

nyt, mikä otoskoko tästä alalajista pitäisi ilmoittaa? Ehdotan seuraa yleissopimusten pairwise regressio täällä ja raportoida pienin pairwise n joka johtaa N = 44 tähän analyysiin. Jälleen, huomaa, että kaava löytää tämän minimi yli lohkon soluja on täysin yksinkertainen.

APA ilmoittaa Cronbachin Alfan

alla olevasta taulukosta käy ilmi, miten cronbachin alfa raportoidaan APA-tyyliin kaikille alaluokille.