analiza statystyczna metodolog

Wykonanie analizy czynnikowej w praktyce.

meto

 

Wykonanie analizy czynnikowej w praktyce.

Wstęp.

Analiza czynnikowa jest metodą statystyczną polegającą na redukcji danych. Jej celem obliczeniowym jest wyszukanie powiązanych ze sobą zmiennych mogących mieć jakiś wspólny mianownik (wektor) np. pozycje kwestionariusza mierzące pewne spójne i reprezentatywne uniwersum zachowań np. ekstrawersję. Jest to dosyć prosta metoda statystyczna dająca bardzo zadowalające wyniki. Metodę tę często stosuje się w medycynie, psychologii, biostatystyce i psychometrii. Jej ekwiwalentem jest nowsza metoda o nazwie SVD (Singular Vector Decomposition). Obie metody zwracają podobne wyniki, lecz u podstaw leży inna metoda obliczeniowa i geneza powstania.

Aby przeprowadzić analizę czynnikową, nasze dane muszą spełniać kilka warunków:

  1. wszystkie zmienne muszą być mierzone na tej samej skali (chodzi tu o pozcyje testu)
  2. jeśli zmienne nie są wyrażone w tej samej jednostce pomiaru należy ów pomiary wystandaryzować
  3. odpowiedzi na pytania muszą charakteryzować się duża zmiennością (jeśli badani podobnie odpowiadali na dane pytanie w ankiecie to nie ma co takiego pytania włączać do analizy)
  4. badanych obserwacji powinno być tyle samo ile pozycji testowych, a z godnie z regułą kciuka 15 razy więcej
  5. nie powinno być sytuacji w której braki danych przekraczają 5%.

Zanim przeprowadzimy analize czynnikowa oprócz prostych statystyk opisowych musimy zrobić także bardziej skomplikowaną analizę, polegająca na diagnostyce dotyczacej tego czy nasze dane nadają się do przeprowadzenia analizy czynnikowej. Najlepiej jest uruchomić analize czynnikową.

Analiza miary K-M-O. Kryterium Kaisera/ Mayera / Olkina.

W analizie czynnikowej musimy podjąć na początku pewne decyzje związane z podstawowymi testami. Pierwszym kryterium jest ocena wyniku testu KMO. Miara KMO przyjmuje wartości od 0 do 1. Im wartość bliższa 1 tym bardziej wskazane jest przeporwadzenie analizy czynnikowej. Jeśli miara KMO jest niższa niż 0,7 to może być to spowodowane zbyt małą ilością badanych w stosunku do liczby pytań, złą konstrukcją pozycji testowych lub badana próba była zbyt jednorodna. Jeśli ocena wskaźnika KMO pozwoliła na akceptacje analizy to przeprowadzamy jeszcze raz analizę czynnikową.

Jak wyodrębniać czynniki?

W tym momencie musimy podjąć jakąś decyzję dotyczącą kryterium wyodrębniania czynników. Mamy do dyspozycji dwa kryteria.

Pierwszym jest kryterium Kaisera, które sugeruje wyodrebnienie tylu czynników ile sugerują wartości własne większe od 1 przy danym rozwiązaniu czynnikowym.

Drugim kryterium jest kształt wykresu osypiska (opartym o wartości własne). W kolejnym kroku podejmujemy decyzję o metodzie rotacji czynników. Decyzję o ilości czynników podejmujemy w oparciu  o wzrokową ocenę krzywizny linii na wykresie osypiska.

Rotacja.

W tym kroku podejmujemy decyzję o metodzie rotacji czynników. Jeśli test, który konstruujemy ma mieć więcej niż jeden wymiar, powinniśmy przeprowadzić jakąś z metod rotacji czynników, która spowoduje maksymalizację dostosować poszczególnym pozycji testowych do osi wyodrębnionych wymiarów. Po takiej rotacji macierz korelacji pytań/ pozycji testowych jest lepiej dopasowana a co za tym idzie, jest łatwiej interpretowana. Najczęściej wykonywane metody rotacji to metoda:

– Varimax

(metoda ortogonalna tak jak metoda Equamax i Quartimax) stosuje się ją do czynników potencjalnie będących od siebie niezależnych np. ekstrawersja i inteligencja.

– Promax

(metoda nieortogonalna, czyli ukośna. Metodą ukośną jest jeszcze metoda OBLIMIN z możliwością ustawienia stopnia korelacji między zmiennymi) Tą metodę stosuje się w przypadku silniego skorelowania wyodrebnianych wymiarów np. Inteligencja słowna i inteligencja matematyczna.

Interpretacja wyników procedury analizy czynnikowej.

Jest to jeden z trudniejszych etapów przeprowadzania analizy czynnikowej. Wpierw trzeba podjąć decyzję o ilości wariancji wyjaśnianej przez test. Jesli nie jest ona zadowalająca to trzeba się odnieść krytycznie do podjętych kroków wraz z rozpatrzeniem poprawności wykonania badania. Ponad to! Trzeba podjąć decyzję o pozycjach testowych wschodzących w skład danego czynnika i postarać się go nazwać. W większości wypadków pomaga w tym teoria leżąca u podstaw badanego narzędzia, lecz w przypadkach analiz eksploracyjnych takiego komfortu nie ma. Etykieta skomponowanego wymiaru powinna być uogólnieniem pozcyji wchodzących w skład skali.

Jeśli analiza czynnikowa dotyczy budowy kwestionariusza lub jego statystycznego przygotowania, zaleca się skonstruowanie klucza odpowiedzi. Jeśli analiza czynnikowa polega na redukcji danych mających zastosowanie w dalszych procedurach statystycznych zaleca się zapisanie tych wyników w jakimiś z języków programowania np. R lub Python.

Jak zrobić statystykę do pracy magisterskiej?

Czemu statystyki są niezbędne w Psychologii?

meto

Wielu studentów psychologii jest zaskoczona (i czasem przerażona) realizacją kursu statystyki, która jest wymagana w ich wybranym kierunku.

Tak, kursy statystyki są ważną częścią prawie wszystkich psychologicznych programów. Nie tylko będziesz potrzebować wzięcia udziału w jednym bądź dwóch kursach statystyki. Prawdopodobnie również spotkasz się z tym tematem na wielu innych zajęciach, szczególnie tych które zawierają kwestie projektowania eksperymentów oraz poznawania metod badawczych.

Więc czemu statystyki są ważne w psychologii?

Po pierwsze pomyślmy o ważności statystyki w ogóle. Statystyki pozwalają nam na nadanie sensu i interpretowaniu wielu informacji. Rozważamy natłok danych, który można napotkać codziennie. Jak długo sypiasz? Jak wielu studentów w twojej grupie jadło śniadanie tego poranka? Jak wielu ludzi żyje w promieniu jednego kilometra od Twojego domu? Używając statystyk, możemy organizować i interpretować wszystkie te informacje w znaczący sposób.

W psychologii, jesteśmy również konfrontowani z olbrzymią ilością danych. Jak zmiana w jednej zmiennej wywiera wpływ na inne zmienne? Czy jest sposób dzięki, któremu możemy mierzyć ten związek? Jaka jest ogólna siła tego związku i co on oznacza? Statystyka pozwala nam na odpowiedzenie na takie rodzaje pytań.

Statystyka pozwala psychologom na:

  • Uporządkowanie danych. Kiedy radzimy sobie z nadzwyczajną ilością informacji łatwo stać się przez nie przytłoczonych. Statystyka pozwala psychologom prezentować dane w sposób, który jest łatwy do zrozumienia. Graficznie przedstawienie ich na grafach i wykresach, rozkładach częstości, wykresach rozrzutu stwarza możliwość badaczom lepszy przegląd danych i zobaczeniu wzorców, które mogłyby być w innym wypadku pominięte.
  • Opis danych. Pomyśl co się dzieje kiedy badacze zbierają wielką ilość informacji o grupach ludzi. Spis ludności jest najlepszym przykładem. Używając statystyk, możemy dokładnie opisać informacje które zostały zebrane w celu, łatwego zrozumienia. Statystyki opisowe dostarczają sposobu podsumowania tego co istnieje w danej populacji. Czyli np. jak wiele jest mężczyzn czy kobiet, ile mają dzieci lub ile ludzi jest bezrobotnych.
  • Centralne twierdzenie graniczne i błąd standardowy – łatwa i wciągająca opowieść o podstawie wnioskowania statystycznego.

    . Używając tego co jest znane jako wnioskowanie statystyczne, badacze mogą wyciągać wnioski o danej próbie lub populacji. Psycholodzy używają danych, które zebrali do testowania hipotez lub przewidywań tego co może się stać. Używanie tego typu statystycznego analizowania, badacze ustalają prawdopodobieństwo, że hipoteza powinna być potwierdzona lub odrzucona.

Statystyka w codziennym życiu.

Więc teraz masz lepsze zrozumienie czemu statystyki są ważne w psychologii, może być pomocne spojrzenie na kurs statystyki jako niepowtarzalna okazja. Oczywiście w solidnym zrozumieniu statystycznych metod może pomóc Ci np. excel. Po drugie, pomyśl o wszystkich twierdzeniach w psychologii, które spotykasz w codziennym życiu poza zajęciami. Magazyny publikują  historie o ostatnich odkryciach naukowych, samopomocowe książki wygłaszają różne kierunki w podchodzeniu do problemów, a wiadomości często wyolbrzymiają lub źle interpretują psychologiczne badania. Rozumiejąc proces badawczy oraz zawarte w nim rodzaje analiz statystycznych, które są używane, będziesz zdolny do stania się mądrym konsumentem informacji psychologicznych i będziesz lepiej oceniać informacje dochodzące do Ciebie.

Uzyskiwanie pomocy ze statystyką.

Oczywiście, znajomość tego czemu statystyki są istotne może niekoniecznie pomóc Ci z poczuciem strachu przed pierwszym wejściem na zajęcia pierwszego kursu statystyki. Jest tutaj dobra wiadomość. Nawet jeśli nie uważasz siebie za „dobrego z matematyki” to możesz dołożyć sił i skorzystać z mnóstwa narzędzi i źródeł, które mogą Ci pomóc. Zacznij dyskutować o swoich troskach ze swoim instruktorem. Może Ci zarekomendować książki, narzędzia w internecie, które mogą być pomocne. Rozważ przyłączenie lub uformowanie swojej własnej grupy adeptów statystyki ze swoimi znajomymi z klasy. Bardzo ważne jest to abyś nie przeoczył pomoce, która może być dostępna w Twojej szkole. Wiele ćwieczeniowców oferuje labolatoria matematyczne, gdzie studenci mogą otrzymać ekstra pomoc ze statystyki.

Czy na kierunku psychologii wymagana jest wielka wiedza matematyczna/statystyczna?

Na pierwszy rzut oka, wielu potencjalnych studentów psychologii twierdzi, że ich wybór kierunku wymaga niewiele matematyki. Mimo wszystko psychologia jest nauką o zachowaniu, więc co ma do tego matematyka?

Matematyka oraz statystyka w szczególności są ważnymi częściami każdego programu nauczania psychologii. Psycholodzy potrzebują zdolności w użytkowaniu statystycznych metod do przeprowadzania badań, analizy danych, interpretacji rezultatów oraz raportowania ich wyników.

Wyciskanie sensu z Alfy Cronbacha – analiza rzetelności.

meto

 

Wyciskanie sensu z Alfy Cronbacha 

Edukatorzy medyczni próbują stworzyć rzetelne i wiążące testy i kwestionariusze by zwiększyć trafność swoich szacunków i ocen. Trafność i rzetelność są dwoma fundamentalnymi elementami w ocenie narzędzi pomiaru. Narzędzia mogą być konwencjonalną wiedzą, umiejętnością lub stosunkiem testów, symulacji klinicznych albo ankiet kwestionariuszowych. Narzędzia mogą mierzyć pojęcia, zdolności psychomotoryczne albo wartości afektywne. Trafność rozumie się jako stopień w jakim narzędzie pomiaru mierzy to co miało zmierzyć. Rzetelność natomiast traktuje się jako zdolność narzędzia do wykonywania spójnych pomiarów. Powinno się zaznaczyć, że rzetelność narzędzia jest silnie powiązana z jego trafnością. Narzędzie nie może być trafne jeśli nie jest rzetelne. Jednakże, rzetelność narzędzia nie zależy od jego trafności. Jest możliwe by obiektywnie zmierzyć rzetelność narzędzia i w tym tekście wytłumaczymy znaczenie Alfy Cronbacha , najszerzej używanej obiektywnej miary rzetelności.

Liczenie alfy stało się powszechną praktyką w medycznej nauce badawczej kiedy w użyciu są złożone miary pojęcia albo konstruktu.

Dzieje się tak dlatego, że łatwiej jest użyć porównania z innymi szacunkami (np. retest rzetelności szacunków) ponieważ wymaga to zastosowania tylko jednego testu. Jednak pomimo powszechnego używania alfy w literaturze, jej znaczenie, właściwy sposób użycia i interpretacje nie są łatwo zrozumiałe. Dlatego uważamy, że ważnym jest aby wytłumaczyć zasadnicze założenia alfy aby promować efektywne jej używanie. Trzeba podkreślić, że celem tego tekstu jest skupienie się na Alfie Cronbacha jako wskaźniku rzetelności. Alternatywne metody mierzenia rzetelności opierające się na metodach psychometrycznych, takie jak teoria czynnika G albo teoria reagowania na pozycje testowe mogą zostać użyte by monitorować i poprawiać jakość badań OSCE, ale o nich nie będzie tutaj mowy.

Co to jest alfa Cronbacha?

 

Alfa została rozwinięta przez Lee Cronbacha w 1951 by zapewnić miarę wewnętrznej spójności dla testu albo skali; jest to wyrażone liczbą między 0 i 1. Wewnętrzna spójność opisuje stopień w jakim wszystkie pozycje w teście mierzą to samo pojęcie albo konstrukt i stąd jest to połączone ze wzajemnym powiązaniem ze sobą pozycji wewnątrz testu. Wewnętrzna spójność powinna być ustalona, by zapewnić trafność, zanim test zostanie użyty do badań albo celi badawczych. Dodatkowo, rzetelność szacuje pokazaną ilość błędów pomiarowych w teście. Mówiąc prosto, ta interpretacja rzetelności jest korelacją testu samego ze sobą. Podniesienie do kwadratu tej korelacji i odjęcie od 1.00 sprawi, że powstanie wskaźnik błędów pomiaru. Na przykład, jeżeli test ma rzetelność na poziome 0.80, występuje 0.36 zmienności błędu (błąd losowości) w wyniku (0.80×0.80=0.64; 1.00-0.64=0.36). Jeżeli oszacowana rzetelność rośnie, fragment wyniku testu przypadający na błąd będzie malał. Oczywiście rzetelność testu ujawnia efekt błędu pomiarowego dla obserwowalnego wyniku raczej dla grupy badanych niż pojedynczego badanego. By obliczyć efekt błędu pomiaru na obserwowalnym wyniku pojedynczego badanego, musi zostać wyliczone standardowy błąd pomiaru (SEM).

Jeżeli pozycje w teście są ze sobą skorelowane, wartość alfy wzrasta. Jednakże, wysoki współczynnik alfa nie zawsze oznacza wysoki stopień spójności wewnętrznej. To dlatego, że alfa jest również kształtowana przez długość testu. Jeżeli długość testu jest niewystarczająca, wartość alfy spada. Zatem, żeby zwiększyć alfę, więcej pozycji sprawdzających tę samą rzecz powinno zostać dodane do testu. Warto też pamiętać, że alfa jest właściwością dla wyniku testu ze specyficznej próbki badanych. Dlatego badacze nie powinni polegać na wydanych przez alfę oszacowaniach tylko mierzyć ją za każdym razem gdy test jest przeprowadzany.

Użycie alfy Cronbacha

 

Niewłaściwe zastosowanie alfy może doprowadzić do sytuacji, w której test albo skala zostaną błędnie odrzucone lub test zostanie skrytykowany za wygenerowanie niewiarygodnych wyników. By uniknąć takiej sytuacji, zrozumienie powiązanych ze sobą pojęć wewnętrznej spójności, jednorodności lub jednowymiarowości może być pomocne przy używaniu alfy. Wewnętrzna spójność dotyczy wzajemnie powiązanych próbek pozycji testu, podczas gdy jednorodność odnosi się do jednowymiarowości. Mówi się, że miara jest jednowymiarowa jeśli jej pozycje mierzą pojedynczą, ukrytą cechę albo konstrukt. Wewnętrzna spójność jest potrzebnym, ale nie jedynym warunkiem zmierzenia jednorodności czy jednowymiarowości w próbce pozycji testu. Zasadniczo, pojęcie rzetelności zakłada, że jednowymiarowość występuje w próbce pozycji testu, a jeśli to założenie nie jest spełnione, to powoduje duże niedoszacowanie rzetelności. Zostało solidnie udowodnione, że wielowymiarowy test nie koniecznie musi mieć mniejszą alfę niż jednowymiarowy test. Zatem bardziej rygorystyczna wartość alfy nie może być po prostu zinterpretowana jako wskaźnik wewnętrznej spójności.

Analiza czynnikowa może być użyta do określenia wymiarów testu. Inna technika, na której można polegać bywała również używana i zachęcamy czytelnika do zapoznania się z tekstem „Applied Dimensionality and Test Structure Assesment with START-M Mathematics Test” i porównania metod do oceniania wymiarowości i zasadniczej struktury testu.

Dlatego alfa nie tylko mierzy jednowymiarowość zestawu pozycji, ale może być użyta do potwierdzenia czy próbki pozycji są faktycznie jednowymiarowe. Z drugiej strony, jeśli test ma więcej niż jedno pojęcie lub konstrukt, może nie mieć sensu liczenie alfy dla testu jako całości jako że większa liczba pytań będzie niechybnie nadmuchiwała wartość alfy. Zasadniczo dlatego alfa powinna być liczona dla każdego pojęcia, a nie dla każdego testu albo skali. Implikacja podsumowującego badania zawierającego niejednorodne, oparte na case’ie pytania jest taka, że alfa powinna być liczona dla każdego z osobna.

Co ważniejsze, alfa jest osadzona w modelu równoważności co zakłada, że każda pozycja testu mierzy taką samą utajoną cechę na tej samej skali. Dlatego jeżeli wielokrotne czynniki/cechy są podstawą pozycji na skali, jak pokazała analiza czynnikowa, to założenie jest łamane i alfa zaniża rzetelność testu. Jeżeli liczba pozycji testu jest za mała to także złamie założenie o równoważności i zaniży rzetelność. Kiedy pozycje testu spełniają założenie o równoważności modelu, alfa lepiej szacuje rzetelność. W praktyce alfa Cronbacha jest dolną granicą szacunku rzetelności ponieważ niejednorodne pozycje testu mogą łamać założenia równoważności modelu. Jeżeli wyliczenie „wystandaryzowanej pozycji alfa” w SPSS jest wyższe niż „alfa Cronbacha”, dalsze badanie równoważności pomiaru może być niezbędne.

Numeryczne wartości alfy

 

Jak wcześniej wspomniano, liczba pozycji testu, wzajemnych powiązań testu i wymiarowości oddziaływania nad wartością alfy. Są różne doniesienia na temat dopuszczalnej wartości alfy, poczynając od 0.70 aż do 0.95. Niska wartość alfy może być powodowana małą liczbą pytań, słabą wzajemnością powiązań pomiędzy pozycjami albo niejednorodnymi konstruktami. Np. jeżeli niska alfa wychodzi na skutek słabej korelacji pomiędzy pozycjami wtedy niektóre powinny być powtórzone lub usunięte. Najłatwiejszym sposobem by je znaleźć jest przeliczenie korelacji dla każdej pozycji testu z całkowitym wynikiem testu; pozycje z niską korelacją (w okolicach zera) są usuwane. Jeśli alfa jest zbyt wysoka, może to sugerować, że niektóre pozycje są zbędne jako że testują to samo pytanie ale nieco inaczej wyglądają. Rekomendowana jest alfa o maksymalnej wartości 0.90.

Streszczenie

 

Wysokiej jakości testy są potrzebne aby ocenić rzetelność danych zawartych w badaniach naukowych. Na alfę wpływa długość i wymiarowość testu.  Alfa jako wskaźnik rzetelności powinna spełnić założenia o istotnej równoważności. Niska alfa pojawia się gdy te założenia nie są spełnione. Alfa nie mierzy po prostu jednorodności i jednowymiarowości testu, jako że na rzetelność testu działa także jego długość. Dłuższy test zwiększa rzetelność niezależnie od tego czy test jest jednorodny czy nie. Wysoka wartość alfy (>90) może sugerować pewien nadmiar i pokazuje, że test powinno się skrócić.

Wnioski

 

Alfa jest ważnym pojęciem w ocenie diagnozy i kwestionariuszy. Jest ważne by oceniający i badacze oszacowali jej stan by dodać trafności i precyzji w interpretacji danych. Tym niemniej jednak alfa często stosowana jest bezrefleksyjnie i bez odpowiedniego zrozumienia i interpretacji. W tym poradniku spróbowaliśmy wyjaśnić zasadnicze założenia wyliczania alfy, czynniki wpływające na jej wielkość i sposoby na jakie można interpretować jej wartość. Mamy nadzieję, że przyszli badacze będą bardziej krytyczni analizując wartości alfy w swoich badaniach.

 

Bibliografia:

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555

Kock, N. (2020). WarpPLS User Manual: Version 7.0 (7th ed.). ScriptWarp Systems.

 

Analiza statystyczna w psychometrii

Klasyczna Teoria Testów. KTT (psychometria)

meto

 

Klasyczna Teoria Testów

 

Co to jest?

Głównym celem Klasycznej Teorii Testów pośród psychometrycznych badań jest rozpoznanie i rozwój rzetelności psychologicznych testów i szacunków; to jest mierzących wynik jednostki biorącej udział w teście i poziomu trudności pytań albo zadań w teście. Rzetelność jest wyliczana przez wynik jednostki w teście (zaobserwowany wynik) i ilość błędów w samym teście (błąd). Razem wskazują one jaki byłby prawdziwy wynik jednostki wyłączając błędy w pomiarach testu. Błędy mogą pojawić przez pomyłki w procesie przeprowadzania testu jak i przez codzienne niedogodności takie jak zmęczenie, głód itd.; ale jeśli standardowy błąd może być odnaleziony, wtedy łatwiej jest wykluczyć go z bilansu.

Jak się tego używa? 

Charles Spearman był jednym z twórców klasycznej teorii testów, rozumiejąc że generalnie nie da się uniknąć błędów podczas pomiarów, że te błędy są losowymi zmiennymi, i w końcu, że mogą być współzależne i zindeksowane. Jest nadzieja, że przez te skorelowane błędy, można zrobić postęp, poprzez redukcję ilości błędów i zwiększenie rzetelności testów. Wyższa rzetelność testów może przynieść jeszcze prawdziwsze wyniki, co jest w istocie głównym celem klasycznej teorii i jest wartościowszym sposobem na wyszukanie odpowiedniego kandydata do pracy. Klasyczna Teoria Testów jest rzadko brana pod uwagę przez jednostki podejmujące testy psychometryczne, albo używające ich firmy, a powinna być, gdyż nie ma sensu przeprowadzać testu, który musi być solidnie przeanalizowany w by wyszukać błędy, zanim w ogóle odpowiedzi respondentów zostaną poddane pomiarom. Ważnym jest również, aby mieć wysoką rzetelność wewnątrz testów, zwyczajnie dlatego, że firmy nie chcą marnować czasu ani środków na używanie testów by oszacować walory przyszłych pracowników, jeżeli mają się okazać z kosmosu i nie dać żadnych wskazówek jak taki pracownik w przyszłości spisze się na danym stanowisku.

Więcej na:

Struktura procesu badawczego

Psychometria

Alfa Cronbacha Psychometria

Współczynnik rzetelności Alfa Cronbacha

Analiza statystyczna wyników badań
Analiza danych statystycznych opracowanie statystyczne badania ankiety danych historycznych

Analiza statystyczna pracy doktorskiej

Wprowadzenie do analizy równań strukturalnych

Modele równań strukturalnych

Pomiary w badaniach psychologicznych
Statystyka opisowa. Statystyczny opis danych

Statystyczna analiza danych z ankiet.

Analiza czynnikowa

Analiza statystyczna standardy APA

Współczynnik rzetelności – Alfa Cronbacha.

meto

 

 Alfa Cronbacha jest statystyką. Używa się jej zwykle do mierzenia wewnętrznej spójności albo rzetelności psychometrycznego narzędzia.

 

Innymi słowy, mierzy jak dobrze zestaw zmiennych albo pozycji mierzy pojedynczy, jednowymiarowy ukryty aspekt jednostki. Generalnie, niejedna wielkość zainteresowania medycznego, jak lęk albo poziom niepełnosprawności, są niemożliwe do jednoznacznego zmierzenia. W takich przypadkach, zadajemy szereg pytań i łączymy odpowiedzi w jedną, liczbową wartość.

Co to jest?

 

Na przykład, załóżmy, że chcemy się dowiedzieć jaki jest stopień niepełnosprawności pacjentów cierpiących na mielopatię szyjki macicy.

Najpierw przygotujemy tabelę z 10 pozycjami rejestrującymi poziom trudności napotykanych przy wykonywaniu codziennych czynności. Każda pozycja jest oceniana od 1 co znaczy „bezproblemowo” do 4 co oznacza „niewykonalne”. Zsumowany wynik z tych 10 pozycji da nam ostateczny rezultat.

Jednakże, kiedy pozycje są użyte by stworzyć skalę, muszą być wewnętrznie spójne. Każda z pozycji powinna mierzyć tę samą rzecz, więc powinny być one ze sobą skorelowane. Alfa Cronbacha generalnie wrasta gdy korelacje pomiędzy pozycjami wzrastają. Z tego powodu, współczynnik jest także nazywany spójnością wewnętrzną albo wewnętrzną spójnością rzetelności dla testu.

Zakres

 

Wartość alfa (α) może się znajdować pomiędzy minus nieskończonością a 1. Jednak, tylko dodatnia wartość (α) ma sens. Generalnie, współczynnik alfa ma zakres od 0 do 1 i może zostać wykorzystany do opisania rzetelności czynników wydobytych dychotomicznie (czyli pytań z dwoma możliwymi odpowiedziami) i/albo kwestionariuszy lub skali sformatowanych wielopunktowo (np. skala oceny 1=biedny, 5=wyśmienity).

Niektórzy znawcy nalegają by wynik rzetelności wynosił 0,7 albo więcej w czasie używania psychometrycznego narzędzia. Ta zasada powinna być stosowana ostrożnie gdy (α) ma być liczona z pozycji, które nie są skorelowane.

Zastrzeżenia

 

Pomimo, że Alfa Cronbacha jest dzisiaj szeroko stosowana, jest związanych z nią kilka problemów.

 

Pierwszym problemem jest to, że alfa jest zależna nie tylko od wielkości korelacji pomiędzy pozycjami, ale także od liczby pozycji na skali. Skala może sprawiać wrażenie „homogenicznej” poprzez zwykłe dublowanie liczby pozycji, nawet jeżeli średnie korelacji pozostaną niezmienne.

 

To prowadzi prosto do drugiego problemu. Jeżeli mamy dwie skale z których każda mierzy odrębny aspekt, i połączymy je by stworzyć jedną długą skalę, alfa prawdopodobnie będzie wysoka, chociaż połączona skala w oczywisty sposób dotyka dwóch różnych atrybutów.

 

Po trzecie, jeśli alfa jest zbyt wysoka, może to sugerować nadmierną ilość pozycji, to znaczy, pozycji zadających to samo pytanie w odrobinę inny sposób. 

 

Więcej informacji na:

Analiza rzetelności

Analiza statystyczna danych do pracy doktorskiej

Rzetelność Pomiaru

Psychometria 2

Model połówkowy – Analiza rzetelności

Analiza danych statystycznych opracowanie statystyczne badania ankiety danych historycznych

Wprowadzenie do analizy równań strukturalnych. Analiza ścieżek / SEM / SEPATH

Statystyczna analiza danych w psychologii

Usługi statystyczne pomoc statystyczna

Pomoc statystyczna dla doktorantów. Czy taka pomoc jest niezbędna?