استفاده و تفسیر آلفای کرونباخ

آلفای کرونباخ معیاری است که برای ارزیابی پایایی یا سازگاری درونی مجموعه ای از مقیاس ها یا آیتم های آزمون استفاده می شود. به عبارت دیگر، پایایی هر اندازه گیری معین به میزانی است که اندازه گیری ثابت یک مفهوم است، و آلفای کرونباخ یکی از راه های اندازه گیری قدرت آن سازگاری است.

آلفای کرونباخ با همبستگی امتیاز برای هر آیتم مقیاس با نمره کل برای هر مشاهده (معمولاً پاسخ دهندگان نظرسنجی منفرد یا آزمون دهندگان) و سپس مقایسه آن با واریانس برای تمام نمرات آیتم ها محاسبه می شود:

به طور متناوب، آلفای کرونباخ نیز می تواند به صورت زیر تعریف شود:

بنابراین آلفای کرونباخ تابعی از تعداد آیتم های یک آزمون، میانگین کوواریانس بین جفت گویه ها و واریانس نمره کل است.

II. چگونه آلفای کرونباخ را تفسیر کنم؟

ضریب پایایی (alpha) حاصل از 0 تا 1 در ارائه این ارزیابی کلی از قابلیت اطمینان یک اندازه گیری متغیر است. اگر همه آیتم های مقیاس کاملاً مستقل از یکدیگر باشند (یعنی همبستگی ندارند یا کوواریانس ندارند)، آنگاه ( alpha ) = 0; و اگر همه آیتم ها کوواریانس بالایی داشته باشند، با نزدیک شدن تعداد آیتم های مقیاس به بی نهایت، ( alpha ) به 1 نزدیک می شود. به عبارت دیگر، هرچه ضریب (alpha) بالاتر باشد، اقلام دارای کوواریانس مشترک بیشتری هستند و احتمالاً همان مفهوم اساسی را اندازه گیری می کنند.

اگرچه استانداردها برای آنچه که یک ضریب (alpha) "خوب" را ایجاد می کند کاملاً دلخواه هستند و به دانش نظری شما در مورد مقیاس مورد نظر بستگی دارد، بسیاری از روش شناسان حداقل ضریب (alpha) را بین 0. 65 و 0. 8 (یا) توصیه می کنند. در بسیاری از موارد بالاتر)؛ضرایب (alpha) که کمتر از 0. 5 هستند معمولاً غیرقابل قبول هستند، به خصوص برای مقیاس هایی که ادعا می کنند یک بعدی هستند (اما برای اطلاعات بیشتر در مورد ابعاد به بخش III مراجعه کنید).

به عنوان مثال، بیایید شش آیتم مقیاس از مطالعه ملی انتخابات آمریکا (ANES) را در نظر بگیریم که مدعی سنجش «برابری گرایی» - یا تمایل یک فرد به برابری گرایی هستند - که همگی با استفاده از یک مقیاس پنج درجه ای از «کاملاً موافقم» اندازه گیری شدند."به شدت مخالفت":

• جامعه ما باید هر کاری که لازم است انجام دهد تا اطمینان حاصل شود که همه فرصت برابر برای موفقیت دارند.
• ما در ایجاد حقوق برابر در این کشور بیش از حد پیش رفته ایم.(کلمات معکوس)
• یکی از مشکلات بزرگ این کشور این است که ما به همه فرصت مساوی نمی دهیم.
• اگر نگران این باشیم که افراد برابر چقدر باشند ، این کشور بهتر خواهد بود.(معکوس کلمه)
• اگر برخی از افراد بیش از سایرین شانس زندگی داشته باشند ، واقعاً مشکل بزرگی نیست.(معکوس کلمه)
• اگر در این کشور با افراد به طور مساوی تر رفتار می شد ، ما مشکلات کمتری خواهیم داشت.

این مقیاس پس از حسابداری برای موارد معکوس با هم ، دارای ضریب معقول و منطقی است ( alpha ) 0. 67 بر اساس پاسخ ها در طول موج 2008 جمع آوری داده های ANES. تا حدودی به دلیل این ضریب ( alpha ) ، و تا حدودی به دلیل این موارد اعتبار چهره قوی و اعتبار ساختاری را نشان می دهند (به بخش III مراجعه کنید) ، من احساس راحتی می کنم که می گویم که این موارد در واقع به ساختاری اساسی از مساوات در بین پاسخ دهندگان می روند. بشر

In interpreting a scale’s ( alpha ) coefficient, remember that a high ( alpha ) is both a function of the covariances among items and the number of items in the analysis, so a high ( alpha ) coefficient isn’t in and of itself the mark of a “good” or reliable set of items; you can often increase the ( alpha ) coefficient simply by increasing the number of items in the analysis. In fact, because highly correlated items will also produce a high ( alpha ) coefficient, if it’s very high (i.e.,>0. 95) ، شما ممکن است در موارد مقیاس خود به خطر بیفتد.

iiiآلفا کرونباخ چیست؟

آلفای کرونباخ اندازه گیری ابعاد و آزمایش یک بعدی بودن نیست. در واقع ، می توان ضریب بالایی ( alpha ) را برای مقیاس با طول و واریانس مشابه تولید کرد ، حتی اگر چندین بعد اساسی وجود داشته باشد. برای بررسی ابعاد ، شاید بخواهید یک تحلیل عاملی اکتشافی انجام دهید.

آلفای کرونباخ نیز اندازه گیری اعتبار یا میزان ثبت مقیاس "واقعی" ارزش یا نمره مفهومی که می خواهید اندازه گیری کنید بدون ضبط ویژگی های ناخواسته ثبت می شود. به عنوان مثال ، مشکلات کلمه در یک کلاس جبر ممکن است در واقع توانایی ریاضی دانش آموز را به خود جلب کند ، اما ممکن است توانایی های کلامی یا حتی اضطراب آزمون را نیز به خود جلب کند ، که ممکن است در یک نمره آزمون ، بهترین اندازه از توانایی ریاضی واقعی او را ارائه ندهد.

یک اندازه گیری قابل اعتماد یکی از مواردی است که حاوی خطای اندازه گیری تصادفی صفر یا بسیار کمی است - یعنی ، هر چیزی که ممکن است اعوجاج دلخواه یا بی پروا را در فرآیند اندازه گیری معرفی کند و در نتیجه اندازه گیری های ناسازگار ایجاد شود. با این حال ، نیازی به خطای سیستماتیک نیست - هر چیزی که ممکن است تحریف سازگار و مزمن در اندازه گیری مفهوم اصلی علاقه را معرفی کند - برای اینکه قابل اعتماد باشد. فقط باید سازگار باشد. به عنوان مثال ، اگر سعی کنیم مساوات گرایی را از طریق ضبط دقیق قد یک فرد (n بزرگسالان) اندازه گیری کنیم ، این اندازه گیری ممکن است بسیار قابل اعتماد باشد ، اما همچنین به عنوان یک معیار مفهوم اساسی نامعتبر است.

به طور خلاصه ، برای ارزیابی کامل چگونگی "خوب" مقیاس در اندازه گیری یک مفهوم ، به بیش از یک آزمون ساده از قابلیت اطمینان نیاز دارید. شما می خواهید با استفاده از دانش نظری و اساسی خود ، اعتبار چهره مقیاس را ارزیابی کنید و بپرسید که آیا دلایل خوبی برای فکر کردن وجود دارد یا خیر ، یک اندازه گیری خاص از مفهوم اساسی در نظر گرفته شده یا نیست. و علاوه بر این ، شما می توانید با بررسی اینکه آیا روابط تجربی بین اندازه گیری مفهوم اصلی علاقه و سایر مفاهیمی که باید از نظر تئوری با آنها ارتباط داشته باشند ، به اعتبار ساختاری بپردازید.

IVچگونه می توانم آلفا کرونباخ را محاسبه کنم؟

در صورتی که نمی خواهید ( alpha ) را با دست (!) محاسبه کنید ، خوشبختانه با استفاده از نرم افزار آماری بسیار آسان است. فرض کنیم که شش مورد در مقیاس مورد نظر Q1 ، Q2 ، Q3 ، Q4 ، Q5 و Q6 نامگذاری شده و در زیر نمونه هایی را در SPSS ، Stata و R. مشاهده کنید.

توجه داشته باشید که در مشخص کردن /مدل = آلفا ، ما به طور خاص درخواست ضریب آلفای کرونباخ را داریم ، اما گزینه های دیگری برای ارزیابی قابلیت اطمینان از جمله تقسیمات تقسیم ، گوتمن و موازی وجود دارد.

نحو فوق فقط برخی از بازده های خلاصه بسیار اساسی را تولید می کند. علاوه بر ضریب ( alpha ) ، SPSS همچنین تعداد مشاهدات معتبر مورد استفاده در تجزیه و تحلیل و تعداد موارد مقیاس را که مشخص کرده اید ارائه می دهد. با این حال ، ممکن است اطلاعات دقیق تری در مورد موارد و مقیاس کلی بخواهید. نحو زیر را در نظر بگیرید:

با خط /خلاصه ، می توانید مشخص کنید که کدام آمار توصیفی را برای همه موارد موجود در کل می خواهید. این جدول جدول آمار خلاصه ای را تولید می کند ، که علاوه بر کواریانس ها و همبستگی های بین مورد ، وسایل و واریانس کلی را نیز ارائه می دهد.

خط /آمار چندین گزینه اضافی را نیز ارائه می دهد: توصیفی آماری را برای هر مورد تولید می کند (بر خلاف آمار کلی ضبط شده از طریق /خلاصه توضیح داده شده در بالا) ، مقیاس آماری مربوط به مقیاس ناشی از ترکیب همه موارد جداگانه را تولید می کند ، Corr تولید می کندماتریس همبستگی کامل بین مورد ، و COV ماتریس کواریانس بین کالای کامل را تولید می کند.

نحو فوق میانگین کوواریانس بین ماده ، تعداد موارد موجود در مقیاس و ضریب ( alpha ) را ارائه می دهد. با این حال ، مانند SPSS Syntax در بالا ، اگر می خواهیم اطلاعات دقیق تری در مورد موارد و مقیاس کلی بخواهیم ، می توانیم با افزودن "گزینه ها" به دستور فوق ، این درخواست را درخواست کنیم (در Stata ، هر چیزی که به دنبال اولین کاما در نظر گرفته می شودگزینه). مثلا:

گزینه ASIS نشانه هر مورد را همانطور که هست می گیرد. اگر در مقیاس خود موارد متفکر با هم دارید ، آیا می خواهید از این گزینه استفاده کنید یا خیر ، بستگی به این دارد که آیا قبلاً آن موارد را در متغیرهای Q1-Q6 به عنوان وارد شده به ثمر رسانده اید. از طرف دیگر ، ممکن است بخواهید از گزینه معکوس (موارد) استفاده کنید تا علائم هر مورد/متغیرهایی را که در بین پرانتز ذکر کرده اید معکوس کنید.

گزینه STD مواردی را در مقیاس استاندارد می کند تا میانگین 0 و واریانس 1 داشته باشند (باز هم ، آیا شما از این گزینه استفاده می کنید یا خیر ، ممکن است به این بستگی داشته باشد که آیا شما قبلاً متغیرهای Q1-Q6 را استاندارد کرده اید یا خیر) ، گزینه Detailهمبستگی و همبستگی بین موردی فردی را لیست می کند ، و ژنرال (مقیاس) از این شش مورد برای تولید مقیاس استفاده می کند و آن را در یک متغیر جدید به نام مقیاس (یا هر چیز دیگری که بین پرانتز مشخص می کنید) ذخیره می کند.

سرانجام ، گزینه موردی یک جدول تولید می کند که تعداد مشاهدات غیر از بین رفتن برای هر مورد را نشان می دهد ، همبستگی هر مورد با فهرست خلاصه (همبستگی های "آزمون") ، همبستگی هر مورد با فهرست خلاصه با آنمورد حذف شده (همبستگی های "آیتم") ، کواریانس بین موارد و شاخص خلاصه شده ، و ضریب ( alpha ) برای مقیاس ، هر یک از موارد حذف می شود. برای گزینه های بیشتر به آلفا در خط فرمان Stata کمک کنید.

روش های بسیاری برای محاسبه آلفای کرونباخ در R با استفاده از انواع بسته های مختلف وجود دارد. یک گزینه از بسته PSY استفاده می کند ، که اگر در حال حاضر در رایانه شما نباشد ، با صدور دستور زیر قابل نصب است:

سپس با مشخص کردن این بسته را بارگیری می کنید:

متغیرهای Q1 ، Q2 ، Q3 ، Q4 ، Q5 و Q6 باید به عنوان ماتریس یا قاب داده به نام X تعریف شوند (یا هر نامی که تصمیم دارید آن را بدهید). سپس دستور زیر را صادر کنید:

با این کار تعداد مشاهدات ، تعداد موارد موجود در مقیاس شما و ضریب نتیجه ( alpha ) نتیجه می گیرد. مستندات اضافی برای بسته PSY را می توان در اینجا یافت.

از طرف دیگر ، بسته روانی راهی برای محاسبه آلفای کرونباخ با انواع گسترده تر استدلال ها ارائه می دهد. مستندات و نمونه های بیشتر را در اینجا ، اینجا و اینجا مشاهده کنید.

V. آیا می توانم آلفا کرونباخ را با متغیرهای باینری محاسبه کنم؟

آره! اگر تمام موارد مقیاس مورد نظر شما باینری هستند و آلفا کرونباخ را محاسبه می کنید ، در واقع یک تجزیه و تحلیل به نام Kuder-Richardson 20 را اجرا می کنید. با پاسخ های مقیاس پذیر (به عنوان مثال ، موارد مقیاس شده لیکرت) و متغیرهای مداوم ، بنابراین ریاضیات اساسی در هر صورت ، برای مواردی که گزینه های پاسخ دوگانگی دارند ساده تر است. پس از اجرای این تست ، همان ضریب ( alpha ) و سایر خروجی های مشابه را دریافت خواهید کرد ، و می توانید این خروجی را به همان روشهای توضیح داده شده در بالا تفسیر کنید.

برای سؤالات یا توضیحات مربوط به این مقاله ، با کتابخانه UVA statlab تماس بگیرید: statlab@virginia. edu