¿Cuál es la relación entre las medidas de confiabilidad de la escala (alfa de Cronbach, etc.) y las cargas de componentes / factores?

Digamos que tengo un conjunto de datos con puntajes en un montón de ítems del cuestionario, que en teoría están compuestos por un número menor de escalas, como en la investigación de psicología.

Sé que un enfoque común aquí es verificar la confiabilidad de las escalas utilizando el alfa de Cronbach o algo similar, luego agregar los elementos en las escalas para formar puntajes de escala y continuar el análisis desde allí.

Pero también hay un análisis factorial, que puede tomar todos los puntajes de sus elementos como entrada y decirle cuáles forman factores consistentes. Puede tener una idea de cuán fuertes son estos factores al observar las cargas y las comunidades, y así sucesivamente. Para mí, esto suena como el mismo tipo de cosas, solo que mucho más en profundidad.

Incluso si todas las confiabilidades de su báscula son buenas, un EFA podría corregirlo en qué elementos se ajustan mejor en qué escalas, ¿verdad? Probablemente obtendrá cargas cruzadas y podría tener más sentido usar puntajes de factores derivados que sumas de escala simples.

Si quiero usar estas escalas para algún análisis posterior (como regresión o ANOVA), ¿debería agregar las escalas siempre que su confiabilidad se mantenga? O es algo así como CFA (prueba para ver si las escalas se mantienen como buenos factores, lo que parece estar midiendo lo mismo que 'confiabilidad').

Me han enseñado ambos enfoques de forma independiente, por lo que realmente no sé cómo se relacionan, si se pueden usar juntos o cuál tiene más sentido para cada contexto. ¿Existe un árbol de decisión para una buena práctica de investigación en este caso? Algo como:

• Ejecute CFA de acuerdo con los ítems de escala predichos

  • Si CFA muestra un buen ajuste, calcule los puntajes de los factores y utilícelos para el análisis.
  • Si CFA muestra un mal ajuste, ejecute EFA en su lugar y adopte un enfoque exploratorio (o algo así).

¿El análisis factorial y las pruebas de confiabilidad son enfoques separados de la misma cosa, o estoy malentendido en alguna parte?

Voy a agregar una respuesta aquí a pesar de que la pregunta se hizo hace un año. La mayoría de las personas que están preocupadas por el error de medición le dirán que usar puntajes de factores de un CFA no es la mejor manera de avanzar. Hacer un CFA es bueno. Estimar los puntajes de los factores está bien siempre que corrija la cantidad de error de medición asociado con esos puntajes de los factores en análisis posteriores (un programa SEM es el mejor lugar para hacerlo).

Para obtener la confiabilidad del puntaje del factor, primero debe calcular la confiabilidad de la construcción latente a partir de su CFA (o rho):

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

Tenga en cuenta que el error estándar de la puntuación del factor ^ 2 es la varianza de error de la puntuación del factor. Esta información se puede obtener en MPlus solicitando la salida PLOT3 como parte de su programa CFA.

Para calcular la fiabilidad general de la puntuación del factor, utiliza la siguiente fórmula:

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

El valor resultante es la varianza de error de la puntuación del factor. Si estaba utilizando MPlus para análisis posteriores, crea una variable latente definida por un solo elemento (la puntuación del factor) y luego especifica la confiabilidad de la puntuación del factor:

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

¡Espero que esto sea útil! Un gran recurso para este problema son las notas de clase (en particular, la clase 11) de la clase SEM de Lesa Hoffman en la Universidad de Nebraska, Lincoln. http://www.lesahoffman.com/948/