标尺可靠性度量（Cronbach's alpha等）与组件/因子负载之间有什么关系？

假设我有一个数据集，其中包含一堆问卷项目的得分，理论上，这些项目的评分范围较小，例如心理学研究中。

我知道这里的常见方法是使用Cronbach's alpha或类似方法检查量表的可靠性，然后将量表中的项目汇总以形成量表分数并从那里继续进行分析。

但是，还有因素分析，可以将您所有项目的得分作为输入，并告诉您其中哪些构成一致的因素。通过查看负载和社区等，您可以了解这些因素的强大程度。对我来说，这听起来像是同一件事，只是更深入。

即使您所有的秤可靠性都不错，EFA也会根据哪些项目更适合哪个秤来纠正您，对吗？您可能会遇到交叉负荷，使用派生因子得分比简单的比例总和更有意义。

如果我想将这些量表用于以后的分析（如回归或ANOVA），只要能保持其可靠性，我是否应该汇总这些量表？或者是CFA之类的东西（测试量表是否保持良好的因素，这似乎在衡量与“可靠性”相同的东西）。

我已经分别学习了这两种方法，所以我真的不知道它们之间的关系，是否可以一起使用它们，或者哪种方法对哪种环境更有意义。在这种情况下，是否存在用于良好研究实践的决策树？就像是：

• 根据预测的规模项目运行CFA

  • 如果CFA拟合良好，请计算因子得分并将其用于分析。
  • 如果CFA显示不合适，请改用EFA并采用探索性方法（或其他方法）。

因子分析和可靠性测试是否确实是针对同一事物的单独方法，还是我在某个地方误解了？

即使是一年前提出的问题，我也要在此处添加答案。大多数关心测量误差的人会告诉您，使用CFA中的因子评分并不是前进的最佳方法。进行CFA很好。只要您在后续分析中校正与那些因子得分相关的测量误差量，就可以估算因子得分。

为了获得因子得分的可靠性，您需要首先从CFA（或rho）中计算出潜在构造的可靠性：

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

注意，因子得分标准误差^ 2是因子得分的误差方差。通过将PLOT3输出作为CFA程序的一部分，可以在MPlus中获得此信息。

要计算因子得分的整体可靠性，请使用以下公式：

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

结果值是因子得分的误差方差。如果您使用MPlus进行后续分析，则可以创建一个由单个项目定义的潜变量（因子得分），然后指定因子得分的可靠性：

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

希望这会有所帮助！有关此问题的重要资源是位于林肯内布拉斯加大学的Lesa Hoffman的SEM课堂讲义（特别是第11讲）。 http://www.lesahoffman.com/948/