Case 1 - Alpha Cronbach

Cálculo do Alpha Cronbach baseado no capítulo de análise fatorial do livro Field, A., Miles, J., & Field, Z. (2012). Discovering statistics with R. Sage Publications Ltd.

Análise de confiabilidade

Este tutorial é baseado em Field et al. (2012).

A análise de confiabilidade pode ser feita com a função alfa () no pacote psych

Preparação dos dados

dat <- read.table("raq.dat", header = TRUE)

Este conjunto de dados é um questionário com 23 itens com quatro subescalas medindo diferentes tipos de medo:

Subescala 1 (computerFear): itens 6, 7, 10, 13, 14, 15, 18

Subescala 2 (statsFear): itens 1, 3 (reverse-scored), 4, 5, 12, 16, 21

Subescala 3 (mathsFear): itens 8, 11, 17

Subescala 4 (peerFear): itens 2, 9, 19, 22

head(dat)

computerFear <- dat[, c(6, 7, 10, 13, 14, 15, 18)]
statsFear <- dat[, c(1, 3, 4, 5, 12, 16, 20, 21)]
mathsFear <- dat[, c(8, 11, 17)]
peerFear <- dat[, c(2, 9, 19, 22, 23)]

Precisamos indicar que Q3 é um reverse-scored

library(psych)
stat <- alpha(statsFear, keys = c(1, -1, 1, 1, 1, 1, 1, 1)) # Q03, que é o item 2 na subescala statsFear 
comp <- alpha(computerFear)
math <- alpha(mathsFear)
peer <- alpha(peerFear)

vamos interpretar a dimensão computerFear

comp$total

comp$alpha.drop

comp$response.freq

             1          2         3         4          5 miss
Q06 0.05678724 0.09801634 0.1338001 0.4383508 0.27304551    0
Q07 0.08518086 0.24231816 0.2578763 0.3403345 0.07429016    0
Q10 0.01555815 0.09646052 0.1816414 0.5659277 0.14041229    0
Q13 0.02800467 0.11746402 0.2547647 0.4753014 0.12446519    0
Q14 0.06884481 0.17619603 0.3788409 0.3146636 0.06145469    0
Q15 0.05834306 0.17775185 0.3026060 0.3943991 0.06690004    0
Q18 0.05717620 0.11629716 0.3084403 0.3741735 0.14391287    0

O que significam as estatísticas de resumo?

Raw_alpha: \(\alpha\) de Cronbach (valores ≥ 0,7 ou 0,8 indicam boa confiabilidade)

Std.alpha: isso deve ser semelhante ao raw_alpha (só precisamos do alfa em bruto)

Como interpretar ‘Confiabilidade se um item é descartado’?

Por exemplo, a primeira linha refere-se a Q06 e, se for descartada, a \(\alpha\) total torna-se 0.79, o que reflete uma pior confiabilidade, então queremos manter Q06

Demais dimensões

stat$total

stat$alpha.drop

stat$response.freq

             1          2         3         4          5 miss
Q01 0.01594710 0.07273434 0.2858810 0.5204201 0.10501750    0
Q03 0.02956048 0.17425126 0.3415014 0.2613769 0.19331000    0
Q04 0.04706340 0.16997277 0.3593932 0.3691171 0.05445352    0
Q05 0.04045119 0.18475301 0.2901595 0.4259043 0.05873201    0
Q12 0.08673668 0.22909374 0.4640218 0.1971995 0.02294827    0
Q16 0.05562038 0.16413847 0.4196811 0.3251653 0.03539479    0
Q20 0.21820303 0.37028394 0.2473746 0.1458576 0.01828082    0
Q21 0.09295994 0.28704784 0.3364450 0.2648775 0.01866978    0

math$total

math$alpha.drop

math$response.freq

             1          2         3         4          5 miss
Q08 0.02800467 0.05717620 0.1874757 0.5783742 0.14896927    0
Q11 0.02255932 0.06417736 0.2197588 0.5328666 0.16063788    0
Q17 0.02800467 0.09723843 0.2730455 0.5169195 0.08479191    0

peer$total

peer$alpha.drop

peer$response.freq

              1          2          3         4          5 miss
Q02 0.007779074 0.03928433 0.08012447 0.3142746 0.55853753    0
Q09 0.082458187 0.28471412 0.22987165 0.2026449 0.20031116    0
Q19 0.023337223 0.14624660 0.21625827 0.3274990 0.28665889    0
Q22 0.045507585 0.25515364 0.34111241 0.2582653 0.09996110    0
Q23 0.124465189 0.42434850 0.27071179 0.1221315 0.05834306    0

O que aconteceria se ignorássemos que Q3 é um reverse-scored? WRONG!

library(psych)
stat <- alpha(statsFear, keys = c(1, -1, 1, 1, 1, 1, 1, 1)) # Q03, que é o item 2 na subescala statsFear 
stat$total

stat$alpha.drop