Cronbachs Alpha: Auswerten und berichten

Im ersten Teil der Ausgabe sagt uns SPSS, wie viele der Fälle für die Berechnung verwendet wurden. Dies sehen wir in der Tabelle Zusammenfassung der Fallverarbeitung.

In unserem Beispieldatensatz hatten wir 200 Fälle, von denen keiner ausgeschlossen wurde. SPSS berechnet automatisch einen listenweisen Fallausschluss. Daher, wenn auch nur ein einziger Wert bei einer Variablen fehlen würde, wäre der komplette Fall von der Auswertung ausgeschlossen worden.

Im nächsten Teil der Ausgabe sehen wir auch schon das wichtigste Maß dieser Analyse: Cronbachs Alpha. SPSS gibt uns eine Tabelle mit drei Spalten. In der ersten Spalte steht Cronbachs Alpha, wie wir es auch in einer Arbeit berichten würden. In der zweiten Spalte steht Cronbachs Alpha, das aus den Korrelationen (und nicht den Kovarianzen) berechnet wurde. Das zweite Cronbachs Alpha wird berechnet, indem alle Items standardisiert werden und alle dieselbe Varianz haben.

In der letzten Spalte steht noch einmal die Anzahl an Items, aus der unsere Skala besteht. In unserem Beispieldatensatz hatten wir zehn Items, welche die Skala für positiven Affekt bilden.

Die nächste Tabelle sind die Itemstatistiken. Wir sehen noch einmal für jedes Item Mittelwert, Standardabweichung und die Anzahl an Items N, die in die Analyse eingeflossen sind.

Die Tabelle mit den Itemstatistiken sagt uns etwas über das Antwortverhalten unserer Probanden. Wir verwenden den PANAS in unserem Beispieldatensatz. Der PANAS ist eine fünfstufige Skala, die von „gar nicht“ (1) bis „äußerst“ (5) geht, wobei 3 die Mitte der Skala ist. Wir können beispielsweise sehen, dass das Item stolz den niedrigsten Wert erzielt hat und gleichzeitig die höchste Standardabweichung besitzt.

Wichtiger sind allerdings die nächsten beiden Tabellen, von denen uns vor allem die Item-Skala-Statistiken interessiert.

Die korrigierte Item-Skala-Korrelation sagt uns, wie hoch jedes Item mit allen anderen Items korreliert. Dieser Wert wird gewöhnlicherweise als Trennschärfe bezeichnet. Gute Werte sind Korrelationen von .3 oder mehr, welche alle Items erfüllen. Die Faustregel lautet: Items mit einer Trennschärfe unter .3 sollten verworfen oder überarbeitet werden. Die nächste interessante Spalte ist Cronbachs Alpha, wenn Item weggelassen. SPSS hat für jedes Item erneut Cronbachs Alpha für die gesamte Skala berechnet, als wenn dieses Item nicht Teil der Skala wäre (part-whole-Korrektur). Wenn alle Items in der Skala bleiben, haben wir ein Alpha von .891. Cronbachs Alpha wird niedriger für jedes Item, das wir aus der Skala nehmen, bis auf angeregt. Allerdings verbessert sich Alpha lediglich von .891 auf .894, wenn wir dieses Item aus der Skala nehmen, was vernachlässigbar ist. Daher lassen wir das Item in der Skala.

Die letzte interessante Spalte dieser Tabelle ist die quadrierte multiple Korrelation. Hier berechnet SPSS für jedes Item eine multiple Regression, bei der diese Variable das Kriterium ist und alle anderen Variablen die Prädiktoren sind. In der Theorie sollten Items in der Lage sein, andere Items gut vorherzusagen, da alle dasselbe Konstrukt messen. Die quadrierte multiple Korrelation ist das R² der Regressionsanalyse und damit die aufgeklärte Varianz. Allerdings gibt es hier Schwierigkeiten, die direkt durch die Regression entstehen. Zum einen wird R² umso höher sein, umso mehr Prädiktoren wir haben. Zum anderen sind Korrelationen und Regressionen für kleine Stichproben oft nur wenig aussagekräftig.

Cronbachs Alpha interpretieren

Im letzten Schritt müssen wir Cronbachs Alpha noch interpretieren und die Ergebnisse berichten. Für die Interpretation können wir uns an folgenden Richtlinien orientieren:

Quelle: modifiziert nach Blanz (2015)

Negatives Cronbachs Alpha

In seltenen Fällen kann Cronbachs Alpha auch negative Werte annehmen. In solchen Fällen sollte man sich noch einmal die Inter-Item-Korrelationsmatrix anschauen. Die häufigste Ursachen für ein negatives Alpha sind, dass wir entweder vergessen haben, Items zu invertieren, oder dass wir Items in die Skala aufgenommen haben, die etwas gegensätzliches messen. In beiden Fällen würden wir geringe oder negative Korrelationen zwischen Items erwarten.

Falls es Anhaltspunkte gibt, dass die Skala kein einheitliches Konstrukt misst, sollte eventuell noch einmal eine Hauptkomponentenanalyse durchgeführt werden, um die Struktur der Daten zu überprüfen.

Berichten der Ergebnisse

Literaturverzeichnis

1. Blanz, M. (2015). Forschungsmethoden und Statistik für die Soziale Arbeit: Grundlagen und Anwendungen. Stuttgart: Kohlhammer.