📋 Worum geht's
Ein Messmodell beschreibt, wie beobachtbare Items mit einer latenten Variable (dem Konstrukt)
zusammenhängen: jedes Item i lädt mit λi auf den Faktor und hat eine
Fehlervarianz θi. Welche Annahmen man über diese Parameter trifft, entscheidet, welcher
Reliabilitätskoeffizient korrekt ist. Genau das ist die fehlende Brücke zwischen Faktoranalyse und
Reliabilität (α vs. ω).
① Modellklasse & Reliabilität
McDonalds ωtotal (korrekt)
—
ωt = (Σλ)² / [(Σλ)² + Σθ]
Cronbachs α
—
setzt Tau-Äquivalenz voraus
Lücke ωtotal − α
—
Unterschätzung durch α
—
② Messmodell — Pfaddiagramm
③ Implizierte Kovarianzmatrix
Konzepte
Die Modell-Hierarchie
Parallel ⊂ tau-äquivalent ⊂ kongenerisch —
jedes Modell lockert eine Annahme: parallel verlangt gleiche λ und gleiche θ, tau-äquivalent nur gleiche λ,
kongenerisch lässt beides frei. Je allgemeiner, desto realistischer — aber desto wichtiger der richtige Koeffizient.
Warum α die Tau-Äquivalenz braucht
Der Grund: α beruht auf dem ungewichteten Summenscore — jedes Item zählt
gleich viel, ohne eigene Gewichtung. Das ist genau dann optimal, wenn alle Items das Konstrukt gleich gut messen,
also gleiche Ladungen haben (Tau-Äquivalenz). Sind die Ladungen ungleich, behandelt α starke und
schwache Items trotzdem gleich und verschenkt Information → es unterschätzt die Reliabilität.
ω gewichtet jedes Item mit seiner Ladung und bleibt deshalb auch bei kongenerischen Daten korrekt.
Die Matrix verrät das Modell
Parallel: alle Diagonalen gleich, alle Kovarianzen gleich.
Tau: Kovarianzen (λiλj) gleich, Varianzen ungleich.
Kongenerisch: alles ungleich. Das Modell ist direkt an der implizierten Kovarianzmatrix ablesbar.
Brücke: EFA → Reliabilität
Die Faktoranalyse schätzt die Ladungen aus echten Daten; hier siehst du,
welches Modell dahintersteht und welcher Koeffizient gilt. Das vertieft dann das α-vs-ω-Tool.
→ Faktoranalyse (EFA)
→ Faktoranalyse (EFA)
Müssen λ und θ exakt gleich sein?
In der Realität nie — die Modelle sind Idealisierungen, echte Werte streuen immer
etwas (das Tool nutzt eine kleine Toleranz; minimale Slider-Bewegungen kippen die Klasse daher nicht sofort).
Entscheidend ist, welche Gleichheit wofür zählt:
• Ladungen λ entscheiden über α vs. ω — nur bei (annähernd) gleichen λ ist α exakt, sonst unterschätzt es.
• Fehlervarianzen θ trennen nur parallel von tau-äquivalent. Da schon Tau-Äquivalenz für α = ω genügt, ist θ-Gleichheit für die Reliabilitätszahl irrelevant — sie zählt erst, wenn man echte Austauschbarkeit braucht.
Praxis: Gleichheits-Annahmen per CFA testen (χ²-Differenztest, CFI/RMSEA) — oder gleich ω berichten. Im Zweifel ω.
• Ladungen λ entscheiden über α vs. ω — nur bei (annähernd) gleichen λ ist α exakt, sonst unterschätzt es.
• Fehlervarianzen θ trennen nur parallel von tau-äquivalent. Da schon Tau-Äquivalenz für α = ω genügt, ist θ-Gleichheit für die Reliabilitätszahl irrelevant — sie zählt erst, wenn man echte Austauschbarkeit braucht.
Praxis: Gleichheits-Annahmen per CFA testen (χ²-Differenztest, CFI/RMSEA) — oder gleich ω berichten. Im Zweifel ω.
Wozu überhaupt parallel?
Für die Reliabilitätszahl bringt parallel nichts über tau-äquivalent hinaus — dort gilt
bereits α = ω exakt. Der Gewinn von parallel ist die Austauschbarkeit: gleiche Ladungen und
gleiche Fehlervarianzen machen alle Items (und ganze Testhälften oder -formen) zu echten gleichwertigen Replikaten.
Erst dann kann man parallele Testformen (Form A/B) bauen, den Test beliebig in äquivalente
Hälften teilen (Split-Half exakt, egal wie geteilt) und Items ohne Eigenschaftsänderung tauschen
oder weglassen — jedes Item misst mit identischer Präzision (gleicher SEM). Der Preis: parallel ist die
strengste und unrealistischste Annahme.