📋 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. Beispiel: Die Faktoranalyse hat für den 8-Item-Kognitionstest
(V1–V4 verbal, S1–S4 räumlich) gerade Ladungen geschätzt — welches Modell (parallel / tau-äquivalent / kongenerisch)
steckt darin, und welcher Reliabilitätskoeffizient ist deshalb korrekt? Welche Annahmen man über λ und θ trifft,
entscheidet genau das. Das ist die fehlende Brücke zwischen Faktoranalyse und Reliabilität (α vs. ω).
① Modellklasse & Reliabilität
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.