Słownik metodologiczny · Psychometria

Model tau-ekwiwalentny a kongeneryczny – kiedy alfa Cronbacha jest właściwa?

Model tau-ekwiwalentny zakłada równe ładunki pozycji, a kongeneryczny pozwala na różne. Pokazujemy, jak porównać je w CFA testem różnicy chi-kwadrat, co to znaczy dla alfy i omegi, przykład w lavaan i opis do pracy.

Strona główna / Słownik / Model tau-ekwiwalentny a kongeneryczny

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

W skrócie: Model tau-ekwiwalentny zakłada, że wszystkie pozycje mają równe ładunki, a kongeneryczny pozwala, by się różniły. Alfa Cronbacha opiera się na tau-ekwiwalentności; gdy CFA ją odrzuca, rzetelność licz z modelu kongenerycznego, np. omegą.

Czym różnią się te modele?

Model tau-ekwiwalentny (ang. tau-equivalent) i model kongeneryczny (ang. congeneric) to dwa modele pomiaru pozycji mierzących jeden czynnik. W modelu kongenerycznym każda pozycja może mieć inny ładunek i inną wariancję błędu. W modelu tau-ekwiwalentnym ładunki są równe, a wariancje błędów mogą się różnić; w wersji „zasadniczo tau-ekwiwalentnej” mogą się różnić także średnie pozycji. Najsilniejszy jest model równoległy, w którym równe są także wariancje błędów. Graham (2006) przypomina, że alfa Cronbacha opiera się na modelu zasadniczo tau-ekwiwalentnym i że naruszenie tego założenia często odpowiada za zaniżanie rzetelności.

Jak sprawdzić, który model pasuje

Hierarchię modeli testuje się w CFA. Model kongeneryczny ma swobodne ładunki, a w tau-ekwiwalentnym nakłada się na nie ograniczenie równości (w lavaan wspólna etykieta, np. l*x1 + l*x2). Modele są zagnieżdżone, więc porównuje je test różnicy chi-kwadrat. Jeśli model tau-ekwiwalentny wyraźnie gorzej pasuje, rzetelność licz z modelu kongenerycznego. Raykov (1997) pokazał, jak oszacować rzetelność kompozytu z miar kongenerycznych w modelu strukturalnym, a McNeish (2018) przypomina, że badacze mimo krytyki wciąż rutynowo raportują alfę, która przy nierealistycznych założeniach zwykle zaniża rzetelność. W praktyce oznacza to omegę McDonalda albo rzetelność kompozytową.

Przykład

W danych symulowanych 300 osób odpowiadało na sześć pozycji o standaryzowanych ładunkach od .82 do .22. Model z równymi ładunkami pasował wyraźnie gorzej niż kongeneryczny: Δχ²(5) = 72.13, p < .001; CFI = .839 i RMSEA = .125 wobec CFI = 1.000 i RMSEA = .000. Alfa wyniosła .732, a omega z modelu kongenerycznego .754.

Jak opisać w pracy

Założenie tau-ekwiwalentności sprawdzono, porównując w CFA model z równymi ładunkami z modelem kongenerycznym. Model tau-ekwiwalentny pasował istotnie gorzej, Δχ²(5) = 72.13, p < .001, dlatego rzetelność skali oszacowano współczynnikiem omega z modelu kongenerycznego (ω = .754; α = .732).

Na co uważać

  • Równość dotyczy ładunków niestandaryzowanych. Standaryzowane mogą się różnić, gdy pozycje mają różne wariancje błędów.
  • Różnica alfy i omegi bywa mała mimo wyraźnego odrzucenia modelu tau-ekwiwalentnego, jak w przykładzie.
  • Skorelowane błędy pozycji łamią oba modele; wtedy alfa może rzetelność także zawyżać.
Przykład reprodukowalny

Test tau-ekwiwalentności w R

Kod dopasowuje jednoczynnikową CFA z równymi i ze swobodnymi ładunkami, porównuje modele testem różnicy chi-kwadrat i zestawia alfę z omegą.

Model z równymi ładunkami a model kongeneryczny

Dane wejściowe: sześć pozycji jednego czynnika o różnych ładunkach w populacji (.85–.30), n = 300 (dane symulowane, set.seed(3031)).

Co odczytać: standaryzowane ładunki, wynik testu różnicy chi-kwadrat, CFI i RMSEA obu modeli oraz alfę Cronbacha i omegę z modelu kongenerycznego.

R
suppressPackageStartupMessages({library(lavaan); library(semTools)})
set.seed(3031)
pop <- "F =~ .85*x1 + .80*x2 + .70*x3 + .55*x4 + .40*x5 + .30*x6"   # ładunki różne
d <- simulateData(pop, sample.nobs = 300, standardized = TRUE)
kong <- cfa("F =~ x1 + x2 + x3 + x4 + x5 + x6", data = d)
tau  <- cfa("F =~ l*x1 + l*x2 + l*x3 + l*x4 + l*x5 + l*x6", data = d)   # równe ładunki
round(standardizedSolution(kong)[1:6, "est.std"], 3)
lrt <- lavTestLRT(tau, kong)
cat(sprintf("Delta chi2 = %.2f, df = %d, p = %.1e\n", lrt[2, "Chisq diff"], lrt[2, "Df diff"], lrt[2, "Pr(>Chisq)"]))
round(rbind(kongeneryczny = fitMeasures(kong, c("cfi", "rmsea")),
            tau_ekwiwalentny = fitMeasures(tau, c("cfi", "rmsea"))), 3)
S <- cov(d); k <- ncol(d)
round(c(alfa = k / (k - 1) * (1 - sum(diag(S)) / sum(S)), omega = compRelSEM(kong)[["F"]]), 3)
Wynik w R
[1] 0.818 0.763 0.647 0.580 0.414 0.221
Delta chi2 = 72.13, df = 5, p = 3.7e-14
                   cfi rmsea
kongeneryczny    1.000 0.000
tau_ekwiwalentny 0.839 0.125
 alfa omega 
0.732 0.754

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety lavaan i semTools). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lavaan (wersja 0.7.2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  3. semTools (wersja 0.5.8): Jorgensen, T. D., Pornprasertmanit, S., Schoemann, A. M., & Rosseel, Y. (2026). semTools: Useful tools for structural equation modeling (R package version 0.5-8) [Computer software]. https://CRAN.R-project.org/package=semTools

Najczęstsze pytania

Jak sprawdzić założenie tau-ekwiwalentności w R?

Dopasuj w lavaan jednoczynnikową CFA z wspólną etykietą ładunków i bez niej, a potem porównaj modele funkcją lavTestLRT(). Istotny wynik oznacza odrzucenie równych ładunków.

Czy przy modelu kongenerycznym alfa Cronbacha jest błędna?

Nie jest bezużyteczna, ale przy nieskorelowanych błędach zwykle zaniża rzetelność. Właściwszym oszacowaniem jest omega z modelu kongenerycznego, a alfę można podać obok.

Czym różni się model równoległy od tau-ekwiwalentnego?

W modelu równoległym równe są ładunki i wariancje błędów, więc pozycje mają tę samą rzetelność. W tau-ekwiwalentnym równe są tylko ładunki.

Powiązane hasła

Omega McDonaldaRzetelność kompozytowa (Composite Reliability, rho_C)Ładunek czynnikowyTest różnicy chi-kwadrat w SEMSpójność wewnętrzna (rzetelność skali)

Poradniki, w których użyjesz tego pojęcia

Poradnik

Alfa Cronbacha – rzetelność skali

Założenia alfy, analiza pozycji, „alfa po usunięciu pozycji” bez pułapek, tau-równoważność i omega McDonalda – z danymi i kodem R.

Czytaj →Poradnik

Kalkulator alfy i omegi z ładunków

Omega McDonalda, alfa Cronbacha i współczynnik H z ładunków CFA oraz liczba pozycji potrzebna do zadanej rzetelności. Ze wzorami i kodem R.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Graham, J. M. (2006). Congeneric and (essentially) tau-equivalent estimates of score reliability. Educational and Psychological Measurement, 66(6), 930–944. https://doi.org/10.1177/0013164406288165
  2. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  3. Raykov, T. (1997). Estimation of composite reliability for congeneric measures. Applied Psychological Measurement, 21(2), 173–184. https://doi.org/10.1177/01466216970212006

Cytowania BibTeX

@article{graham2006congeneric, author={Graham, James M.}, title={{Congeneric and (essentially) tau-equivalent estimates of score reliability}}, journal={Educational and Psychological Measurement}, year={2006}, volume={66}, number={6}, pages={930--944}, doi={10.1177/0013164406288165}}
@article{mcneish2018thanks, author={McNeish, Daniel}, title={{Thanks coefficient alpha, we’ll take it from here}}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}
@article{raykov1997estimation, author={Raykov, Tenko}, title={{Estimation of composite reliability for congeneric measures}}, journal={Applied Psychological Measurement}, year={1997}, volume={21}, number={2}, pages={173--184}, doi={10.1177/01466216970212006}}
R