크론바흐 알파 계산기

크론바흐 알파 계산기 사용 방법

1. 1. 문항 점수를 붙여넣으세요. Excel, Google 스프레드시트, SPSS 또는 CSV 파일에서 응답을 복사하세요. 한 행은 응답자 한 명, 한 열은 문항 하나입니다. 머리글 행은 선택 사항이며, 계산기가 읽은 표를 확인하세요.
2. 2. 부정적으로 쓰인 문항은 역채점하세요. 반대 방향으로 쓰인 문항, 예를 들어 “I rarely feel prepared”와 같은 문항에는 역채점을 체크하세요. 점수는 (최저 + 최고) − 점수로 바뀌므로, 1–5점 척도에서 2점은 4점이 됩니다.
3. 3. 문항을 고르세요. 사용의 체크를 해제하면 그 문항을 뺍니다. ID 열이나 빼려고 생각 중인 문항에 사용하세요. 선택한 문항 중 하나라도 빠진 응답자는 제외되며, 계산기가 그 수를 알려 줍니다.
4. 4. 알파와 문항 표를 읽으세요. 95% 신뢰구간이 포함된 α, 표준화 α, 각 문항의 수정된 문항-총점 상관과 문항 삭제 시 α를 얻습니다. 방법론 섹션에 쓸 APA 형식 한 줄은 복사하세요.

크론바흐 알파 공식

문항 k개에 n명이 응답했을 때, 크론바흐 알파는 개별 문항의 분산과 총점의 분산을 비교합니다:

• k — 척도의 문항 수.
• s²ᵢ — 응답자들에 걸친 문항 i의 분산으로, 표본 분산입니다(n − 1로 나눔).
• Σs²ᵢ — 문항 분산들의 합.
• s²ₜ — 응답자 총점의 분산으로, k개 문항의 합입니다. 문항들이 함께 오르내리면 총점은 문항 하나하나보다 훨씬 넓게 퍼지므로, 비율 Σs²ᵢ / s²ₜ가 작아지고 α는 1에 가까워집니다.

표준화 알파는 분산 대신 상관을 씁니다: α = k·r̄ / (1 + (k − 1)·r̄). 여기서 r̄은 문항 쌍들 사이의 평균 상관으로, 모든 문항을 z 점수로 바꾼 뒤 얻는 알파와 같습니다. 수정된 문항-총점 상관은 각 문항을 나머지 문항들의 합과 상관시키며, 문항 삭제 시 알파는 그 문항을 뺀 채 α를 다시 계산합니다.

95% 신뢰구간은 Feldt(1965)의 방법입니다. 정규성 가정 아래 (1 − α)/(1 − α̂)는 자유도 n − 1과 (n − 1)(k − 1)인 F 분포를 따르므로, 하한은 1 − (1 − α̂) × F_0.975, 상한은 1 − (1 − α̂) × F_0.025입니다.

풀이 예시: 역으로 쓰인 문항이 있는 척도

예시 불러오기를 눌러 따라 해 보세요. 학생 열두 명이 학습 자신감에 관한 1–5점 동의 문항 다섯 개에 답했으며, Q4는 부정적으로 쓰였습니다. 있는 그대로 붙여넣으면 계산기는 α = 0.576을 보고합니다. 문항 표가 이유를 보여 줍니다. Q4의 수정된 문항-총점 상관은 −0.793이고, Q4를 삭제하면 알파가 0.911로 뛰어오릅니다. 나머지 척도와 강한 음의 상관을 보이는 것은 역으로 쓰인 문항을 뒤집지 않았다는 전형적인 신호입니다.

Q4에 역채점을 체크하세요. 점수는 6 − 점수가 되고, 문항 표는 다음과 같이 바뀝니다:

문항 분산의 합은 5.6212이고 총점의 분산은 21.5455이므로, α = 5/4 × (1 − 5.6212 / 21.5455) = 0.924입니다. 표준화 α는 0.925(문항 간 평균 r = 0.711)이고, 자유도 11과 44의 Feldt 구간은 [0.825, 0.975]입니다. 어떤 문항을 삭제해도 알파가 오르지 않으며(Q2의 0.923이 가장 가깝습니다), 다섯 문항 모두 유지합니다. 구간이 얼마나 넓은지 주목하세요. 응답자가 12명뿐이라 참 알파는 대략 0.82에서 0.98 사이 어디든 될 수 있습니다.

크론바흐 알파 해석과 보고

이 등급은 검정이 아니라 관례입니다. 문항 수가 늘면 알파도 높아지며, 문항들이 약하게만 상관되어 있어도 그렇습니다. 그래서 긴 척도는 일관성이 없어도 우수해 보일 수 있습니다. 높은 알파가 단일 차원성의 증거는 아닙니다. 서로 관련된 두 요인이 함께 높은 알파를 낼 수도 있으므로, 요인 분석으로 구조를 확인하세요. 또한 알파는 모든 문항이 구성 개념을 같은 정도로 반영한다고 가정합니다(tau-동치성). 그렇지 않을 때 알파는 신뢰도를 과소평가하므로, 많은 방법론자가 McDonald의 omega도 함께 보고합니다.

APA 스타일은 알파를 소수점 둘째 자리까지, 0을 생략해 표기하고, 가능하면 신뢰구간과 표본 크기를 함께 보고합니다. 예: “내적 일관성은 매우 우수했습니다. 크론바흐 α = .92, 95% 신뢰구간 [.82, .98] (문항 5개, n = 12).” APA 형식 결과 복사 버튼이 정확히 이 형식으로 통계량을 줍니다.

흔한 실수

• 역채점을 빼먹기. 역으로 쓰인 문항을 뒤집지 않으면 알파가 떨어지고, 음의 문항-총점 상관으로 드러납니다.
• 응답자 번호나 합계 열을 데이터에 남기기. 응답자 번호나 미리 계산된 총점은 문항이 아닙니다. 사용에서 체크를 해제하세요.
• 다차원 설문지에 알파 하나만 계산하기. 하위 척도마다 따로 알파를 계산하고, 모든 문항을 한 번에 묶지 마세요.
• 알파를 올리려고 문항만 삭제하기. 문항 삭제 시 알파는 진단 도구이지 목표가 아닙니다. 내용상 이유가 있을 때만 빼고, 그 사실을 보고하세요.

자주 묻는 질문

좋은 크론바흐 알파는 어느 정도인가요?

가장 많이 인용되는 경험 기준(George와 Mallery, 2003)에 따르면 0.7은 수용 가능, 0.8은 좋음, 0.9는 매우 우수입니다. 집단을 비교하는 연구에서는 0.7 정도면 흔히 충분하지만, 임상 선별처럼 개인에 대해 판단할 때는 보통 0.9 이상이 필요합니다. 약 0.95를 넘으면 더 나은 척도가 아니라 중복된 문항을 뜻할 수 있습니다.

크론바흐 알파가 음수인 이유는 무엇인가요?

문항들이 평균적으로 음의 상관을 보이면 알파는 음수가 되는데, 문항 분산의 합이 총점의 분산보다 커지기 때문입니다. 흔한 원인은 역으로 쓰인 문항을 역채점하지 않은 것이며, 이 계산기는 음의 수정된 문항-총점 상관으로 이를 표시합니다. 코딩 오류와 매우 작은 표본도 의심할 만합니다. 음의 알파는 쓸 수 있는 신뢰도 추정치가 아니므로, 보고하지 말고 채점을 고치세요.

SPSS나 Excel에서 크론바흐 알파는 어떻게 계산하나요?

SPSS에서는 Analyze > Scale > Reliability Analysis를 선택하고, 문항을 옮긴 뒤 모델을 Alpha로 두고, 통계량에서 “Scale if item deleted”를 체크하세요. Excel에서는 VAR.S로 각 문항 열과 행 합계의 표본 분산을 구한 뒤 α = k/(k − 1) × (1 − Σs²ᵢ / s²ₜ)를 적용하세요. 두 방법 모두 기본으로 신뢰구간을 보여 주지 않지만, 이 계산기는 보여 줍니다.

크론바흐 알파와 표준화 알파의 차이는 무엇인가요?

원 알파는 문항 분산과 공분산으로 계산하므로 퍼짐이 큰 문항의 비중이 더 큽니다. 표준화 알파는 평균 문항 간 상관에서 계산하며, 모든 문항을 먼저 z 점수로 바꾼 것처럼 취급합니다. 문항의 분산이 비슷하면 두 값은 일치합니다. 원점수를 합산했다면 보통 그렇듯 원 알파를 보고하세요.

크론바흐 알파를 위해 응답자가 몇 명 필요한가요?

정해진 최소 인원은 없지만, 소표본에서는 알파가 부정확하므로 계산기가 Feldt 신뢰구간을 보여 줍니다. 풀이 예시에서 응답자 12명은 0.82에서 0.98까지의 구간을 낳습니다. 표본이 커지면 구간이 좁아지므로, 받아들일 수 있는 구간 폭에 맞춰 표본을 계획하세요.

크론바흐 알파가 높으면 척도가 타당하거나 단일 차원이라는 뜻인가요?

아닙니다. 알파는 문항들이 함께 얼마나 강하게 변하는지를 측정하며, 그 문항들이 하나의 구성 개념을 반영한다고 가정합니다. 이 가정을 검정하지는 않으며, 일관된 척도도 엉뚱한 것을 측정할 수 있습니다. 구조는 요인 분석으로, 타당도는 별도의 근거로 확인하세요.