Intern konsistens
Inom statistik och forskning är intern konsistens typiskt sett ett mått baserat på korrelationerna mellan olika poster på samma test (eller samma subskala på ett större test). Det mäter om flera objekt som föreslår att mäta samma generella konstruktion ger liknande poäng. Till exempel, om en respondent uttryckte samtycke till påståendena "Jag gillar att cykla" och "Jag har tyckt om att cykla tidigare" och inte håller med påståendet "Jag hatar cyklar", skulle detta vara ett tecken på god intern konsistens av testet.
Cronbachs alfa
Intern konsistens mäts vanligtvis med Cronbachs alfa, en statistik som beräknas utifrån de parvisa korrelationerna mellan poster. Intern konsistens sträcker sig mellan negativ oändlighet och en. Koefficient alfa kommer att vara negativ när det finns större variation inom subjekt än mellan subjekt.
En allmänt accepterad tumregel för att beskriva intern konsistens är följande:
| Cronbachs alfa | Intern konsistens |
|---|---|
| 0,9 ≤ a | Excellent |
| 0,8 ≤ a < 0,9 | Bra |
| 0,7 ≤ a < 0,8 | Godtagbar |
| 0,6 ≤ a < 0,7 | Tveksamt |
| 0,5 ≤ a < 0,6 | Fattig |
| a < 0,5 | Oacceptabel |
Mycket höga tillförlitligheter (0,95 eller högre) är inte nödvändigtvis önskvärda, eftersom detta indikerar att objekten kan vara överflödiga. Målet med att designa ett tillförlitligt instrument är att poäng på liknande objekt ska vara relaterade (internt konsekventa), men att var och en ska bidra med lite unik information också. Notera vidare att Cronbachs alfa nödvändigtvis är högre för tester som mäter mer smala konstruktioner och lägre när mer generiska, breda konstruktioner mäts. Detta fenomen, tillsammans med ett antal andra skäl, talar emot att använda objektiva gränsvärden för interna konsekvensmått. Alfa är också en funktion av antalet objekt, så kortare skalor kommer ofta att ha lägre tillförlitlighetsuppskattningar men ändå vara att föredra i många situationer eftersom de är lägre börda.
Ett alternativt sätt att tänka på intern konsistens är att det är i vilken utsträckning alla objekt i ett test mäter samma latenta variabel . Fördelen med detta perspektiv jämfört med föreställningen om en hög medelkorrelation mellan objekten i ett test – perspektivet som ligger bakom Cronbachs alfa – är att den genomsnittliga artikelkorrelationen påverkas av skevhet (i fördelningen av artikelkorrelationer) precis som alla andra medelvärden är . Sålunda, medan den modala artikelkorrelationen är noll när objekten i ett test mäter flera icke-relaterade latenta variabler, kommer den genomsnittliga artikelkorrelationen i sådana fall att vara större än noll. Således, medan idealet för mätning är att alla objekt i ett test mäter samma latenta variabel, har alfa många gånger visat sig uppnå ganska höga värden även när uppsättningen av objekt mäter flera icke-relaterade latenta variabler. Den hierarkiska "koefficienten omega" kan vara ett mer lämpligt index för i vilken utsträckning alla poster i ett test mäter samma latenta variabel. Flera olika mått på intern konsekvens granskas av Revelle & Zinbarg (2009).