Quellenhinweis: Externe Angaben sind an der jeweiligen Passage verlinkt. Eigene Preise, Abläufe und Leistungsbeschreibungen sind als Angaben von Hermes Writing zu verstehen. Details: Redaktions- und Korrekturrichtlinie.
Die direkte Antwort: Öffnen Sie in SPSS Analysieren → Skala → Reliabilitätsanalyse, verschieben Sie ausschließlich die Items derselben theoretischen Skala in das Feld „Items“ und wählen Sie das Modell „Alpha“. Unter „Statistiken“ aktivieren Sie mindestens „Item“, „Skala“, „Skala, wenn Item gelöscht“ sowie die Inter-Item-Korrelationen. Der Gesamtwert ist anschließend nur der Einstieg: Prüfen Sie Kodierung, gültige Fälle, Item-Skala-Korrelationen, die Löschsensitivität und die Dimensionalität, bevor Sie einen Score bilden oder ein Item entfernen.
Vor SPSS: Welche Items dürfen überhaupt gemeinsam in Alpha?
Alpha ist nur sinnvoll, wenn die ausgewählten Items als gemeinsamer Summen- oder Mittelwertscore interpretiert werden sollen. Beginnen Sie daher nicht mit allen Likert-Items des Fragebogens, sondern mit der theoretisch definierten Skala. Misst ein Fragebogen beispielsweise Arbeitszufriedenheit, Kündigungsabsicht und organisationale Bindung, benötigen diese Konstrukte getrennte Analysen — selbst wenn alle Antworten dieselbe Skala von 1 bis 5 verwenden. Ein hoher gemeinsamer Wert würde die inhaltlich verschiedenen Konstrukte nicht nachträglich zu einer Skala machen.
Prüfen Sie danach die Polung. Bei einer Zustimmungsskala bedeutet ein hoher Zahlenwert normalerweise „mehr vom Konstrukt“. Ein negativ formuliertes Item wie „Ich gehe nur widerwillig zur Arbeit“ muss deshalb vor der Analyse umgepolt werden, wenn die übrigen Aussagen hohe Zufriedenheit ausdrücken. Für eine fünfstufige Antwortskala lautet die Transformation 1 ↔ 5, 2 ↔ 4 und 3 bleibt 3. Rechnen Sie bevorzugt in eine neue Variable, damit die Rohdaten erhalten bleiben:
RECODE zuf3 (1=5) (2=4) (3=3) (4=2) (5=1) INTO zuf3_r.
VARIABLE LABELS zuf3_r 'zuf3 negativ gepolt, rekodiert'.
EXECUTE.Kontrollieren Sie außerdem Wertebereiche und fehlende Werte. Eine 99 für „keine Angabe“ darf nicht als besonders starke Zustimmung in die Kovarianzen eingehen. SPSS schließt im RELIABILITY-Verfahren standardmäßig Fälle listwise aus: Fehlt bei einer Person eines der gemeinsam analysierten Items, kann der gesamte Fall für diese Analyse entfallen. Bei mehreren Skalen in einem einzigen Befehl kann die gemeinsame Variablenliste die Fallzahl zusätzlich verkleinern. Analysieren Sie getrennte Skalen daher vorzugsweise in getrennten Befehlen und berichten Sie das tatsächlich verwendete n.
Cronbachs Alpha in SPSS: Klickpfad und reproduzierbare Syntax
Der deutschsprachige Klickpfad lautet in aktuellen SPSS-Versionen Analysieren → Skala → Reliabilitätsanalyse…. Verschieben Sie die korrekt gepolten Variablen zuf1, zuf2, zuf3_r, zuf4 und zuf5 in „Items“. Wählen Sie unter „Modell“ Alpha. Öffnen Sie „Statistiken…“ und markieren Sie bei den Deskriptiven mindestens Item, Skala und Skala, wenn Item gelöscht; ergänzen Sie die Korrelationen zwischen den Items. Mit „Einfügen“ statt „OK“ erzeugt SPSS den Befehl, den Sie im Syntaxfenster speichern und später exakt wiederholen können.
Die entsprechende Syntax sieht so aus:
RELIABILITY
/VARIABLES=zuf1 zuf2 zuf3_r zuf4 zuf5
/SCALE('Arbeitszufriedenheit') ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR
/SUMMARY=TOTAL./MODEL=ALPHA fordert Cronbachs Alpha an. /SUMMARY=TOTAL erzeugt die Item-Gesamtwert-Diagnostik einschließlich der Kennwerte bei Itemlöschung. Die IBM-Dokumentation zum RELIABILITY-Befehl zeigt die vollständige Syntax und weist darauf hin, dass das Verfahren additive Mehr-Item-Skalen untersucht. Speichern Sie Syntax, Ausgabedatei, SPSS-Version und Analysedatum zusammen; ein Screenshot des Dialogfensters ist kein reproduzierbares Analyseprotokoll.
Erhalten Sie ein negatives Alpha oder unerwartet starke negative Itemkorrelationen, stoppen Sie die Interpretation. Häufige Ursachen sind ein nicht umgepoltes Item, falsche Wertelabels, ein versehentlich einbezogenes Fremdkonstrukt oder tatsächlich gegenläufige Antworten. Das Vorzeichen lässt sich nicht durch eine großzügigere Grenzwertregel reparieren. Vergleichen Sie Variablenansicht, Fragebogen und Codebuch, korrigieren Sie nur nach inhaltlicher Prüfung und führen Sie die gesamte Analyse erneut aus. Der umfassendere Ablauf von Rohdaten bis Skalenwert steht im Beitrag Fragebogen in SPSS auswerten.
Annotierter Beispiel-Output: fünf Zeilen richtig lesen
Das folgende Beispiel ist bewusst didaktisch und kein Ergebnis einer realen Studie. Analysiert wurden fünf Items zur Arbeitszufriedenheit bei 214 vollständig beobachteten Fällen. SPSS meldet zunächst α = .812. Diese Zahl darf als interne Konsistenz der aktuellen Fünf-Item-Fassung beschrieben werden; sie sagt allein noch nicht, warum ein Item abweicht oder ob alle Items nur eine Dimension messen.
| SPSS-Ausgabe | Beispielwert | Annotation |
|---|---|---|
| Gültige Fälle | 214 (95,1 %) | Alpha basiert auf 214 Fällen. Prüfen und berichten Sie, warum 11 Fälle ausgeschlossen wurden. |
| Cronbachs Alpha | .812 | Geschätzte interne Konsistenz der fünf gemeinsam analysierten Items in dieser Stichprobe. |
| Anzahl der Items | 5 | Der Wert ist ohne Itemzahl unvollständig; Alpha hängt unter anderem von der Testlänge ab. |
| Korrigierte Item-Skala-Korrelation für zuf3_r | −.18 | Warnsignal: Das Item läuft gegen den Score aus den übrigen Items. Zuerst Polung, Dateneingabe und Inhalt prüfen. |
| Alpha, wenn zuf3_r gelöscht | .861 | Ohne dieses Item wäre Alpha höher. Das begründet eine Prüfung, aber noch keine Löschung. |
„Korrigierte Item-Skala-Korrelation“ bedeutet: Das Item wird mit dem Summenwert der anderen Items korreliert. Dadurch wird vermieden, dass sich ein Item über seinen eigenen Anteil am Gesamtwert künstlich bestätigt. Ein deutlich negatives Ergebnis ist meist ein Diagnoseanlass. Kleine positive Werte können auf schwache inhaltliche Passung, geringe Varianz, missverständliche Formulierung oder eine zweite Dimension hinweisen. Starre Löschgrenzen sind dennoch problematisch: Bei sehr kurzen oder bewusst breit angelegten Skalen kann die erwartete Beziehung anders ausfallen als bei engen, homogenen Itembatterien.
Lesen Sie auch die Inter-Item-Korrelationsmatrix. Ein einzelnes Item, das mit fast allen anderen negativ zusammenhängt, spricht eher für Polungs- oder Passungsprobleme. Zwei Gruppen, die innerhalb der Gruppe hoch und zwischen den Gruppen schwach korrelieren, sprechen dagegen möglicherweise für zwei Subdimensionen. Der Gesamtwert α kann dieses Muster verdecken. Die annotierte UCLA-SPSS-Erklärung zeigt sowohl die Berechnung als auch den entscheidenden Zusatz: Ein hohes Alpha impliziert keine Eindimensionalität.
„Alpha, wenn Item gelöscht“: prüfen statt automatisch streichen
Die Spalte beantwortet eine eng begrenzte Gegenfrage: Wie hoch wäre Cronbachs Alpha, wenn die Skala aus allen übrigen Items bestünde? Steigt der Wert von .812 auf .861, sobald zuf3_r entfällt, ist das Item statistisch auffällig. SPSS weiß jedoch nicht, ob das Item falsch rekodiert, sprachlich missverstanden, für die inhaltliche Breite unverzichtbar oder Teil einer eigenen Dimension ist. Genau deshalb darf der höchste Wert in dieser Spalte nicht als automatische Löschanweisung behandelt werden.
Gehen Sie in dieser Reihenfolge vor:
- Kodierung prüfen: Stimmen Rohantworten, Wertelabels, Missing-Codes und Umpolung mit dem Fragebogen überein?
- Iteminhalt prüfen: Misst die Aussage wirklich dasselbe Konstrukt oder einen bewusst separaten Aspekt?
- Verteilung prüfen: Gibt es Boden- oder Deckeneffekte, fast keine Varianz oder viele fehlende Angaben?
- Skalenmanual und Präregistrierung prüfen: Ist die Itemzusammensetzung vorgegeben? Wurde die Entscheidung vor der Analyse festgelegt?
- Dimensionalität prüfen: Passt ein Ein-Faktor-Modell oder bilden die Items mehrere sinnvolle Faktoren?
- Sensitivität dokumentieren: Berichten Sie bei begründeter Änderung die ursprüngliche und die revidierte Fassung transparent.
Ein Beispiel für eine vertretbare Entscheidung lautet: „Item 3 wurde nicht wegen der isolierten Alpha-Steigerung entfernt, sondern weil die Prüfung des Fragebogens eine fehlerhafte Polung zeigte; nach korrekter Rekodierung betrug die korrigierte Item-Skala-Korrelation .47 und α = .84.“ Anders liegt der Fall, wenn das Item semantisch ein anderes Konstrukt misst: Dann kann ein Ausschluss inhaltlich begründet werden, verändert aber die Definition der Skala. Diese Änderung gehört in Methodik und Limitationen. Wer Items wiederholt entfernt, bis ein Wunschwert erscheint, optimiert die Kennzahl an der Stichprobe und riskiert eine Fassung, die in neuen Daten nicht stabil bleibt.
Warum .70 keine magische Bestehensgrenze ist
Die häufig gelernte Regel „ab .70 akzeptabel“ ist eine grobe Konvention, keine Naturkonstante. Alpha hängt von der Anzahl der Items und ihren durchschnittlichen Kovarianzen ab: Zusätzliche, sehr ähnliche Items können den Wert erhöhen, ohne das Konstrukt breiter oder valider zu messen. Kurze Skalen können bei brauchbaren Zusammenhängen niedrigere Werte erhalten. Sehr hohe Werte können wiederum auf redundante Formulierungen hinweisen. Deshalb ist weder .69 automatisch unbrauchbar noch .91 automatisch ausgezeichnet.
Beurteilen Sie den Wert relativ zu Zweck, Skalenlänge, Konstruktbreite, Messmodell, Stichprobe und Konsequenzen. Für eine explorative Arbeit mit einer kurzen neuen Skala ist die Unsicherheit anders zu diskutieren als für eine individualdiagnostische Entscheidung mit hohen Folgen. Vergleichen Sie mit methodisch passenden Vorarbeiten, aber übernehmen Sie deren Wert nicht als Garantie. Berichten Sie den exakten Koeffizienten statt Kategorien wie „gut“ oder „schlecht“ allein. Für die Methodenprüfung ist außerdem entscheidend, ob der gebildete Score später genau so in Korrelation, Regression oder Gruppenvergleich verwendet wird.
Alpha ist auch kein Validitätsnachweis. Fünf fast gleich formulierte Items können sehr konsistent sein und trotzdem am interessierenden Konstrukt vorbeimessen. Ebenso wird eine Korrelation mit einem Außenkriterium nicht automatisch glaubwürdig, nur weil α einen üblichen Richtwert übersteigt. Die Verbindung von Forschungsfrage, Operationalisierung und Analyse behandelt der Beitrag Methodik-Fehler erkennen; dort gehört Reliabilität in eine längere Beweiskette, nicht auf ein einzelnes Prüfkästchen.
Hoher Alpha-Wert bedeutet nicht eindimensional
Eine Skala kann zwei stark korrelierte Teilbereiche enthalten und dennoch ein hohes Gesamt-Alpha erreichen. Alpha fragt nach gemeinsamer Kovariation und Testlänge, nicht direkt danach, wie viele latente Faktoren die Antworten erklären. Für die Aussage „Die Items bilden eine eindimensionale Skala“ benötigen Sie daher zusätzliche Evidenz, etwa eine explorative oder konfirmatorische Faktorenanalyse, theoretisch erwartete Ladungsmuster und eine Prüfung lokaler Abhängigkeiten.
Bei einer explorativen Faktorenanalyse betrachten Sie nicht nur die verbreitete Eigenwertregel. Prüfen Sie Scree-Plot, Parallelanalyse, Ladungsmuster, Kreuzladungen und die fachliche Interpretierbarkeit. Bei einer bereits etablierten Struktur ist eine konfirmatorische Prüfung oft angemessener. Die Stichprobengröße, ordinale Antwortskalen und das gewählte Schätzverfahren beeinflussen diese Analyse. Ein Alpha pro theoretisch und empirisch bestätigter Subskala ist meist informativer als ein hoher Gesamtwert über heterogene Dimensionen.
Der praktische Ablauf lautet deshalb: Zuerst legt die Theorie fest, welche Items eine Dimension bilden sollen. Danach prüft die Faktorenanalyse, ob die Daten diese Struktur hinreichend stützen. Erst für den tatsächlich verwendeten Score wird Reliabilität berichtet. Wenn eine zweidimensionale Lösung sinnvoll ist, rechnen Sie nicht durch bloßes Weglassen auffälliger Items eine künstlich homogene Gesamtskala; bilden und benennen Sie die Subskalen, sofern Instrument und Fragestellung das rechtfertigen.
Wann McDonalds Omega die bessere Ergänzung ist
Cronbachs Alpha ist besonders gut interpretierbar, wenn die Items vergleichbare Beiträge zum Konstrukt leisten — vereinfacht: wenn die Annahme annähernd gleicher wahrer Itemladungen plausibel ist. In realen Fragebögen laden Items jedoch häufig unterschiedlich stark. McDonalds Omega verwendet ein Faktormodell und kann diese ungleichen Ladungen berücksichtigen. Es ist deshalb oft eine sinnvollere oder zumindest wichtige ergänzende Reliabilitätsschätzung für kongenerische Skalen.
Omega ist ebenfalls keine magische Reparatur. Das in der IBM-Dokumentation zur Reliabilitätsanalyse beschriebene eindimensionale Modell setzt einen gemeinsamen Faktor und keine lokalen Itemabhängigkeiten in Form korrelierter Fehler voraus. Passt dieses Modell nicht, ist auch ω schwer zu rechtfertigen. Daniel McNeish erläutert in seinem peer-reviewten Beitrag die restriktiven Alpha-Annahmen und mehrere Alternativen; der vollständige bibliografische Nachweis samt DOI 10.1037/met0000144 ist im Forschungsportal der Arizona State University dokumentiert.
SPSS unterstützt Omega laut IBM seit Version 27.0.1 im RELIABILITY-Befehl. Für dieselben fünf Items können Sie — sofern das eindimensionale Messmodell vertretbar ist — einen zweiten Lauf erzeugen:
RELIABILITY
/VARIABLES=zuf1 zuf2 zuf3_r zuf4 zuf5
/SCALE('Arbeitszufriedenheit') ALL
/MODEL=OMEGA.Berichten Sie α und ω nicht als Wettbewerb, bei dem der höhere Wert gewinnt. Erklären Sie knapp, welches Messmodell zugrunde liegt und warum Omega ergänzt wurde. Weichen beide Koeffizienten deutlich voneinander ab, ist das ein Anlass, Ladungen, Itemstruktur und Annahmen zu untersuchen — nicht automatisch ein Grund, nur den günstigeren Wert zu veröffentlichen.
APA-fertige Berichtsbeispiele für Methodik und Ergebnisse
Ein belastbarer Bericht nennt mindestens Skalenname, Itemzahl, analysierte Stichprobe, Koeffizient und relevante Änderungen. Verwenden Sie bei APA-orientierter Darstellung einen Dezimalpunkt und bei Kennwerten, die nur zwischen 0 und 1 liegen, üblicherweise keine führende Null. Hochschul- oder Journalvorgaben haben Vorrang. Die folgenden Muster lassen sich an die eigene Analyse anpassen:
Die interne Konsistenz der Skala Arbeitszufriedenheit wurde für die fünf vorab definierten Items mit Cronbachs Alpha geprüft. Die Skala zeigte in der analysierten Stichprobe (n = 214) eine interne Konsistenz von α = .84. Alle Items wurden in gleicher Richtung kodiert; der Skalenwert entsprach dem Mittelwert der fünf Items.
Für die sechs Items umfassende, theoretisch eindimensionale Subskala Verbundenheit wurde die Reliabilität mit Cronbachs Alpha und McDonalds Omega geschätzt. Bei n = 208 ergaben sich α = .78 und ω = .82. Omega wurde ergänzend berichtet, da die standardisierten Faktorladungen der Items unterschiedlich ausfielen.
In der ersten Analyse betrug α = .71. Item 4 wies eine negative korrigierte Item-Skala-Korrelation auf. Die Prüfung des Codebuchs zeigte, dass das negativ formulierte Item nicht umgepolt worden war. Nach der vorab vorgesehenen Rekodierung lag die korrigierte Item-Skala-Korrelation bei .43; die interne Konsistenz der unveränderten Fünf-Item-Skala betrug α = .80.
Die interne Konsistenz der drei Items umfassenden Subskala fiel mit α = .66 niedriger aus als in der Validierungsstudie. Aufgrund der theoretischen Relevanz aller drei Items und der kurzen Skalenlänge wurde kein datengetriebener Itemausschluss vorgenommen. Ergebnisse mit diesem Score werden daher vorsichtig interpretiert.
Vermeiden Sie Formulierungen wie „Die Skala ist reliabel, weil Alpha über .70 liegt“. Präziser ist: „Die interne Konsistenz betrug in dieser Stichprobe α = …“. Wenn ein Item entfernt wurde, nennen Sie den sachlichen Grund und die neue Itemzahl. Wenn die Faktorenanalyse mehrere Dimensionen ergab, berichten Sie die Reliabilität der verwendeten Subskalen statt den früheren Gesamtwert zu verschweigen.
Der Entscheidungscheck vor der Skalenbildung
- Sind nur Items desselben theoretischen Scores ausgewählt?
- Sind Polung, Wertebereiche und Missing-Codes am Originalfragebogen geprüft?
- Ist das gültige n nach listweisem Ausschluss nachvollziehbar?
- Wurden Gesamt-Alpha, Item-Skala-Korrelationen und „Alpha, wenn Item gelöscht“ zusammen gelesen?
- Ist jede Itemänderung inhaltlich und nicht nur durch eine höhere Zahl begründet?
- Wurde Eindimensionalität separat geprüft oder aus belastbarer Vorarbeit begründet?
- Passt Alpha zum Messmodell, und ist Omega als Ergänzung sinnvoll?
- Sind Syntax, Output, Itemfassung und APA-Satz reproduzierbar gespeichert?
Erst wenn diese acht Punkte beantwortet sind, wird der Skalenmittelwert gebildet und in die eigentlichen Hypothesentests übernommen. Die Auswahl von Korrelation, Regression, t-Test oder ANOVA erklärt der Beitrag zu den acht häufigen SPSS-Auswertungen. Wenn Itemstruktur, Faktorenmodell oder fehlende Werte unklar bleiben, sollte die Diagnose vor dem Ergebniskapitel erfolgen; eine nachträgliche Reparatur verändert sonst unbemerkt Hypothesen und Messmodell.
Für komplexe oder zeitkritische Projekte bietet Hermes Writing eine methodisch dokumentierte Statistik- und SPSS-Auswertung mit Syntax, nachvollziehbaren Entscheidungen und berichtsfertigen Tabellen. Die Interpretation bleibt dabei prüfbar: Sie erhalten nicht nur einen Alpha-Wert, sondern sehen, welche Itemfassung, Fälle und Annahmen dahinterstehen.
Alpha berechnet — aber die Itementscheidung bleibt unklar?
Schicken Sie Fragebogen, Codebuch und anonymisierten Output. Wir prüfen Polung, Itemstruktur, Alpha, Omega und die berichtsfertige Begründung, bevor die Skala in Ihre Hypothesentests eingeht.
Reliabilitätsanalyse anfragenHäufige Fragen zu Cronbachs Alpha in SPSS
Was sagt Cronbachs Alpha aus?
Cronbachs Alpha schätzt die interne Konsistenz einer gemeinsam ausgewerteten Itemgruppe in einer konkreten Stichprobe. Es zeigt, wie stark die Items als additive Skala zusammenhängen. Alpha belegt weder Eindimensionalität noch inhaltliche Validität und ist kein Signifikanztest.
Welcher Wert für Cronbachs Alpha ist gut?
Es gibt keine universelle Bestehensgrenze. .70 wird häufig als grobe Orientierung verwendet, muss aber im Kontext von Itemzahl, Konstrukt, Messzweck, Stichprobe und Vorarbeiten beurteilt werden. Berichten Sie den exakten Wert und die Begründung statt nur ein Qualitätslabel.
Was bedeutet ein negatives Cronbachs Alpha?
Ein negatives Alpha weist auf durchschnittlich negative Kovarianzen zwischen Items hin. Prüfen Sie zuerst nicht umgepolte Items, falsche Wertelabels, Missing-Codes und versehentlich gemischte Konstrukte. Interpretieren oder runden Sie einen negativen Wert nicht als lediglich „sehr niedrige Reliabilität“.
Wann darf ich ein Item wegen „Alpha, wenn Item gelöscht“ entfernen?
Nicht allein wegen der höheren Zahl. Prüfen Sie Kodierung, Iteminhalt, Verteilung, Skalenmanual und Dimensionalität. Ein Ausschluss ist vertretbar, wenn er inhaltlich und methodisch begründet ist; dokumentieren Sie ursprüngliche und revidierte Itemfassung sowie die veränderte Bedeutung der Skala.
Muss ich negativ formulierte Items vor Cronbachs Alpha umpolen?
Ja, wenn ein hoher Zahlenwert bei allen Items dieselbe Konstruktrichtung ausdrücken soll. Rekodieren Sie in eine neue Variable und prüfen Sie die Zuordnung am Antwortformat. Ein vergessenes Reverse Coding erzeugt häufig negative Item-Skala-Korrelationen und kann Alpha stark absenken.
Beweist ein hohes Alpha, dass meine Skala eindimensional ist?
Nein. Mehrere korrelierte Dimensionen oder viele ähnliche Items können ein hohes Alpha erzeugen. Prüfen Sie die Struktur separat, beispielsweise mit explorativer oder konfirmatorischer Faktorenanalyse und einer theoretischen Begründung der Subskalen.
Soll ich Cronbachs Alpha oder McDonalds Omega berichten?
Wenn Alpha in Ihrem Fach erwartet wird, können Sie es transparent berichten. Bei unterschiedlich starken Itemladungen ist Omega oft die bessere Ergänzung, sofern das zugrunde liegende Faktormodell passt. Veröffentlichen Sie nicht einfach den höheren Koeffizienten; begründen Sie Messmodell und Auswahl.
Wie berichte ich Cronbachs Alpha nach APA?
Nennen Sie Skala, Itemzahl, analysiertes n, exakten Koeffizienten und relevante Änderungen, zum Beispiel: „Die fünf Items zur Arbeitszufriedenheit zeigten interne Konsistenz, α = .84, n = 214.“ Erläutern Sie Itemausschlüsse oder Rekodierungen im Methodenteil und verwenden Sie die Vorgaben Ihrer Hochschule.