Buenas correlaciones entre los items se asocian a mejor consistencia interna.

El siguiente gráfico muestra un mapa de color de toda la base de datos. Observe que cuando se aprecia poca variabilidad dentro de los individuos (horizontal) comparado con la variabilidad entre individuos (vertical), alfa de Cronbach suele ser satisfactorio. Si le ayuda, deje marcada la opción ordenar. Verá que en las columnas se experimenta todo el rango de valores de las variables, pero las filas tienen un rango de colores mucho menor. Un análisis de componentes principales donde solo se extrae la componente principal nos sugiere fabricar esta como un promedio ponderado de los ítems. Las ponderaciones se observan en el siguiente gráfico: Los items de la simulación han sido fabricados realmente a partir de una variable latente que puede marcar para que sea visible (en la práctica no es accesible). Podemos observar que si hacemos un análisis de regresión lineal entre la primera componente principal (escalada por claridad) y la variable latente, la bondad de ajuste entre las dos es similar al alfa de Cronbach. Es decir, podemos identificar este alfa de Cronbach como el porcentaje de variabilidad en el factor latente que es explicado por un promedio ponderado de las filas.