Skalen-Datenqualitätscheck
Qualitätsprüfung vor EFA/CFA
Beschreibung
Diese Fähigkeit prüft Rohdaten aus einer im Rahmen einer Skalenentwicklungsstudie durchgeführten Umfrage systematisch auf fehlende Werte, Ausreißer, careless responding (Straightlining, Longstring, Random Responding), Verzerrungen in den itembezogenen Verteilungen sowie Voraussetzungen für Reliabilität und Faktorenanalysierbarkeit. Sie erstellt keine abschließenden EFA-/CFA-Ergebnisse, sondern liefert eine evidenzbasierte „Go/No-Go“-Entscheidung dazu, ob die Daten für die nächsten Analyseschritte bereit sind, und empfiehlt eine stratifizierte Aufteilung der Stichprobe (EFA/CFA-Split). Alle Berechnungen erfolgen durch die Ausführung echten Codes (Python: pandas, scipy, factor_analyzer, pingouin); es werden keine hypothetischen Zahlen erzeugt.
Ähnliche Fähigkeiten
Alle anzeigen
Skalenentwicklung: Datencheck
"Dieser Skill wird eingesetzt, wenn Rohdaten zur Skalenentwicklung (Excel/CSV), die von einem professionellen Umfrageinstitut erhoben wurden, vor der EFA/CFA oder endgültigen Reliabilitätsanalysen hinsichtlich ihrer psychometrischen Datenqualität geprüft werden müssen. Fehlende Werte, Ausreißer, unaufmerksames Antwortverhalten, Antwortverzerrungen, Itemqualität und Stichprobeneignung werden umfassend bewertet und eine Go-/No-Go-Entscheidung getroffen; die Daten werden nicht verändert, sondern ausschließlich in einem Diagnose- und Prüfbericht dokumentiert."
Validität & Reliabilität
Erstellt aus Ihren Ergebnissen der EFA oder CFA (KMO, Bartlett-Test, Faktorladungen, Anpassungsindizes, Cronbachs Alpha/CR/AVE) einen vollständigen, publikationsfertigen Text für Methode und Ergebnisse. Ordnet Schwellenwerte für Anpassungsindizes (CFI/TLI≥.90, RMSEA≤.08 usw.) korrekt ein und berichtet Validitätsprobleme wie AVE<0.50, ohne sie zu verschweigen. Geeignet für: Akademikerinnen und Akademiker sowie Studierende im Aufbaustudium, die Skalen entwickeln oder adaptieren.
Skalen-Datenqualitätscheck
Qualitätsprüfung vor EFA/CFA
Beschreibung
Diese Fähigkeit prüft Rohdaten aus einer im Rahmen einer Skalenentwicklungsstudie durchgeführten Umfrage systematisch auf fehlende Werte, Ausreißer, careless responding (Straightlining, Longstring, Random Responding), Verzerrungen in den itembezogenen Verteilungen sowie Voraussetzungen für Reliabilität und Faktorenanalysierbarkeit. Sie erstellt keine abschließenden EFA-/CFA-Ergebnisse, sondern liefert eine evidenzbasierte „Go/No-Go“-Entscheidung dazu, ob die Daten für die nächsten Analyseschritte bereit sind, und empfiehlt eine stratifizierte Aufteilung der Stichprobe (EFA/CFA-Split). Alle Berechnungen erfolgen durch die Ausführung echten Codes (Python: pandas, scipy, factor_analyzer, pingouin); es werden keine hypothetischen Zahlen erzeugt.
Ähnliche Fähigkeiten
Alle anzeigenSkalenentwicklung: Datencheck
"Dieser Skill wird eingesetzt, wenn Rohdaten zur Skalenentwicklung (Excel/CSV), die von einem professionellen Umfrageinstitut erhoben wurden, vor der EFA/CFA oder endgültigen Reliabilitätsanalysen hinsichtlich ihrer psychometrischen Datenqualität geprüft werden müssen. Fehlende Werte, Ausreißer, unaufmerksames Antwortverhalten, Antwortverzerrungen, Itemqualität und Stichprobeneignung werden umfassend bewertet und eine Go-/No-Go-Entscheidung getroffen; die Daten werden nicht verändert, sondern ausschließlich in einem Diagnose- und Prüfbericht dokumentiert."
Validität & Reliabilität
Erstellt aus Ihren Ergebnissen der EFA oder CFA (KMO, Bartlett-Test, Faktorladungen, Anpassungsindizes, Cronbachs Alpha/CR/AVE) einen vollständigen, publikationsfertigen Text für Methode und Ergebnisse. Ordnet Schwellenwerte für Anpassungsindizes (CFI/TLI≥.90, RMSEA≤.08 usw.) korrekt ein und berichtet Validitätsprobleme wie AVE<0.50, ohne sie zu verschweigen. Geeignet für: Akademikerinnen und Akademiker sowie Studierende im Aufbaustudium, die Skalen entwickeln oder adaptieren.
Finde deine nächste Lieblingsfähigkeit
Entdecke weitere kuratierte KI-Fähigkeiten für Recherche, Kreativität und den Arbeitsalltag.