Auditoría previa de escalas
Datos faltantes y atípicos antes de EFA/CFA
Descripción
"Se activa cuando es necesario auditar, desde el punto de vista de la calidad psicométrica, datos sin procesar de desarrollo de escalas (Excel/CSV) recopilados por una empresa profesional de encuestas antes de pasar a análisis EFA/CFA o de confiabilidad finales. Evalúa de forma exhaustiva los datos faltantes, los valores atípicos, las respuestas descuidadas, el sesgo de respuesta, la calidad de los ítems y la suficiencia de la muestra, y genera una decisión de Go/No-Go; no modifica los datos, solo presenta un informe de diagnóstico y auditoría."
Habilidades relacionadas
Ver todo
Auditoría de datos de escala
Esta habilidad revisa sistemáticamente los datos brutos de una encuesta recopilados como parte de un estudio de desarrollo de escalas, considerando datos faltantes, observaciones atípicas, respuestas descuidadas (straightlining, longstring y respuestas aleatorias), distribuciones problemáticas por ítem, confiabilidad y los requisitos previos para la factorizabilidad. No produce resultados finales de EFA/CFA; ofrece una decisión basada en evidencia de "go/no-go" sobre si los datos están listos para las siguientes etapas del análisis y recomienda una división estratificada de la muestra (EFA/CFA split). Todos los cálculos se realizan ejecutando código real (Python: pandas, scipy, factor_analyzer, pingouin); no se generan cifras hipotéticas.
Validez y confiabilidad
Genera un texto completo, listo para incluir en un artículo, con las secciones de Método y Resultados a partir de tus resultados de análisis EFA o CFA (KMO, prueba de Bartlett, cargas factoriales, índices de ajuste, alfa de Cronbach/CR/AVE). Clasifica correctamente los valores de los índices de ajuste (CFI/TLI≥.90, RMSEA≤.08, etc.) e informa sin ocultar problemas de validez como AVE<0.50. Ideal para académicos y estudiantes de posgrado que realizan estudios de desarrollo o adaptación de escalas.
Informe PLS-SEM y réplicas
Genera un informe completo del Modelo de Medición + Modelo Estructural a partir de los resultados de su análisis PLS-SEM (cargas externas, CR/AVE, validez discriminante HTMT, coeficientes de trayectoria, R²/f²/Q² y SRMR). Aplica correctamente el umbral HTMT y la interpretación de R² (criterios de Cohen/Chin), y evita el lenguaje causal. Además, identifica por adelantado al menos 4 objeciones frecuentes de los revisores de revistas (por ejemplo, «por qué se eligió PLS en lugar de CB-SEM» o «no se realizó el control de CMB») y ofrece una frase de defensa para cada una. Ideal para: investigadores de negocios y ciencias sociales que realizan modelado de ecuaciones estructurales con PLS-SEM y buscan fortalecer la metodología antes de enviar un artículo a una revista.
Auditoría previa de escalas
Datos faltantes y atípicos antes de EFA/CFA
Descripción
"Se activa cuando es necesario auditar, desde el punto de vista de la calidad psicométrica, datos sin procesar de desarrollo de escalas (Excel/CSV) recopilados por una empresa profesional de encuestas antes de pasar a análisis EFA/CFA o de confiabilidad finales. Evalúa de forma exhaustiva los datos faltantes, los valores atípicos, las respuestas descuidadas, el sesgo de respuesta, la calidad de los ítems y la suficiencia de la muestra, y genera una decisión de Go/No-Go; no modifica los datos, solo presenta un informe de diagnóstico y auditoría."
Habilidades relacionadas
Ver todoAuditoría de datos de escala
Esta habilidad revisa sistemáticamente los datos brutos de una encuesta recopilados como parte de un estudio de desarrollo de escalas, considerando datos faltantes, observaciones atípicas, respuestas descuidadas (straightlining, longstring y respuestas aleatorias), distribuciones problemáticas por ítem, confiabilidad y los requisitos previos para la factorizabilidad. No produce resultados finales de EFA/CFA; ofrece una decisión basada en evidencia de "go/no-go" sobre si los datos están listos para las siguientes etapas del análisis y recomienda una división estratificada de la muestra (EFA/CFA split). Todos los cálculos se realizan ejecutando código real (Python: pandas, scipy, factor_analyzer, pingouin); no se generan cifras hipotéticas.
Validez y confiabilidad
Genera un texto completo, listo para incluir en un artículo, con las secciones de Método y Resultados a partir de tus resultados de análisis EFA o CFA (KMO, prueba de Bartlett, cargas factoriales, índices de ajuste, alfa de Cronbach/CR/AVE). Clasifica correctamente los valores de los índices de ajuste (CFI/TLI≥.90, RMSEA≤.08, etc.) e informa sin ocultar problemas de validez como AVE<0.50. Ideal para académicos y estudiantes de posgrado que realizan estudios de desarrollo o adaptación de escalas.
Informe PLS-SEM y réplicas
Genera un informe completo del Modelo de Medición + Modelo Estructural a partir de los resultados de su análisis PLS-SEM (cargas externas, CR/AVE, validez discriminante HTMT, coeficientes de trayectoria, R²/f²/Q² y SRMR). Aplica correctamente el umbral HTMT y la interpretación de R² (criterios de Cohen/Chin), y evita el lenguaje causal. Además, identifica por adelantado al menos 4 objeciones frecuentes de los revisores de revistas (por ejemplo, «por qué se eligió PLS en lugar de CB-SEM» o «no se realizó el control de CMB») y ofrece una frase de defensa para cada una. Ideal para: investigadores de negocios y ciencias sociales que realizan modelado de ecuaciones estructurales con PLS-SEM y buscan fortalecer la metodología antes de enviar un artículo a una revista.
Encuentra tu próxima habilidad favorita
Explora más habilidades de IA seleccionadas para investigación, creación y trabajo cotidiano.