Auditoría previa de escalas
Antes de EFA/CFA: faltantes y atípicos
Descripción
"Se activa cuando es necesario evaluar la calidad psicométrica de datos brutos de desarrollo de escalas (Excel/CSV) recopilados por una empresa profesional de encuestas, antes de pasar a EFA/CFA o a los análisis finales de fiabilidad. Evalúa exhaustivamente 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 Go/No-Go; no modifica los datos, solo proporciona un informe de diagnóstico y auditoría."
Habilidades relacionadas
Ver todo
Control de datos de escalas
Esta habilidad audita sistemáticamente los datos brutos de una encuesta recopilados como parte de un estudio de desarrollo de escalas, teniendo en cuenta los datos ausentes, las observaciones atípicas, las respuestas descuidadas (straightlining, longstring, random responding), las distribuciones anómalas por ítem y las condiciones previas de fiabilidad y factorizabilidad. No produce los resultados finales de EFA/CFA; ofrece una decisión fundamentada en evidencia de «go/no-go» sobre si los datos están preparados para las siguientes fases del análisis, así como una propuesta de división estratificada de la muestra (EFA/CFA split). Todos los cálculos se realizan mediante la ejecución de código real (Python: pandas, scipy, factor_analyzer, pingouin); no se generan cifras hipotéticas.
Validez y fiabilidad
Genera un texto completo, listo para incluir en un artículo, a partir de los resultados de análisis EFA o CFA (KMO, prueba de Bartlett, cargas factoriales, índices de ajuste, alfa de Cronbach/CR/AVE). Clasifica correctamente los valores umbral de los índices de ajuste (CFI/TLI≥.90, RMSEA≤.08, etc.) e informa de los problemas de validez, como AVE<0.50, sin ocultarlos. Adecuado para: académicos y estudiantes de posgrado que realizan estudios de desarrollo o adaptación de escalas.
Informe y réplicas PLS-SEM
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 de HTMT y la interpretación de R² (según los criterios de Cohen/Chin), y evita el lenguaje causal. Además, identifica de forma anticipada 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 un control del CMB») y ofrece una frase de defensa para cada una. Adecuado para: investigadores de empresas y ciencias sociales que realizan modelización de ecuaciones estructurales con PLS-SEM y buscan reforzar la solidez metodológica antes de enviar un artículo a una revista.
Auditoría previa de escalas
Antes de EFA/CFA: faltantes y atípicos
Descripción
"Se activa cuando es necesario evaluar la calidad psicométrica de datos brutos de desarrollo de escalas (Excel/CSV) recopilados por una empresa profesional de encuestas, antes de pasar a EFA/CFA o a los análisis finales de fiabilidad. Evalúa exhaustivamente 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 Go/No-Go; no modifica los datos, solo proporciona un informe de diagnóstico y auditoría."
Habilidades relacionadas
Ver todoControl de datos de escalas
Esta habilidad audita sistemáticamente los datos brutos de una encuesta recopilados como parte de un estudio de desarrollo de escalas, teniendo en cuenta los datos ausentes, las observaciones atípicas, las respuestas descuidadas (straightlining, longstring, random responding), las distribuciones anómalas por ítem y las condiciones previas de fiabilidad y factorizabilidad. No produce los resultados finales de EFA/CFA; ofrece una decisión fundamentada en evidencia de «go/no-go» sobre si los datos están preparados para las siguientes fases del análisis, así como una propuesta de división estratificada de la muestra (EFA/CFA split). Todos los cálculos se realizan mediante la ejecución de código real (Python: pandas, scipy, factor_analyzer, pingouin); no se generan cifras hipotéticas.
Validez y fiabilidad
Genera un texto completo, listo para incluir en un artículo, a partir de los resultados de análisis EFA o CFA (KMO, prueba de Bartlett, cargas factoriales, índices de ajuste, alfa de Cronbach/CR/AVE). Clasifica correctamente los valores umbral de los índices de ajuste (CFI/TLI≥.90, RMSEA≤.08, etc.) e informa de los problemas de validez, como AVE<0.50, sin ocultarlos. Adecuado para: académicos y estudiantes de posgrado que realizan estudios de desarrollo o adaptación de escalas.
Informe y réplicas PLS-SEM
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 de HTMT y la interpretación de R² (según los criterios de Cohen/Chin), y evita el lenguaje causal. Además, identifica de forma anticipada 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 un control del CMB») y ofrece una frase de defensa para cada una. Adecuado para: investigadores de empresas y ciencias sociales que realizan modelización de ecuaciones estructurales con PLS-SEM y buscan reforzar la solidez metodológica 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.