Descripción

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.