Pré-audit des données d’échelle
Contrôle avant EFA/CFA : données et biais
Description
"Ce Skill est déclenché lorsqu’il faut contrôler, sur le plan de la qualité psychométrique, des données brutes de développement d’échelle (Excel/CSV) collectées par un cabinet d’enquêtes professionnel, avant de passer à l’EFA/CFA ou aux analyses finales de fiabilité. Il évalue de manière approfondie les données manquantes, les valeurs aberrantes, les réponses inattentives, les biais de réponse, la qualité des items et l’adéquation de l’échantillon, puis produit une décision Go/No-Go. Il ne modifie pas les données et fournit uniquement un rapport de diagnostic et d’audit."
Compétences associées
Tout voir
Qualité des données d’échelle
Cette compétence contrôle systématiquement les données brutes d’enquête recueillies dans le cadre du développement d’une échelle, en examinant les données manquantes, les observations aberrantes, les réponses inattentives (straightlining, longstring, random responding), les anomalies de distribution au niveau des items, ainsi que les prérequis de fiabilité et de factorisabilité. Elle ne produit pas les résultats finaux de l’EFA/CFA ; elle fournit une décision « go/no-go » étayée par des preuves quant à la préparation des données pour les étapes d’analyse suivantes, ainsi qu’une recommandation de division stratifiée de l’échantillon (EFA/CFA split). Tous les calculs sont réalisés en exécutant réellement du code (Python : pandas, scipy, factor_analyzer, pingouin) ; aucun chiffre hypothétique n’est généré.
Rapport validité-fiabilité
À partir de vos résultats d’analyse EFA ou CFA (KMO, test de Bartlett, saturations factorielles, indices d’ajustement, alpha de Cronbach/CR/AVE), générez un texte complet de Méthodes + Résultats, prêt à intégrer à un article. Les seuils des indices d’ajustement (CFI/TLI≥.90, RMSEA≤.08, etc.) sont correctement classés, et les problèmes de validité comme AVE<0.50 sont signalés sans être masqués. Pour qui : les universitaires et étudiants de troisième cycle menant des travaux de développement ou d’adaptation d’échelles.
Rapport PLS-SEM + objections
Produit à partir de vos résultats d’analyse PLS-SEM (charges externes, CR/AVE, validité discriminante HTMT, coefficients de chemin, R²/f²/Q², SRMR) un rapport complet du modèle de mesure et du modèle structurel. Il applique correctement le seuil HTMT et l’interprétation de R² (critères de Cohen/Chin), tout en évitant le langage causal. Il identifie également à l’avance au moins 4 objections fréquemment soulevées par les évaluateurs de revues (par exemple : « Pourquoi choisir le PLS plutôt que le CB-SEM ? » ou « Aucun contrôle du CMB n’a été effectué ») et fournit une phrase de réponse pour chacune. Pour qui : les chercheurs en gestion et en sciences sociales qui utilisent la modélisation par équations structurelles PLS-SEM et recherchent une méthodologie solide avant de soumettre leur article à une revue.
Pré-audit des données d’échelle
Contrôle avant EFA/CFA : données et biais
Description
"Ce Skill est déclenché lorsqu’il faut contrôler, sur le plan de la qualité psychométrique, des données brutes de développement d’échelle (Excel/CSV) collectées par un cabinet d’enquêtes professionnel, avant de passer à l’EFA/CFA ou aux analyses finales de fiabilité. Il évalue de manière approfondie les données manquantes, les valeurs aberrantes, les réponses inattentives, les biais de réponse, la qualité des items et l’adéquation de l’échantillon, puis produit une décision Go/No-Go. Il ne modifie pas les données et fournit uniquement un rapport de diagnostic et d’audit."
Compétences associées
Tout voirQualité des données d’échelle
Cette compétence contrôle systématiquement les données brutes d’enquête recueillies dans le cadre du développement d’une échelle, en examinant les données manquantes, les observations aberrantes, les réponses inattentives (straightlining, longstring, random responding), les anomalies de distribution au niveau des items, ainsi que les prérequis de fiabilité et de factorisabilité. Elle ne produit pas les résultats finaux de l’EFA/CFA ; elle fournit une décision « go/no-go » étayée par des preuves quant à la préparation des données pour les étapes d’analyse suivantes, ainsi qu’une recommandation de division stratifiée de l’échantillon (EFA/CFA split). Tous les calculs sont réalisés en exécutant réellement du code (Python : pandas, scipy, factor_analyzer, pingouin) ; aucun chiffre hypothétique n’est généré.
Rapport validité-fiabilité
À partir de vos résultats d’analyse EFA ou CFA (KMO, test de Bartlett, saturations factorielles, indices d’ajustement, alpha de Cronbach/CR/AVE), générez un texte complet de Méthodes + Résultats, prêt à intégrer à un article. Les seuils des indices d’ajustement (CFI/TLI≥.90, RMSEA≤.08, etc.) sont correctement classés, et les problèmes de validité comme AVE<0.50 sont signalés sans être masqués. Pour qui : les universitaires et étudiants de troisième cycle menant des travaux de développement ou d’adaptation d’échelles.
Rapport PLS-SEM + objections
Produit à partir de vos résultats d’analyse PLS-SEM (charges externes, CR/AVE, validité discriminante HTMT, coefficients de chemin, R²/f²/Q², SRMR) un rapport complet du modèle de mesure et du modèle structurel. Il applique correctement le seuil HTMT et l’interprétation de R² (critères de Cohen/Chin), tout en évitant le langage causal. Il identifie également à l’avance au moins 4 objections fréquemment soulevées par les évaluateurs de revues (par exemple : « Pourquoi choisir le PLS plutôt que le CB-SEM ? » ou « Aucun contrôle du CMB n’a été effectué ») et fournit une phrase de réponse pour chacune. Pour qui : les chercheurs en gestion et en sciences sociales qui utilisent la modélisation par équations structurelles PLS-SEM et recherchent une méthodologie solide avant de soumettre leur article à une revue.
Trouve ta prochaine compétence préférée
Explore d'autres compétences IA sélectionnées pour la recherche, la création et le travail quotidien.