척도 개발 데이터 품질 점검
EFA/CFA 전 설문 데이터 품질 점검
설명
이 Skill은 척도 개발 연구에서 수집한 원시 설문 데이터를 결측치, 이상치, 부주의 응답(careless responding: straightlining, longstring, random responding), 문항별 분포 왜곡, 신뢰도 및 요인분석 가능성의 전제조건 측면에서 체계적으로 점검합니다. 최종 EFA/CFA 결과를 생성하지 않으며, 데이터가 후속 분석 단계에 적합한지에 대한 근거 기반 "go/no-go" 판단과 층화 표본 분할(EFA/CFA split) 방안을 제안합니다. 모든 계산은 실제 코드 실행(Python: pandas, scipy, factor_analyzer, pingouin)을 통해 수행하며, 가상의 수치를 생성하지 않습니다.
관련 스킬
전체 보기
척도 개발 데이터 사전 점검
전문 설문조사 업체가 수집한 척도 개발용 원자료(Excel/CSV)를 EFA/CFA 또는 최종 신뢰도 분석에 앞서 심리측정 데이터 품질 관점에서 점검해야 할 때 사용합니다. 결측 데이터, 이상치, 부주의 응답(careless responding), 응답 편향, 문항 품질 및 표본 충분성을 종합적으로 평가해 진행 여부(Go/No-Go)를 판단합니다. 데이터를 변경하지 않고 진단 및 점검 보고서만 제공합니다.
타당도·신뢰도 보고서 작성기
EFA 또는 CFA 분석 결과(KMO, Bartlett 검정, 요인 적재량, 적합도 지수, Cronbach alpha/CR/AVE)를 바탕으로 논문에 바로 활용할 수 있는 완성도 높은 방법 + 결과 섹션을 작성합니다. 적합도 지수 기준(CFI/TLI≥.90, RMSEA≤.08 등)을 정확하게 분류하고, AVE<0.50과 같은 타당도 문제도 숨기지 않고 보고합니다. 적합한 대상: 척도 개발 또는 타당화 연구를 수행하는 연구자와 대학원생.
척도 개발 데이터 품질 점검
EFA/CFA 전 설문 데이터 품질 점검
설명
이 Skill은 척도 개발 연구에서 수집한 원시 설문 데이터를 결측치, 이상치, 부주의 응답(careless responding: straightlining, longstring, random responding), 문항별 분포 왜곡, 신뢰도 및 요인분석 가능성의 전제조건 측면에서 체계적으로 점검합니다. 최종 EFA/CFA 결과를 생성하지 않으며, 데이터가 후속 분석 단계에 적합한지에 대한 근거 기반 "go/no-go" 판단과 층화 표본 분할(EFA/CFA split) 방안을 제안합니다. 모든 계산은 실제 코드 실행(Python: pandas, scipy, factor_analyzer, pingouin)을 통해 수행하며, 가상의 수치를 생성하지 않습니다.
관련 스킬
전체 보기척도 개발 데이터 사전 점검
전문 설문조사 업체가 수집한 척도 개발용 원자료(Excel/CSV)를 EFA/CFA 또는 최종 신뢰도 분석에 앞서 심리측정 데이터 품질 관점에서 점검해야 할 때 사용합니다. 결측 데이터, 이상치, 부주의 응답(careless responding), 응답 편향, 문항 품질 및 표본 충분성을 종합적으로 평가해 진행 여부(Go/No-Go)를 판단합니다. 데이터를 변경하지 않고 진단 및 점검 보고서만 제공합니다.
타당도·신뢰도 보고서 작성기
EFA 또는 CFA 분석 결과(KMO, Bartlett 검정, 요인 적재량, 적합도 지수, Cronbach alpha/CR/AVE)를 바탕으로 논문에 바로 활용할 수 있는 완성도 높은 방법 + 결과 섹션을 작성합니다. 적합도 지수 기준(CFI/TLI≥.90, RMSEA≤.08 등)을 정확하게 분류하고, AVE<0.50과 같은 타당도 문제도 숨기지 않고 보고합니다. 적합한 대상: 척도 개발 또는 타당화 연구를 수행하는 연구자와 대학원생.
다음으로 즐겨 쓸 스킬을 찾아보세요
연구, 창작, 일상 업무에 유용한 엄선된 AI 스킬을 더 탐색해 보세요.