Auditoria de Dados de Escalas
Verifique dados antes da EFA/CFA
Descrição
Esta habilidade verifica sistematicamente os dados brutos de questionários coletados em um estudo de desenvolvimento de escala quanto a dados ausentes, observações atípicas, respostas descuidadas (straightlining, longstring e respostas aleatórias), distorções na distribuição dos itens e pré-requisitos de confiabilidade e fatorabilidade. Ela não produz os resultados finais de EFA/CFA; apresenta uma decisão baseada em evidências de "go/no-go" sobre a preparação dos dados para as etapas seguintes da análise e recomenda uma divisão estratificada da amostra (EFA/CFA split). Todos os cálculos são realizados por meio da execução de código real (Python: pandas, scipy, factor_analyzer, pingouin); nenhum número é inventado.
Habilidades relacionadas
Ver tudo
Triagem de Dados de Escala
"É acionado quando os dados brutos de desenvolvimento de uma escala (Excel/CSV), coletados por uma empresa profissional de pesquisa, precisam ser avaliados quanto à qualidade psicométrica antes de prosseguir para a EFA/CFA ou para as análises finais de confiabilidade. Avalia de forma abrangente dados faltantes, outliers, respostas descuidadas (careless responding), viés de resposta, qualidade dos itens e adequação da amostra, produzindo uma decisão de Go/No-Go; não altera os dados, apenas apresenta um relatório de diagnóstico/auditoria."
Validade e Confiabilidade
Gera um texto completo, pronto para artigo, para as seções de Método + Resultados a partir dos resultados de análises EFA ou CFA (KMO, teste de Bartlett, cargas fatoriais, índices de ajuste, alfa de Cronbach/CR/AVE). Classifica corretamente os valores de corte dos índices de ajuste (CFI/TLI≥.90, RMSEA≤.08 etc.) e relata, sem ocultar, problemas de validade como AVE<0.50. Indicado para: acadêmicos e estudantes de pós-graduação que realizam estudos de desenvolvimento ou adaptação de escalas.
Auditoria de Dados de Escalas
Verifique dados antes da EFA/CFA
Descrição
Esta habilidade verifica sistematicamente os dados brutos de questionários coletados em um estudo de desenvolvimento de escala quanto a dados ausentes, observações atípicas, respostas descuidadas (straightlining, longstring e respostas aleatórias), distorções na distribuição dos itens e pré-requisitos de confiabilidade e fatorabilidade. Ela não produz os resultados finais de EFA/CFA; apresenta uma decisão baseada em evidências de "go/no-go" sobre a preparação dos dados para as etapas seguintes da análise e recomenda uma divisão estratificada da amostra (EFA/CFA split). Todos os cálculos são realizados por meio da execução de código real (Python: pandas, scipy, factor_analyzer, pingouin); nenhum número é inventado.
Habilidades relacionadas
Ver tudoTriagem de Dados de Escala
"É acionado quando os dados brutos de desenvolvimento de uma escala (Excel/CSV), coletados por uma empresa profissional de pesquisa, precisam ser avaliados quanto à qualidade psicométrica antes de prosseguir para a EFA/CFA ou para as análises finais de confiabilidade. Avalia de forma abrangente dados faltantes, outliers, respostas descuidadas (careless responding), viés de resposta, qualidade dos itens e adequação da amostra, produzindo uma decisão de Go/No-Go; não altera os dados, apenas apresenta um relatório de diagnóstico/auditoria."
Validade e Confiabilidade
Gera um texto completo, pronto para artigo, para as seções de Método + Resultados a partir dos resultados de análises EFA ou CFA (KMO, teste de Bartlett, cargas fatoriais, índices de ajuste, alfa de Cronbach/CR/AVE). Classifica corretamente os valores de corte dos índices de ajuste (CFI/TLI≥.90, RMSEA≤.08 etc.) e relata, sem ocultar, problemas de validade como AVE<0.50. Indicado para: acadêmicos e estudantes de pós-graduação que realizam estudos de desenvolvimento ou adaptação de escalas.
Encontre sua próxima habilidade favorita
Explore mais habilidades de IA selecionadas para pesquisa, criação e trabalho do dia a dia.