Предаудит данных шкалы
Проверка данных до EFA/CFA
Описание
«Запускается, когда необходимо проверить необработанные данные разработки шкалы (Excel/CSV), собранные профессиональной компанией по проведению опросов, с точки зрения психометрического качества данных до перехода к EFA/CFA или итоговому анализу надёжности. Комплексно оценивает пропуски, выбросы, невнимательные ответы, систематические искажения ответов, качество пунктов и достаточность выборки, формируя решение Go/No-Go; данные не изменяются — предоставляется только диагностический/аудиторский отчёт.»
Похожие скиллы
Посмотреть все
Проверка качества данных шкалы
Этот навык систематически проверяет сырые данные анкеты, собранные в рамках разработки шкалы, по следующим аспектам: пропущенные данные, выбросы, небрежное заполнение (straightlining, longstring, random responding), нарушения распределения на уровне отдельных пунктов, а также предпосылки надежности и факторизуемости. Навык не выдает итоговые результаты EFA/CFA, а предоставляет обоснованное доказательствами решение «go/no-go» о готовности данных к следующим этапам анализа и рекомендацию по стратифицированному разделению выборки для EFA/CFA (EFA/CFA split). Все вычисления выполняются путем запуска реального кода (Python: pandas, scipy, factor_analyzer, pingouin); предположительные числа не генерируются.
Валидность и надёжность
Создаёт полный готовый для статьи текст разделов «Методы» и «Результаты» на основе результатов EFA или CFA (KMO, тест Барлетта, факторные нагрузки, индексы соответствия, альфа Кронбаха/CR/AVE). Корректно классифицирует пороговые значения индексов соответствия (CFI/TLI≥.90, RMSEA≤.08 и т. д.) и открыто сообщает о проблемах валидности, таких как AVE<0.50. Для кого подходит: академические исследователи и аспиранты, проводящие разработку или адаптацию шкал.
PLS-SEM: отчёт и ответы
На основе результатов анализа PLS-SEM (внешние нагрузки, CR/AVE, дискриминантная валидность HTMT, коэффициенты путей, R²/f²/Q², SRMR) формирует полный отчёт по модели измерения и структурной модели. Корректно применяет порог HTMT и интерпретирует R² по критериям Cohen/Chin, избегая причинно-следственных формулировок. Также заранее выявляет как минимум 4 типичных возражения журнальных рецензентов (например, «Почему выбран PLS, а не CB-SEM?» и «Почему не проведена проверка CMB?») и предлагает защитную формулировку для каждого из них. Для кого подходит: исследователям в сфере бизнеса и социальных наук, использующим моделирование структурными уравнениями на основе PLS-SEM и стремящимся повысить методологическую обоснованность работы перед подачей в журнал.
Предаудит данных шкалы
Проверка данных до EFA/CFA
Описание
«Запускается, когда необходимо проверить необработанные данные разработки шкалы (Excel/CSV), собранные профессиональной компанией по проведению опросов, с точки зрения психометрического качества данных до перехода к EFA/CFA или итоговому анализу надёжности. Комплексно оценивает пропуски, выбросы, невнимательные ответы, систематические искажения ответов, качество пунктов и достаточность выборки, формируя решение Go/No-Go; данные не изменяются — предоставляется только диагностический/аудиторский отчёт.»
Похожие скиллы
Посмотреть всеПроверка качества данных шкалы
Этот навык систематически проверяет сырые данные анкеты, собранные в рамках разработки шкалы, по следующим аспектам: пропущенные данные, выбросы, небрежное заполнение (straightlining, longstring, random responding), нарушения распределения на уровне отдельных пунктов, а также предпосылки надежности и факторизуемости. Навык не выдает итоговые результаты EFA/CFA, а предоставляет обоснованное доказательствами решение «go/no-go» о готовности данных к следующим этапам анализа и рекомендацию по стратифицированному разделению выборки для EFA/CFA (EFA/CFA split). Все вычисления выполняются путем запуска реального кода (Python: pandas, scipy, factor_analyzer, pingouin); предположительные числа не генерируются.
Валидность и надёжность
Создаёт полный готовый для статьи текст разделов «Методы» и «Результаты» на основе результатов EFA или CFA (KMO, тест Барлетта, факторные нагрузки, индексы соответствия, альфа Кронбаха/CR/AVE). Корректно классифицирует пороговые значения индексов соответствия (CFI/TLI≥.90, RMSEA≤.08 и т. д.) и открыто сообщает о проблемах валидности, таких как AVE<0.50. Для кого подходит: академические исследователи и аспиранты, проводящие разработку или адаптацию шкал.
PLS-SEM: отчёт и ответы
На основе результатов анализа PLS-SEM (внешние нагрузки, CR/AVE, дискриминантная валидность HTMT, коэффициенты путей, R²/f²/Q², SRMR) формирует полный отчёт по модели измерения и структурной модели. Корректно применяет порог HTMT и интерпретирует R² по критериям Cohen/Chin, избегая причинно-следственных формулировок. Также заранее выявляет как минимум 4 типичных возражения журнальных рецензентов (например, «Почему выбран PLS, а не CB-SEM?» и «Почему не проведена проверка CMB?») и предлагает защитную формулировку для каждого из них. Для кого подходит: исследователям в сфере бизнеса и социальных наук, использующим моделирование структурными уравнениями на основе PLS-SEM и стремящимся повысить методологическую обоснованность работы перед подачей в журнал.
Найди свой следующий любимый скилл
Изучи больше отобранных AI-скиллов для исследований, творчества и повседневной работы.