Проверка качества данных шкалы
Проверка данных анкеты до EFA/CFA
Описание
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.
Похожие скиллы
Посмотреть все
Предаудит данных шкалы
«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.»
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.
Проверка качества данных шкалы
Проверка данных анкеты до EFA/CFA
Описание
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.
Похожие скиллы
Посмотреть всеПредаудит данных шкалы
«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.»
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.
Найди свой следующий любимый скилл
Изучи больше отобранных AI-скиллов для исследований, творчества и повседневной работы.