Аудит якості даних шкали
Перевірка даних анкети перед EFA/CFA
Опис
Ця навичка системно перевіряє необроблені дані анкети, зібрані в межах розроблення шкали, за такими аспектами: пропущені дані, аномальні спостереження, неуважне заповнення (straightlining, longstring, random responding), порушення розподілу на рівні пунктів, а також передумови надійності й факторної придатності. Вона не створює підсумкових результатів EFA/CFA, а надає обґрунтоване доказами рішення «go/no-go» щодо готовності даних до наступних етапів аналізу та рекомендацію зі стратифікованого поділу вибірки для EFA/CFA (EFA/CFA split). Усі обчислення виконуються із запуском реального коду (Python: pandas, scipy, factor_analyzer, pingouin); припущені числа не генеруються.
Схожі навички
Переглянути всі
Перевірка даних шкали
Тригериться, коли сирі дані розроблення шкали (Excel/CSV), зібрані професійною дослідницькою компанією, потрібно перевірити на психометричну якість перед переходом до EFA/CFA або фінального аналізу надійності. Комплексно оцінює пропущені дані, викиди, неуважне заповнення, систематичні похибки відповідей, якість пунктів і достатність вибірки та формує рішення Go/No-Go; не змінює дані, а лише надає діагностичний/аудиторський звіт.
Валідність і надійність
На основі результатів аналізу EFA або CFA (KMO, тест Барлетта, факторні навантаження, індекси відповідності, Cronbach alpha/CR/AVE) створює повний готовий до публікації текст розділів «Методи» та «Результати». Правильно класифікує порогові значення індексів відповідності (CFI/TLI≥.90, RMSEA≤.08 тощо) і відкрито повідомляє про проблеми з валідністю, як-от AVE<0.50. Для кого: академічні дослідники та аспіранти, які проводять розроблення або адаптацію шкал.
Аудит якості даних шкали
Перевірка даних анкети перед EFA/CFA
Опис
Ця навичка системно перевіряє необроблені дані анкети, зібрані в межах розроблення шкали, за такими аспектами: пропущені дані, аномальні спостереження, неуважне заповнення (straightlining, longstring, random responding), порушення розподілу на рівні пунктів, а також передумови надійності й факторної придатності. Вона не створює підсумкових результатів EFA/CFA, а надає обґрунтоване доказами рішення «go/no-go» щодо готовності даних до наступних етапів аналізу та рекомендацію зі стратифікованого поділу вибірки для EFA/CFA (EFA/CFA split). Усі обчислення виконуються із запуском реального коду (Python: pandas, scipy, factor_analyzer, pingouin); припущені числа не генеруються.
Схожі навички
Переглянути всіПеревірка даних шкали
Тригериться, коли сирі дані розроблення шкали (Excel/CSV), зібрані професійною дослідницькою компанією, потрібно перевірити на психометричну якість перед переходом до EFA/CFA або фінального аналізу надійності. Комплексно оцінює пропущені дані, викиди, неуважне заповнення, систематичні похибки відповідей, якість пунктів і достатність вибірки та формує рішення Go/No-Go; не змінює дані, а лише надає діагностичний/аудиторський звіт.
Валідність і надійність
На основі результатів аналізу EFA або CFA (KMO, тест Барлетта, факторні навантаження, індекси відповідності, Cronbach alpha/CR/AVE) створює повний готовий до публікації текст розділів «Методи» та «Результати». Правильно класифікує порогові значення індексів відповідності (CFI/TLI≥.90, RMSEA≤.08 тощо) і відкрито повідомляє про проблеми з валідністю, як-от AVE<0.50. Для кого: академічні дослідники та аспіранти, які проводять розроблення або адаптацію шкал.
Знайдіть свою наступну улюблену навичку
Досліджуйте більше підібраних AI-навичок для досліджень, творчості та повсякденної роботи.