Kiểm tra dữ liệu thang đo
Thiếu, ngoại lệ, trả lời ẩu trước EFA/CFA
Kiểm tra dữ liệu thang đo
Thiếu, ngoại lệ, trả lời ẩu trước EFA/CFA
Xem trước nội dung
Mô tả
Được kích hoạt khi cần kiểm định chất lượng dữ liệu theo phương diện trắc lượng tâm lý của dữ liệu thô phát triển thang đo (Excel/CSV) do một công ty khảo sát chuyên nghiệp thu thập, trước khi tiến hành EFA/CFA hoặc các phân tích độ tin cậy cuối cùng. Skill này đánh giá toàn diện dữ liệu thiếu, giá trị ngoại lệ, trả lời ẩu, thiên lệch phản hồi, chất lượng mục hỏi và mức độ đầy đủ của mẫu, đồng thời đưa ra quyết định Go/No-Go; không thay đổi dữ liệu mà chỉ cung cấp báo cáo chẩn đoán/kiểm định.
Kỹ năng liên quan
Xem tất cả
Kiểm tra dữ liệu thang đo
Kỹ năng này kiểm tra có hệ thống dữ liệu khảo sát thô được thu thập trong quá trình phát triển thang đo, xét trên các khía cạnh: dữ liệu thiếu, quan sát ngoại lệ, trả lời bất cẩn (straightlining, longstring, random responding), phân phối bất thường theo từng mục, độ tin cậy và các điều kiện tiền đề để phân tích nhân tố. Kỹ năng không tạo ra kết quả EFA/CFA cuối cùng; thay vào đó, cung cấp quyết định "go/no-go" dựa trên bằng chứng về việc dữ liệu đã sẵn sàng cho các bước phân tích tiếp theo hay chưa, cùng đề xuất chia mẫu phân tầng (EFA/CFA split). Tất cả phép tính đều được thực hiện bằng cách chạy mã thực tế (Python: pandas, scipy, factor_analyzer, pingouin); không tạo ra các con số giả định.
Nghiên cứuBáo cáo Giá trị & Tin cậy
Tạo một phần Phương pháp + Kết quả hoàn chỉnh, sẵn sàng cho bài báo, từ kết quả phân tích EFA hoặc CFA (KMO, kiểm định Bartlett, hệ số tải nhân tố, chỉ số độ phù hợp, Cronbach alpha/CR/AVE). Phân loại chính xác các ngưỡng chỉ số độ phù hợp (CFI/TLI≥.90, RMSEA≤.08, v.v.) và báo cáo trung thực các vấn đề về độ giá trị như AVE<0.50, không che giấu chúng. Phù hợp với các học giả và học viên sau đại học thực hiện nghiên cứu phát triển hoặc thích nghi thang đo.
Nghiên cứuBáo cáo PLS-SEM + Phản biện
Tạo báo cáo đầy đủ về Mô hình đo lường + Mô hình cấu trúc từ kết quả phân tích PLS-SEM của bạn (độ tải ngoài, CR/AVE, giá trị phân biệt HTMT, hệ số đường dẫn, R²/f²/Q², SRMR). Áp dụng đúng ngưỡng HTMT và cách diễn giải R² (theo tiêu chí Cohen/Chin), đồng thời tránh sử dụng ngôn ngữ nhân quả. Ngoài ra, công cụ dự đoán trước ít nhất 4 ý kiến phản biện thường được reviewer tạp chí đặt ra (ví dụ: "Tại sao chọn PLS thay vì CB-SEM", "Chưa kiểm định CMB") và cung cấp một câu trả lời bảo vệ cho từng ý kiến. Phù hợp với: các nhà nghiên cứu kinh doanh/khoa học xã hội sử dụng mô hình phương trình cấu trúc bằng PLS-SEM và những người muốn củng cố tính chặt chẽ của phương pháp trước khi gửi bài cho tạp chí.
Thông tin
- Phiên bản
- v2
- Cập nhật lần cuối
- Điểm tín dụng khi chạy
- Theo mức sử dụng
- Mô hình
- Tự động
