量表開發資料前置審查
EFA/CFA 前檢查缺失值、離群值與隨意作答
量表開發資料前置審查
EFA/CFA 前檢查缺失值、離群值與隨意作答
展示內容
描述
當您需要在進行 EFA/CFA 或最終信度分析前，從心理計量資料品質的角度審查由專業問卷公司蒐集的原始量表開發資料（Excel/CSV）時，即可使用此技能。它會全面評估缺失值、離群值、隨意作答、作答偏誤、題目品質與樣本數充足性，並產出 Go/No-Go 決策；不會修改資料，僅提供診斷與審查報告。
相關技能
查看全部
量表開發資料品質稽核
此技能會針對量表開發研究所蒐集的原始問卷資料，從遺漏資料、離群觀測值、粗心作答（straightlining、longstring、random responding）、題目層級的分布異常、信度與可因素分析之前提等面向，進行系統性的品質稽核。不會產出最終的 EFA/CFA 結果；而是根據證據判斷資料是否已準備好進入後續分析階段，並提出分層分割樣本（EFA/CFA split）的建議。所有計算皆透過實際執行程式碼（Python：pandas、scipy、factor_analyzer、pingouin）完成，不會產生假設性數值。
研究效度與信度報告撰寫器
從 EFA 或 CFA 分析結果（KMO、Bartlett 檢定、因素負荷量、適配度指標、Cronbach alpha/CR/AVE）產生可直接用於論文的完整「方法＋結果」文字。正確判讀適配度指標門檻（如 CFI/TLI≥.90、RMSEA≤.08 等），並如實揭露 AVE<0.50 等效度問題，不加以隱藏。適用對象：進行量表開發或改編研究的學者與研究生。
研究PLS-SEM 報告與審稿回應引擎
根據 PLS-SEM 分析輸出（外部負荷、CR/AVE、HTMT 區別效度、路徑係數、R²/f²/Q²、SRMR），產生完整的測量模型與結構模型報告。正確套用 HTMT 閾值與 R² 解讀（Cohen/Chin 標準），並避免使用因果關係措辭。此外，預先辨識期刊審稿人常提出的至少 4 項質疑（例如「為何選擇 PLS 而非 CB-SEM」、「未進行共同方法偏誤（CMB）檢驗」），並為每項質疑提供辯護句。適用對象：使用 PLS-SEM 進行結構方程模型分析的商管與社會科學研究者，以及在投稿期刊前尋求方法嚴謹性檢視的人員。
資訊
- 版本
- v2
- 更新時間
- 執行點數
- 依實際用量
- 模型
- 自動選擇
