Menü
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Ein direkter Befehl überspringt den Prüf-Prompt. Prüfen Sie die Quelle, bevor Sie ihn ausführen.
npx skills add https://github.com/ffsshhttiikk/opencode-agents-skills --skill psychometricsDer Befehl bleibt in einer Zeile. Scrollen Sie horizontal, um ihn vor dem Kopieren vollständig zu prüfen.
Sie bevorzugen eine lokale Kopie? Laden Sie die Dateien herunter, die SkillsMP derzeit vorliegen.
SKILL.md wird angezeigt
Basierend auf der SOC-Berufsklassifikation
| name | psychometrics |
| description | Psychometric measurement methods |
| license | MIT |
| compatibility | opencode |
| metadata | {"audience":"data-analysts","category":"interdisciplinary"} |
Use me when:
import numpy as np
from scipy import stats
# Classical Test Theory
def cronbach_alpha(items):
"""Calculate Cronbach's alpha for reliability"""
item_scores = np.array(items)
n_items = item_scores.shape[1]
# Item variances
item_vars = item_scores.var(axis=0, ddof=1)
total_var = item_scores.sum(axis=1).var(ddof=1)
alpha = (n_items / (n_items - 1)) * (1 - item_vars.sum() / total_var)
return alpha
# Item Response Theory (Simplified)
# 1PL Model: P(correct) = 1 / (1 + exp(-(theta - b)))
def logistic_1pl(theta, difficulty):
return 1 / (1 + np.exp(-(theta - difficulty)))
from sklearn.decomposition import FactorAnalysis
# Exploratory factor analysis
fa = FactorAnalysis(n_components=3)
factor_scores = fa.fit_transform(X)
# Interpretation
loadings = fa.components_.T
# High loadings indicate strong factor relationships