Key points are not available for this paper at this time.
Dieser Artikel vergleicht eine Vielzahl von Imputationsstrategien für ordinale fehlende Daten bei Likert-Skalenvariablen (Anzahl der Kategorien = 2, 3, 5 oder 7) zur Wiederherstellung von Reliabilitätskoeffizienten, durchschnittlichen Skalenwerten und Regressionskoeffizienten zur Vorhersage eines Skalenwerts aus einem anderen. Die untersuchten Strategien umfassen die Imputation unter Verwendung normaler Datenmodelle mit naivem Runden/ohne Runden, die Verwendung von latenten Variablenmodellen und die Verwendung von kategorialen Datenmodellen wie Diskriminanzanalyse und binomiale logistische Regression (nur für dichotome Daten), multinomiale und proportionale Odds-logistische Regression (nur für polytome Daten). Das Ergebnis deutet darauf hin, dass sowohl der Ansatz des normalen Modells ohne Runden als auch der Ansatz des latenten Variablenmodells unabhängig von der Stichprobengröße, dem Anteil fehlender Daten und der Asymmetrie der Itemverteilungen gut abschneiden, egal ob es sich um dichotome oder polytome Daten handelt. Der Ansatz der Diskriminanzanalyse schneidet auch gut bei dichotomen Daten ab. Naives Runden normaler Imputationen oder die Verwendung logistischer Regressionsmodelle zur Imputation ordinaler Daten werden nicht empfohlen, da sie potenziell zu erheblichen Verzerrungen in allen oder einigen der Parameter führen können.
Wu et al. (Fri,) untersuchten diese Frage.