Modelagem Longitudinal com Dados Faltantes de Forma Aleatória e Sistemática: Uma Simulação de Técnicas Ad Hoc, Máxima Verossimilhança e Imputação Múltipla

Para a pesquisa organizacional sobre mudança individual, dados faltantes podem reduzir significativamente o tamanho da amostra longitudinal e potencialmente enviesar as estimativas de parâmetros. Dentro da estrutura de modelagem de equações estruturais, este artigo compara seis técnicas de dados faltantes (TDF): exclusão de lista, exclusão par a par, imputação de regressão estocástica, o algoritmo de maximização de expectativa (EM), maximização de verossimilhança de informações completas (FIML) e imputação múltipla (IM). A justificativa para cada técnica é revisada, seguida de uma análise de Monte Carlo baseada em uma simulação de três ondas de compromisso organizacional e intenções de rotatividade. Estimativas de parâmetros e erros padrão para cada TDF são contrastados com estimativas de dados completos, sob três mecanismos de falta (completamente aleatório, aleatório e não aleatório) e três níveis de falta (25%, 50% e 75%; todos monotonicamente faltantes). Os resultados apoiam as abordagens de máxima verossimilhança e IM, que superam particularmente a exclusão de lista para parâmetros envolvendo muitos casos recuperados. Melhores estimativas de erro padrão são derivadas das técnicas FIML e IM. Todas as TDFs apresentam desempenho pior quando os dados faltam de forma não aleatória.