Table of Contents

La gestión de los datos perdidos es uno de los retos más generalizados en las grandes encuestas psicológicas. Cuando los participantes no completan todos los artículos de encuesta, saltan preguntas sensibles o se retiran de estudios longitudinales, los investigadores enfrentan decisiones críticas que pueden afectar significativamente la validez y fiabilidad de sus hallazgos.El manejo adecuado de respuestas incompletas no es meramente una consideración técnica, es fundamental para asegurar que las conclusiones de investigación reflejen con precisión los fenómenos estudiados.

Comprender los mecanismos de datos que se han perdido

Antes de implementar cualquier estrategia de datos que falta, los investigadores deben entender los mecanismos subyacentes que generan falta de datos. Rubin (1976) clasifica los problemas de datos que faltan en tres categorías, cada uno con implicaciones distintas para el análisis e interpretación.El mecanismo que rige por qué los datos no se conocen como mecanismo de datos o mecanismo de respuesta desaparecidos determina qué métodos estadísticos producirán inferencias válidas.

Desaparecido completamente en Random (MCAR)

Si la probabilidad de faltar es la misma para todos los casos, entonces los datos se dice que faltan completamente al azar (MCAR). Esto representa la suposición más restrictiva sobre los datos desaparecidos. Esto implica efectivamente que las causas de los datos desaparecidos no están relacionadas con los datos. En encuestas psicológicas, MCAR podría ocurrir cuando se pierden respuestas de cuestionarios aleatoriamente debido a errores técnicos, como una función de servidor que afecta a un subconjunto aleatorio de participantes, o cuando los datos de encuestas accidentalmente dañados.

Cuando los datos son MCAR, el hecho de que los datos no se encuentran es independiente de los datos observados y no guardados. Esto significa que no existen diferencias sistemáticas entre los participantes con datos perdidos y aquellos con datos completos. Cuando los datos son MCAR, los datos que quedan pueden considerarse una simple muestra aleatoria del conjunto de datos completos de interés. Mientras que esta característica hace que los datos MCAR sean relativamente sencillos de manejar, MCAR generalmente se considera una hipótesis fuerte y a menudo poco realista en la mayoría de investigación psicológica.

Desaparecido completamente al azar (MCAR) es el único mecanismo de datos que se puede verificar. Esta suposición puede ser probada separando los casos desaparecidos y completos y examinando las características del grupo. Si estos grupos difieren significativamente en las variables observadas, la suposición MCAR no se sostiene.

Desaparecido en el azar (MAR)

Si la probabilidad de faltar es la misma sólo dentro de los grupos definidos por los datos observados, entonces los datos se pierden al azar (MAR). MAR es una clase mucho más amplia que MCAR. Bajo MAR, la falta de datos puede estar relacionada sistemáticamente con las variables observadas en el conjunto de datos, pero no con los propios valores no observados.

En encuestas psicológicas, el MAR ocurre comúnmente cuando ciertos grupos demográficos tienen más o menos probabilidades de responder a preguntas particulares. Por ejemplo, un registro que examina la depresión puede encontrar datos que son MAR si los participantes varones tienen menos probabilidades de completar una encuesta sobre la gravedad de la depresión que las mujeres participantes.La distinción clave es que si la probabilidad de terminación de la encuesta está relacionada con su sexo (que se observa plenamente) pero no la gravedad de su depresión, entonces los datos pueden ser considerados como MAR.

Dado que MAR es una suposición que es imposible verificar estadísticamente, debemos confiar en su razonabilidad sustantiva. Los investigadores deben utilizar su conocimiento del contexto de investigación y comportamiento de los participantes para evaluar si la suposición MAR es plausible. La plausibilidad de MAR se mejora incluyendo en el modelo de imputación cualquier variable que pueda estar relacionada con la posibilidad de la falta.

No falta en el azar (MNAR)

MNAR significa que la probabilidad de falta de datos varía por razones que no nos conocen. Cuando los datos son MNAR, el hecho de que los datos no se han registrado se relaciona sistemáticamente con los datos no observados, es decir, la falta de datos se relaciona con eventos o factores que no son medidos por el investigador. Esto representa el escenario más difícil para el análisis de datos perdidos.

Un ejemplo de MNAR en la investigación de la opinión pública ocurre si los que tienen opiniones más débiles responden con menos frecuencia. En encuestas psicológicas, el MNAR suele ocurrir con temas sensibles. El registro de depresión puede encontrar datos que son MNAR si los participantes con depresión severa son más propensos a negarse a completar la encuesta sobre la gravedad de la depresión. De manera similar, las personas con ingresos más altos pueden ser menos propensos a informar de sus ganancias, o aquellos con problemas de abuso de sustancias más graves podrían saltar preguntas sobre sus patrones de uso.

El MNAR es el caso más complejo, ya que la falta depende de valores no observados, no puede abordarse plenamente a través de técnicas estadísticas estándar. El hecho de que las fuentes de datos desaparecidos son por sí mismas medios no asegurados que (en general) este problema no puede abordarse en análisis y la estimación de efecto probablemente se va a bisestar.

Realización de un análisis completo de datos perdidos

Antes de seleccionar un método de manejo de datos que falta, los investigadores deben realizar un análisis exhaustivo de la extensión, patrón y posibles mecanismos de falta en su conjunto de datos. Esta fase de diagnóstico es crucial para tomar decisiones metodológicas informadas.

Cuantificación de los datos perdidos

Comience calculando el porcentaje de datos perdidos para cada variable en su encuesta. Documente la falta de nivel de los elementos (la proporción de respuestas faltantes para preguntas individuales) y la falta de nivel de caso (la proporción de participantes con datos que faltan). Entender la distribución de la falta de datos en variables ayuda a identificar qué elementos son particularmente problemáticos y puede requerir rediseño en futuros esfuerzos de reunión de datos.

Crear patrones de datos perdidos para identificar si la falta ocurre en combinaciones sistemáticas. Por ejemplo, ¿los participantes que saltan una pregunta sensible tienden a saltar a otros? ¿Es más probable que ciertos grupos demográficos tengan datos incompletos? Los paquetes de software estadístico como R, SPSS y Stata ofrecen herramientas de visualización que pueden mostrar estos patrones gráficamente, facilitando la identificación de tendencias sistemáticas.

Pruebas de mecanismos de datos perdidos

Aunque no puede probar definitivamente que los datos son MAR o MNAR, puede probar si los datos son MCAR. La prueba MCAR de Little es una prueba multivariada, que evalúa los subgrupos de los datos que comparten el mismo patrón de datos perdidos. Se utiliza una prueba de distribución de chi-square para probar la hipótesis nula de que los datos son MCAR. Un resultado significativo sugiere que los datos no son MCAR, indicando mecanismos MAR o MNAR.

Además, compare a los participantes con datos completos contra incompletos sobre todas las variables observadas.Utilice pruebas t para variables continuas y pruebas de chi-cuadra para variables categóricas para determinar si las personas con datos perdidos difieren sistemáticamente de las que no se han observado. Diferencias significativas sugieren que los datos no son MCAR y que son necesarios métodos de datos más sofisticados.

Documentando patrones de falta de identidad

Mantener documentación detallada de su análisis de datos perdidos, incluyendo el porcentaje de falta de cada variable, los resultados de las pruebas MCAR, y cualquier patrón observado o relación entre la falta de datos y otras variables. Esta documentación sirve múltiples propósitos: informa su elección de método de manejo de datos perdidos, proporciona transparencia para los evaluadores de pares y lectores, y ayuda a identificar posibles fuentes de sesgo en sus resultados.

Métodos de imputación para la pérdida de datos

La imputación implica reemplazar los valores perdidos por valores estimados basados en la información disponible. La sofisticación y la idoneidad de los métodos de imputación varían considerablemente, con importantes implicaciones para la validez de los análisis posteriores.

Métodos de imputación simples

Los métodos de imputación simples reemplazan cada valor perdido con un valor estimado único. Aunque son fáciles de implementar, estos métodos tienen limitaciones significativas que los investigadores deben entender antes de utilizarlos.

La imputación mediana o mediana reemplaza los valores perdidos por la media (para variables continuas) o mediana (para distribuciones asadas) de los valores observados. Este método es adecuado cuando los datos son MCAR y la falta es mínima (normalmente inferior al 5%).La principal desventaja es que la imputación reduce artificialmente la variabilidad en la variable imputada, distorsiona correlación estándar

Imputation de regresión] utiliza modelos de regresión para predecir valores perdidos basados en otras variables del conjunto de datos. Para cada variable con datos perdidos, se establece un modelo de regresión utilizando casos con datos completos, y este modelo se utiliza para predecir valores perdidos. Mientras que más sofisticado que la imputación de la regresión simple todavía subestima la variabilidad y la incertidumbre porque trata valores imputizados como valores.

La imputación de cubiertas deHot] reemplaza los valores perdidos por valores observados de encuestados similares (donantes). La similitud puede definirse combinando características demográficas, patrones de respuesta u otras variables relevantes.Este método preserva la distribución de la variable que se está imponiendo pero no representa la incertidumbre de imputación.

Múltiples imputaciones

Múltiple imputación (MI) es una herramienta útil para tratar los datos perdidos, dadas sus atractivas propiedades teóricas, su capacidad para manejar cualquier patrón de datos perdidos, y las numerosas plataformas de cálculo que están disponibles en la práctica. A diferencia de los métodos de imputación simple, la imputación múltiple reconoce la incertidumbre inherente en la estimación de los valores perdidos.

Con MI, los valores perdidos se imputed de la distribución predictiva Bayesian de los datos desaparecidos, dadas las informaciones observadas, para crear conjuntos de datos imputed K. Típicamente, los investigadores crean entre 5 y 20 conjuntos de datos imputed, aunque las recomendaciones recientes sugieren que más imputaciones pueden ser beneficiosas cuando la proporción de datos faltantes es alta.El modelo de análisis sustantivo se ajusta a cada uno de estos a su vez, dando diferentes estimaciones de errores.

Avances de la imputación múltiple:

  • Produce estimaciones de parámetros imparciales en las hipótesis del MAR
  • Proporciona errores estándar válidos que explican la incertidumbre de imputación
  • Puede manejar patrones complejos de datos perdidos
  • Permite a los investigadores utilizar métodos de análisis de datos completos estándar después de la imputación
  • Ampliamente apoyado por paquetes de software estadístico

A pesar de la popularidad de la imputación múltiple de los datos desaparecidos, su aceptación y aplicación todavía se encuentran en estudios a gran escala con complejos conjuntos de datos. La regresión secuencial múltiples imputación, implementada en software público disponible, puede tratar con no respuesta en encuestas y construir una base de datos centralizada completada.

Implementación de múltiples imputaciones en encuestas psicológicas

Al implementar múltiples imputaciones para datos de encuesta psicológica, los investigadores deben seguir estos pasos clave:

1. Especifique el modelo de imputación: Incluya todas las variables que se utilizarán en análisis posteriores, además de las variables auxiliares que se correlacionan con datos o faltas de datos. El modelo de imputación debe ser más general que el modelo de análisis, y MI facilita los análisis de datos completados con fines generales. Incluya variables que predicen la falta incluso si no son parte de su modelo de análisis sustantivo.

2. Elija un método de imputación: Para conjuntos de datos con múltiples variables que contienen datos perdidos, imputación multivariada por ecuaciones encadenadas (MICE), también conocida como regresión secuencial múltiples imputación, es a menudo el enfoque más flexible. MICE impute los valores perdidos variable por variable, utilizando los modelos de regresión adecuados para cada tipo variable (resión lineal multirística para variables logística,

3. Determinar el número de imputaciones:] Mientras que las directrices anteriores sugirieron que 5-10 imputaciones eran suficientes, las recomendaciones actuales sugieren utilizar más imputaciones cuando la proporción de datos faltantes es alta. Una regla práctica es utilizar al menos como muchas imputaciones como porcentaje de casos incompletos (por ejemplo, si el 30% de los casos han perdido datos, utilizar al menos 30 imputaciones).

4. Control de Convergencia: Examinar trazas y otros diagnósticos para asegurar que el algoritmo de imputación haya convergedo. La mayoría de los paquetes de software proporcionan herramientas de diagnóstico para evaluar si el proceso de imputación se ha estabilizado.

5. Validar Valores Imputed: Compara las distribuciones de valores imputados a valores observados para asegurar que sean plausibles. Examina si los valores imputados preservan las relaciones entre variables que existen en los datos observados.

Consideraciones para datos de encuestas complejas

Los métodos de imputación múltiple (MI) son adecuados para una variedad de patrones de falta, pero no son tan fácilmente adaptados a los diseños complejos de muestreo. Grandes encuestas psicológicas emplean a menudo diseños complejos de muestreo con estratificación, agrupación y probabilidad desigual de selección. Al implementar múltiples imputaciones con tales diseños, los investigadores deben incorporar características de diseño de encuesta en el modelo de imputación.

Incluye variables de diseño (indicadores de datos, identificadores de racimo) y pesas de muestreo en el modelo de imputación para asegurar que los valores imputed reflejen la estructura de encuesta compleja. Algunos paquetes de software ofrecen procedimientos especializados para múltiples imputaciones con datos de encuesta que automáticamente representan estas características.

Información completa Preservación máxima (FIML)

Información completa Maximum Likelihood representa una alternativa a los métodos basados en imputaciones para manejar los datos perdidos. En lugar de llenar los valores perdidos, FIML calcula los parámetros del modelo utilizando directamente toda la información disponible de cada caso.

Cómo funciona la FIML

FIML construye una función de probabilidad para cada caso basado en las variables que se observan para ese caso. Casos con datos completos aportan información sobre todos los parámetros, mientras que los casos con datos perdidos aportan información sobre parámetros que pueden ser estimados de sus variables observadas. El algoritmo entonces maximiza la suma de estas contribuciones de probabilidad individuales para obtener estimaciones del parámetro.

Como múltiples imputaciones, FIML produce estimaciones de parámetros imparciales bajo las suposiciones MAR. Bajo MAR los sofisticados MDTs devolvieron estimaciones más cercanas a sus valores originales, refiriéndose a métodos que incluyen FIML. El método es particularmente adecuado para el modelado de ecuaciones estructurales y otros análisis basados en modelos.

Ventajas y limitaciones de la FIML

Proyecciones:

  • No requiere crear múltiples conjuntos de datos
  • Produce estimaciones imparciales en el marco de MAR
  • Cálculo eficiente para muchos modelos
  • Proporciona errores estándar que contabilizan los datos perdidos
  • Bien integrado en software de modelado de ecuación estructural

Limitations:

  • Requiere que el modelo de análisis se pueda especificar como una función de probabilidad
  • Menos flexible que múltiples imputaciones para modelos de análisis complejos
  • No puede incorporar fácilmente variables auxiliares que no sean parte del modelo sustantivo
  • Puede ser computacionalmente intensivo para conjuntos de datos muy grandes o modelos complejos

FIML es particularmente apropiado cuando se realiza el modelado de ecuación estructural, modelado de curvas de crecimiento u otros análisis donde el modelo sustantivo puede ser estimado directamente utilizando la máxima probabilidad. Para los investigadores que utilizan software como Mplus, lavaan en R, o AMOS, FIML es a menudo el método predeterminado para manejar datos perdidos y requiere una especificación mínima adicional.

Métodos de eliminación: cuándo y cómo utilizarlos

Los métodos de eliminación implican la eliminación de casos o variables con datos perdidos del análisis. Aunque conceptualmente simples, estos métodos tienen limitaciones importantes que los investigadores deben entender.

Eliminación de la lista (análisis de caso completo)

La eliminación de la lista elimina cualquier caso que haya perdido datos sobre cualquier variable incluida en el análisis. La eliminación de la lista requiere que los datos sean MCAR para no introducir sesgos en los resultados. Cuando los investigadores realizan análisis utilizando esta "sóloga de raras formas" de registros completos, los análisis no llevarán a estimaciones de parámetros parciales, aunque las pruebas de importancia estadística habrán disminuido la potencia debido a la pérdida de observaciones.

Sin embargo, en la práctica, los datos de MCAR son muy raros. Por eso no recomendamos métodos de eliminación, debido a la pérdida resultante de la potencia estadística, las limitaciones de la generalización de los resultados, y la probabilidad de que no se cumpla la hipótesis de MCAR. Cuando los datos no son MCAR, la eliminación de listones puede producir estimaciones parciales y reducir la generalización de los hallazgos.

Cuando la eliminación de la lista puede ser apropiada:

  • Los datos perdidos son realmente MCAR (verificados a través de pruebas estadísticas)
  • La proporción de datos faltantes es muy pequeña (normalmente inferior al 5%)
  • El tamaño de la muestra es lo suficientemente grande que la eliminación no reduce sustancialmente la potencia estadística
  • No son viables métodos más sofisticados debido a limitaciones de software o experiencia

Eliminación parálisis (Análisis de casos disponibles)

La eliminación de pares utiliza todos los datos disponibles para cada análisis, calculando estadísticas basadas en casos con datos completos para las variables específicas implicadas. Por ejemplo, cuando se computa una matriz de correlación, la correlación entre variables A y B utiliza todos los casos con datos tanto en A como en B, mientras que la correlación entre A y C utiliza todos los casos con datos tanto en A como en C.

Aunque la eliminación de pares utiliza más datos que la eliminación de listwise, puede producir resultados inconsistentes. Diferentes análisis pueden basarse en diferentes subconjuntos de la muestra, matrices de correlación pueden no ser positivos definidos, y los errores estándar pueden ser incorrectos. Por estas razones, la eliminación de pares generalmente no se recomienda para la investigación de encuesta psicológica.

Manejo de tipos específicos de datos perdidos en encuestas psicológicas

Patrones y preguntas condicionales

Muchas encuestas psicológicas incluyen patrones de patrón donde algunas preguntas sólo se hacen de los participantes que cumplen criterios específicos. Por ejemplo, las preguntas sobre el estrés parental son sólo relevantes para los participantes que tienen hijos. Las variables de Skip-pattern son comunes en encuestas. Para los modelos MI, cuando existen variables de patrón con datos perdidos, se necesita atención extra.

Cuando se manejan variables de patrón, distinguir entre la falta estructural (datos que faltan por diseño porque la pregunta no era aplicable) y la no respuesta del artículo (datos que faltan porque un participante elegible no respondió). La falta estructural debe ser codificada de manera diferente de la no respuesta del artículo y puede requerir un manejo especial en los modelos de imputación.

Preguntas sensibles

Las preguntas sobre los ingresos, el uso de sustancias, los síntomas de salud mental, la historia de los traumas y otros temas sensibles suelen tener tasas más altas de datos desaparecidos. Esta falta es frecuentemente MNAR, ya que las personas con valores más extremos pueden ser menos propensos a responder.

  • Incluir variables que pueden predecir tanto la variable sensible como la disposición a responder en su modelo de imputación
  • Considerar la posibilidad de realizar análisis de sensibilidad para evaluar cómo podrían cambiar los resultados en las diferentes hipótesis de la MNAR
  • Sea transparente sobre las limitaciones de su enfoque de manejo de datos perdido para variables sensibles
  • Considerar si la elevada tasa de faltas sugiere problemas con el diseño de preguntas o la administración de encuestas que deben abordarse en la futura reunión de datos

Datos de pérdida de longitudinal

Las encuestas psicológicas de longitud se enfrentan a problemas de datos adicionales que faltan, incluyendo la no respuesta de onda (participantes que faltan olas enteras de la recopilación de datos) y la atrición (los participantes abandonan permanentemente).

  • Incluir los predictores de falta de tiempo y de tiempo invariable en los modelos de imputación
  • Considere si la falta de un momento predece la falta en puntos de tiempo posteriores
  • Uso de métodos diseñados específicamente para datos longitudinales, como modelos de curva de crecimiento con FIML o múltiples imputaciones que explican la estructura temporal de los datos
  • Examinar si la attrición está relacionada con la trayectoria de resultados, lo que sugeriría el MNAR

Software y herramientas para el análisis de datos perdidos

Los paquetes de software estadístico modernos proporcionan una amplia capacidad para el análisis de datos perdidos. Comprender las fortalezas y limitaciones de diferentes herramientas ayuda a los investigadores a seleccionar métodos apropiados para sus necesidades específicas.

Paquetes R

El paquete es utilizado ampliamente para múltiples imputaciones y ofrece flexibilidad para especificar modelos de imputación para diferentes tipos variables. El paquete Amelia implementa múltiples imputaciones utilizando un algoritmo de expectativa-maximización.

SPSS

SPSS incluye múltiples capacidades de imputación a través del módulo Análisis de Valores Desaparecidos. El software proporciona una especificación automática del modelo de imputación, aunque los investigadores deben revisar y modificar cuidadosamente estos defectos basados en su conocimiento sustantivo. SPSS también ofrece pruebas MCAR de Little y varias visualizaciones de patrones de datos perdidos.

Stata

Stata mi] conjunto de comandos proporciona capacidades de imputación múltiple integral, incluyendo soporte para diseños complejos de encuesta. Stata integra múltiples imputaciones con muchos procedimientos de análisis estándar, lo que hace que sea más sencillo analizar conjuntos de datos imputed.

Mplus y otros software SEM

Software de modelado de ecuación estructural como Mplus, lavaan (R), y AMOS normalmente implementan FIML como el método predeterminado para manejar datos perdidos. Estos programas facilitan la obtención de estimaciones válidas bajo MAR sin imputing explícitamente valores perdidos.

Prevención de datos perdidos mediante el diseño de encuestas

Aunque los métodos estadísticos pueden mitigar el impacto de los datos perdidos, la prevención mediante el diseño de encuestas reflexiva es siempre preferible. Los investigadores deben implementar estrategias para minimizar los datos perdidos durante las fases de planificación y reunión de datos.

Estrategias de diseño cuestionario

Instrucciones de vuelo y Wording de preguntas:] Las preguntas ambiguas o confusas aumentan la probabilidad de que los participantes se salten los artículos. Prueba piloto todas las preguntas de encuesta con los miembros de su población objetivo para identificar palabras confusas, opciones de respuesta poco claras u otros problemas que podrían llevar a datos perdidos.

Opciones de respuesta apropiadas:] Asegurar que las opciones de respuesta sean exhaustivas y mutuamente excluyentes. Incluya opciones como "preferir a no responder" o "no aplicable" cuando sea apropiado, ya que permiten a los participantes proporcionar respuestas significativas en lugar de dejar en blanco los artículos.

Paquetes de flujo y Skip: Diseño patrones de patrón que son fáciles de seguir para los participantes. En encuestas en línea, implemente la lógica de salto automático para que los participantes sólo vean las preguntas relevantes para ellos. En encuestas de papel, use indicaciones visuales claras e instrucciones para guiar a los participantes a través de patrones de salto.

Orden de pregunta:] Después de la encuesta, se han establecido preguntas sensibles o potencialmente onerosas, después de que se haya establecido el rapport. Sin embargo, equilibra esto contra el riesgo de que los datos de falta relacionados con la fatiga se pongan al final de las encuestas largas.

Consideraciones de la interfaz de usuario para encuestas en línea

Para encuestas psicológicas en línea, la interfaz de usuario impacta significativamente la integridad de los datos:

  • Indicadores del progreso: Mostrar a los participantes hasta qué punto han progresado a través de la encuesta para mantener la motivación
  • Optimización mínima:] Asegurar que las encuestas se muestren correctamente en smartphones y tabletas, ya que las experiencias móviles deficientes aumentan las tasas de deserción
  • Campos requeridos: Usar campos requeridos con juicio, hacer respuestas a cada pregunta puede aumentar el deserción, pero permitir demasiadas preguntas opcionales aumenta el no respuesta de los elementos
  • ]Salvar y Resumir: Permitir a los participantes salvar su progreso y regresar más tarde, en particular para encuestas largas
  • Error Mensajes: Proveer mensajes de error claros y no judiciales cuando los participantes saltan los elementos requeridos o proporcionen respuestas inválidas

Participación en la participación y la retención

Mantener la participación de los participantes reduce tanto la no respuesta como la atrición del estudio:

  • Duración de la actividad: Mantener encuestas lo más breve posible al tiempo que recopilar los datos necesarios. Considere si todos los elementos previstos son realmente esenciales
  • Incentivos: Proporcionar una compensación adecuada para el tiempo y esfuerzo de los participantes. La investigación sugiere que los incentivos pueden mejorar las tasas de respuesta y reducir la atrición en estudios longitudinales
  • Comunicación: En estudios longitudinales, mantenga contacto regular con los participantes entre las ondas de recogida de datos. Envíe recordatorios, boletines informativos o actualizaciones sobre los avances en el estudio
  • Flexibilidad: Ofrezca múltiples modos de participación (online, teléfono, papel) cuando sea factible, ya que esto aloja diferentes preferencias y circunstancias de los participantes

Recopilación de variables auxiliares

Incluya variables en su encuesta que pueden ayudar a predecir la falta y mejorar los modelos de imputación, incluso si estas variables no son centrales en sus preguntas de investigación primaria. Las variables demográficas, construcciones psicológicas relacionadas, e indicadores conductuales pueden servir como variables auxiliares que refuerzan el manejo de datos perdidos.

Reporting Missing Data in Research Publications

La información transparente sobre los datos desaparecidos y la forma en que se maneja es esencial para la integridad y reproducibilidad de la investigación. Los editores de revistas, revisores y lectores necesitan esta información para evaluar la validez de los hallazgos de investigación.

Elementos esenciales para informar

Extensión de datos perdidos: Informe el porcentaje de datos perdidos para cada variable incluida en sus análisis. Proveer estadísticas de falta de nivel de elementos y de casos. Si se utiliza la eliminación de la lista, informe cuántos casos se excluyeron y qué porcentaje de la muestra original representa.

Patrones de datos de medición: Describe patrones de falta. ¿Es más probable que algunas variables se desaparecen juntos? ¿Hay grupos demográficos particulares mayores tasas de datos desaparecidos? ¿Hay diferencias sistemáticas entre los participantes con datos completos versus incompletos?

Mecanismo de datos de medición: Informe de los resultados de las pruebas para MCAR (como la prueba de MCAR de Little) y describa su evaluación de si los datos son probablemente MAR o MNAR. Explique el razonamiento detrás de sus conclusiones sobre el mecanismo de datos desaparecido.

Método de datos de medición:] Describa claramente el método utilizado para manejar datos desaparecidos. Si se utiliza una imputación múltiple, especifique el modelo de imputación (que variables fueron incluidas, qué tipos de modelos de regresión se utilizaron para diferentes tipos de variables), el número de imputaciones creadas y el software utilizado. Si se utiliza FIML, describa cómo se especcionó el modelo de análisis.

Análisis de sensibilidad: Cuando sea posible, realizar y reportar análisis de sensibilidad que examinen si los resultados son sólidos a diferentes supuestos o métodos de datos perdidos. Esto es particularmente importante cuando los datos pueden ser MNAR o cuando la proporción de datos perdidos es sustancial.

Directrices para la presentación de informes

Las directrices de la STROBE (Fortalecimiento de la Presentación de Informes de Estudios de Observación en Epidemiología) recomiendan informar sobre el número de participantes con datos perdidos para cada variable de interés y explicar cómo se abordaron los datos faltantes. Las Normas de Información sobre el Artículo de la APA (JARS) también enfatizan la importancia de describir los datos perdidos y los métodos utilizados para manejarlo.

Temas avanzados y consideraciones especiales

Análisis de sensibilidad para los datos MNAR

Cuando los datos pueden ser MNAR, métodos estándar como la imputación múltiple y FIML pueden producir estimaciones parciales. El análisis de sensibilidad implica examinar cómo los resultados cambian bajo diferentes supuestos sobre el mecanismo de datos perdidos. Los modelos de mezcla de patrones y los modelos de selección proporcionan marcos para realizar dichos análisis, aunque requieren hacer hipótesis intestables sobre la relación entre la falta de datos y los valores no observados.

Un enfoque práctico para el análisis de sensibilidad implica la realización de múltiples imputaciones en diferentes escenarios. Por ejemplo, si sospecha que los participantes con síntomas de depresión más graves eran menos propensos a completar un cuestionario de depresión, podría crear conjuntos de datos imputados donde las puntuaciones de depresión desaparecidas son sistemáticamente superiores a lo que se predijo en MAR. Comparar resultados en estos escenarios ayuda a evaluar la robustez de sus conclusiones.

Datos perdidos en modelos multinivel

Las encuestas psicológicas suelen tener estructuras multinivel, como los estudiantes anidados en escuelas o mediciones repetidas anidadas en individuos. Los datos perdidos en contextos multinivel pueden ocurrir en diferentes niveles (por ejemplo, variables de nivel individual desaparecidas, variables de nivel de racimo perdidas o grupos enteros desaparecidos). La imputación múltiple de datos multinivel requiere enfoques especializados que rindan cuentas de la estructura jerárquica.

Diseños de datos perdidos previstos

Los investigadores a veces crean intencionalmente datos perdidos mediante diseños de datos perdidos planeados. La falta de planificación es una estrategia de diseño de investigación, empleada en investigación de encuestas, en la que los datos se quedan incobrados de los encuestados individuales para reducir la carga preservando al mismo tiempo la capacidad de estimar los parámetros para el artículo completo establecido en la muestra. Estos diseños pueden reducir la carga de los participantes y los costos de encuesta manteniendo la potencia estadística para los análisis clave.

Aprendizaje de la máquina para la imputación

Los recientes avances en el aprendizaje automático han introducido nuevos métodos de imputación que pueden captar complejas relaciones no lineales entre variables. Los resultados indican que MissForest imputation realizó mejor, seguido por MICE en un estudio comparativo de técnicas de imputación. Aleatoriamente la imputación forestal, la imputación de red neuronal y otros métodos de aprendizaje automático muestran la promesa, especialmente para grandes conjuntos de datos con complejas relaciones variables.

Errores comunes y cómo evitarlos

Error 1: Ignorar datos perdidos

Algunos investigadores proceden con análisis sin reconocer o abordar datos perdidos, utilizando implícitamente la eliminación de listones sin justificación. Este enfoque arriesga resultados parciales y reducción de la potencia estadística. Siempre lleva a cabo un análisis de datos perdidos y elige explícitamente un método de manejo de datos perdido basado en las características de sus datos.

Error 2: Usando la imputación simple sin reconocer limitaciones

La imputación media y otros métodos simples de imputación simples todavía se utilizan comúnmente a pesar de sus limitaciones bien documentadas. Si usted debe utilizar la simple imputación debido a limitaciones de software o experiencia, reconocer las limitaciones en su reporte e interpretar los resultados cauteloso.

Error 3: Imputación Luego eliminación

Algunos investigadores imputen datos perdidos pero luego excluyen casos con valores imputados de ciertos análisis. Esto derrota el propósito de la imputación y puede introducir sesgo. Una vez que haya creado conjuntos de datos imputizados, utilizarlos consistentemente en todos los análisis.

Error 4: Modelos de imputación insuficientes

Utilizando modelos de imputación que incluyen sólo las variables en su modelo de análisis, sin variables auxiliares, puede reducir la calidad de las imputaciones. Incluya variables que predicen la falta y variables que están correlacionadas con variables que contienen datos perdidos, incluso si estas variables auxiliares no son parte de su análisis sustantivo.

Error 5: No se puede comprobar la calidad de la imputación

Siempre examine las distribuciones de valores imputados y compare a valores observados. Compruebe los valores implausibles imputed (por ejemplo, valores negativos para variables que deben ser positivas, valores fuera del rango posible). Verifique que las relaciones entre variables se conservan en conjuntos de datos imputados.

Flujo de trabajo práctico para gestionar datos perdidos

Aquí está un flujo de trabajo paso a paso que integra las estrategias discutidas a lo largo de este artículo:

Paso 1: Explorar y documentar datos perdidos

  • Calcular el porcentaje de datos perdidos para cada variable
  • Identificar patrones de datos perdidos utilizando herramientas de visualización
  • Comparar participantes con datos completos versus incompletos sobre variables observadas
  • Prueba de Conducta de MCAR
  • Documentar todas las conclusiones en un informe de análisis de datos que falta

Paso 2: Evaluar el Mecanismo de Datos Desaparecidos

  • Basándose en pruebas estadísticas y conocimientos sustantivos, determinar si los datos son probablemente MCAR, MAR o MNAR
  • Identificar variables que predicen la falta
  • Considerar si diferentes variables pueden tener diferentes mecanismos de datos perdidos

Paso 3: Seleccione un método apropiado de datos perdidos

  • Si los datos son MCAR y la falta de datos es mínima (cerlt;5%), la eliminación de listwise puede ser aceptable
  • Si los datos son MAR, utilice múltiples imputaciones o FIML
  • Si los datos pueden ser MNAR, los análisis de sensibilidad del plan
  • Considere la complejidad de su modelo de análisis y software disponible al elegir entre múltiples imputaciones y FIML

Paso 4: Implementar el método de datos perdidos

  • Para múltiples imputaciones: especifique el modelo de imputación, determine el número de imputaciones, ejecute el algoritmo de imputación, compruebe la convergencia y valide valores imputados
  • Para FIML: especifique el modelo de análisis para utilizar todos los datos disponibles y verifique que el software está implementando correctamente FIML

Paso 5: Análisis de conducta

  • Realice sus análisis previstos utilizando los conjuntos de datos imputados o estimación FIML
  • Combinar resultados correctamente en conjuntos de datos imputados usando las reglas de Rubin
  • Comparar resultados para completar el análisis de casos para evaluar el impacto de la manipulación de datos perdidos

Paso 6: Realizar análisis de sensibilidad

  • Si los datos pueden ser MNAR, examine cómo cambian los resultados bajo diferentes supuestos
  • Prueba métodos alternativos de datos perdidos para evaluar la robustez
  • Examinar si los resultados difieren para subgrupos con diferentes patrones de falta

Paso 7: Informe de resultados transparentemente

  • Describa el alcance y los patrones de los datos perdidos
  • Informe su evaluación del mecanismo de datos que falta
  • Explicar el método de datos que falta utilizado y justificar esta elección
  • Resultados actuales de análisis de sensibilidad
  • Limitaciones de disco relacionadas con datos perdidos

Recursos para el aprendizaje ulterior

Para los investigadores que buscan profundizar su comprensión de los métodos de datos perdidos, se dispone de varios recursos excelentes:

Libros: "Flexible Imputation of Missing Data" de Stef van Buuren proporciona una cobertura integral de múltiples imputaciones con ejemplos prácticos en R. "Análisis estadístico con datos perdidos" de Roderick Little y Donald Rubin ofrece la base teórica para los métodos de datos modernos desaparecidos. "Applied Missing Data Analysis" de Craig Enders presenta ejemplos relevantes para explicaciones científicas accesibles.

Recursos en línea: La Imputación flexible de los datos perdidos en línea libro de Stef van Buuren está disponible libremente e incluye ejemplos de código R. El Sitio web de datos de error] mantenido por investigadores de la Universidad de Bristol proporciona tutoriales y guías de software recientes.

] Documentación del software: La documentación para el paquete de ratones en R, comandos de Stata y SPSS Valores de pérdida Análisis todos incluyen tutoriales y ejemplos que pueden ayudar a los investigadores a implementar estos métodos.

Talleres y Cursos: Muchas universidades y organizaciones profesionales ofrecen talleres sobre análisis de datos perdidos. El Instituto de Verano en Métodos de Investigación Social de la Universidad de Michigan, el Programa de Verano de la ICPSR y diversas plataformas en línea ofrecen cursos específicamente centrados en datos perdidos.

Conclusión

La gestión de los datos perdidos en grandes encuestas psicológicas requiere una atención cuidadosa tanto para la metodología estadística como para el diseño de investigación. Entendiendo los mecanismos que generan datos perdidos —MCAR, MAR y MNAR— es fundamental para seleccionar métodos adecuados de manejo. Mientras que los enfoques simples como la eliminación de listones siguen siendo comunes, métodos modernos como la imputación múltiple y la FIML ofrecen ventajas sustanciales en términos de reducción de prejuicios y preservación del poder estadístico.

La elección del método de datos perdidos debe guiarse por las características de sus datos, las suposiciones que está dispuesto a hacer y la complejidad de sus análisis. La imputación múltiple ofrece flexibilidad y puede manejar patrones complejos de datos perdidos, haciéndolo adecuado para la mayoría de la investigación de encuestas psicológicas. La FIML proporciona una alternativa eficiente al realizar análisis basados en modelos como el modelado de ecuaciones estructurales.

La prevención mediante el diseño de encuestas reflexiva sigue siendo la mejor estrategia para la gestión de datos desaparecidos. La redacción clara de preguntas, interfaces fáciles de usar, incentivos apropiados y estrategias para mantener la participación de los participantes pueden reducir sustancialmente la aparición de datos perdidos. Cuando se producen datos no deseados, los métodos estadísticos examinados en este artículo proporcionan herramientas para realizar análisis válidos que rindan debidamente cuenta de la incertidumbre.

A medida que la investigación psicológica se basa cada vez más en encuestas a gran escala para comprender fenómenos complejos, el desarrollo de conocimientos especializados en métodos de datos perdidos se vuelve cada vez más importante. Al combinar enfoques estadísticos rigurosos con un diseño cuidadoso de investigación y una presentación transparente de informes, los investigadores pueden asegurar que los datos no socavan la validez y el impacto de su trabajo.