No le tema a los datos perdidos: enfoques modernos para el manejo de datos perdidos

• Montenegro-Montenegro, Esteban ^[1] ; Oh, Youngha ^[1] ; Chesnut, Steven ^[2]
  1. [1] Texas Tech University

     Texas Tech University

     Estados Unidos

     
  2. [2] University of Southern Mississippi

     University of Southern Mississippi

     Estados Unidos

     
• Localización: Actualidades en Psicología, ISSN-e 2215-3535, ISSN 0258-6444, Vol. 29, Nº. 119, 2015 (Ejemplar dedicado a: Actualidades en Psicología: Medición y Psicometría; IX), págs. 29-42
• Idioma: español
• Títulos paralelos:
  • Do not Be Afraid of Missing Data: Modern Approaches to Handle Missing Information
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La mayoría de los datos en ciencias sociales y educación presentan valores perdidos debido al abandono del estudio o la ausencia de respuesta. Los métodos para el manejo de datos perdidos han mejorado gramáticamente en los últimos años, y los programas computacionales ofrecen en la actualidad una variedad de opciones sofisticadas. A pesar de la amplia disponibilidad de métodos considerablemente justificados, muchos investigadores e investigadoras siguen confiando en técnicas viejas de imputación que pueden crear análisis sesgados. Este artículo presenta una introducción conceptual a los patrones de datos perdidos. Seguidamente, se introduce el manejo de datos perdidos y el análisis de los mismos con base en los mecanismos modernos del método de máxima verosimilitud con información completa (FIML, siglas en inglés) y la imputación múltiple (IM). Asimismo, se incluye una introducción a los diseños de datos perdidos así como nuevas herramientas computacionales tales como la función Quark y el paquete semTools. Se espera que este artículo incentive el uso de métodos modernos para el análisis de los datos perdido

  • English

    Most of the social and educational data have missing observations due to either attrition or nonresponse.Missing data methodology has improved dramatically in recent years, and popular computer programs as well as software now offer a variety of sophisticated options. Despite the widespread availability of theoretically justified methods, many researchers still rely on old imputation techniques that can create biased analysis. This article provides conceptual introductions to the patterns of missing data. In line with that, this article introduces how to handle and analyze the missing information based on modern mechanisms of full-information maximum likelihood (FIML) and multiple imputation (MI). An introduction about planned missing designs is also included and new computational tools like Quark function, and semTools package are also mentioned. The authors hope that this paper encourages researchers to implement modern methods for analyzing missing data.