Múltiple Imputación de Datos Faltantes en Análisis Factorial Moderado

Área de la Ciencia:

• Psicometría
• Modelado estadístico
• Análisis de datos

Sus antecedentes:

• El análisis factorial moderado extiende el modelo de factores comunes con una variable moderadora continua.
• El manejo de datos faltantes en las variables indicadoras generalmente se realiza con máxima verosimilitud de información completa.
• Los datos faltantes en la variable moderadora presentan un desafío significativo, a menudo requiriendo la eliminación de casos.

Objetivo del estudio:

• Proponer y evaluar un procedimiento de imputación múltiple para el análisis factorial moderado con datos faltantes del moderador.
• Comparar el rendimiento del método propuesto frente a la eliminación de casos y la coincidencia de medias predictivas.

Principales métodos:

• Desarrollo de una técnica de imputación múltiple basada en el modelo de factores moderados.
• Análisis comparativo utilizando datos simulados bajo diversas condiciones de datos faltantes.
• Las métricas de evaluación incluyeron el sesgo de las estimaciones de parámetros y la potencia estadística.

Principales resultados:

• El procedimiento de imputación múltiple propuesto maneja eficazmente los datos faltantes del moderador.
• La eliminación de casos y la coincidencia de medias predictivas exhibieron menor potencia y mayor sesgo en las estimaciones de parámetros.
• La imputación múltiple demostró un rendimiento superior en comparación con los métodos tradicionales.

Conclusiones:

• La imputación múltiple es un enfoque robusto y recomendado para abordar los datos faltantes del moderador en el análisis factorial moderado.
• El método propuesto ofrece una mayor precisión y potencia estadística que la eliminación de casos y la coincidencia de medias predictivas.
• Este avance facilita análisis más confiables en presencia de patrones complejos de datos faltantes.