AI Summary & Key Takeaways
AI InsightResults show that listwise deletion, which is often applied as a default missing data technique, may cause serious problems.
📌 3 Key Takeaways
Abstract
The purpose of this study is to investigate the psychometric properties of scales with different missing data techniques. For this purpose 100 data sets were generated under different conditions of sample sizes (250, 500 and 1000) and number of items (10 and 15), respectively. Data points were deleted under missing completely at random, missing at random and missing not at random conditions by two, five and ten percent. Listwise deletion, similar response pattern imputation based on Euclidian distance, stochastic regression imputation, expectation – maximization algorithm and multiple imputation were carried out on incomplete data sets. Bias of Cronbach α, McDonald and W coefficients were investigated for reliability estimates. Extracted variances and D2 statistic obtained by principal component analysis and different indices obtained by confirmatory factor analysis are investigated for validity. Results show that listwise deletion, which is often applied as a default missing data technique, may cause serious problems. On the other hand expectation – maximization algorithm and multiple imputation generally outperformed but none of the techniques are the best for all conditions
Özet
Bu çalışmanın amacı farklı örneklem büyüklüğü, kayıp veri örüntüsü, kayıp veri oranı ve madde sayısı koşulları altında ölçeklerin psikometrik özelliklerinin beş ayrı kayıp veri baş etme tekniğiyle incelenmesidir. Bu amaç doğrultusunda örneklem büyüklüğünün ve madde sayısının farklı düzeylerde manipüle edildiği 100 farklı yapay veri seti üretilmiştir. Üretilen veri setlerinde örneklem büyüklüğü 250, 500 ve 1000; madde sayıları ise bir faktörlü veri setleri için 10 madde ve iki faktörlü veri setleri için 15 madde şeklinde manipüle edilmiştir. Eksiksiz veri setlerinde tümüyle seçkisiz kayıp, seçkisiz kayıp ve seçkisiz olmayan kayıp koşulları altında silme işlemi gerçekleştirilmiştir ve liste bazında silme, Öklid uzaklığı üzerinden benzer tepki örüntüsüne dayalı atama, stokastik regresyonla değer atama, beklenti – maksimizasyon algoritması ve çoklu değer atama teknikleri ile değer ataması yapılmıştır. İncelemeler Cronbach α, McDonald w ve WW kestirimleri, açıklanan toplam varyans oranları, D2 istatistiği, ve model – veri uyumuna ilişkin indeks değerleri üzerinden gerçekleştirilmiştir. Sıklıkla kullanılan liste bazında silme tekniğinin ciddi sorunlara yol açabileceği; beklenti-maksimizasyon algoritması ve çoklu değer atama tekniklerinin ise genel olarak yüksek performans gösterdiği sonucuna ulaşılmış olmakla beraber, tüm durumlarda kullanılabilecek ve kesin olarak en iyi sonucu veren tek bir tekniğin olmadığı görülmüştür. Anahtar Kelimeler: Kayıp veriler, kayıp veri baş etme teknikleri, güvenirlik, geçerlik