Contemporary methods for handling missing data in observational studies of giftedness

Bias attributable to missing data conditions is often ignored by applied researchers. In response, journal editors (e.g., von Elm et al., 2007) and governing bodies (e.g., Wilkinson & APA Task Force, 1999) are increasingly calling for missing data analysis as routine assessment. The term missing data is traditionally used in reference to the condition of a study participant missing one or more, but not all, survey responses, test items, or other data points. In addition, methods to control the bias resulting from nonequivalent comparison groups could be viewed as a “missing data” scenario (Dates & King, 2009), though in this chapter we emphasize the former. Consideration of the effects of missing data is critically needed in studies of giftedness. Frequent causes of missing data include study dropouts in longitudinal studies of children through adolescence and adulthood and incomplete data records due to oversight on the part of respondents, refusal to answer certain questions, or a host of other reasons. Missing values can sometimes be safely ignored if observed for only a very small percentage of items. Yet even a few omitted responses can significantly bias results if the data are missing systematically. For example, consider a hypothetical study of 10,000 children in which 5% are categorized as gifted. Observing a modest missing data rate of 2% may nonetheless be of concern should the absent values all fall within the gifted population (i.e., 40% of gifted children would have missing data). In such an instance, ignoring missing values or applying ineffective adjustments may drastically alter study outcomes and lead to invalid conclusions. It is therefore imperative that giftedness researchers carefully examine the consequences of even modest amounts of missing data and familiarize themselves with best practices for handling these conditions. This chapter proceeds by briefly describing a typology for categorizing missing data. We then provide a review of the strengths and weaknesses of a number of traditional and contemporary methodologies for handling missing data, followed by discussion and detailed application of a new, “hybrid” approach that is capable of adjusting for both item-level missing data and missing cases in a nonequivalent groups design, a scenario frequently faced by the applied researcher. (PsycInfo Database Record (c) 2024 APA, all rights reserved) (Source: chapter)

abstractTranslation: El sesgo atribuible a las condiciones de datos faltantes a menudo es ignorado por los investigadores aplicados. En respuesta, los editores de revistas (por ejemplo, von Elm et al., 2007) y los órganos de gobierno (por ejemplo, Wilkinson & APA Task Force, 1999) están pidiendo cada vez más el análisis de datos faltantes como evaluación de rutina. El término datos faltantes se usa tradicionalmente en referencia a la condición de un participante del estudio que falta a una o más, pero no todas, las respuestas a la encuesta, los elementos de prueba u otros puntos de datos. Además, los métodos para controlar el sesgo resultante de los grupos de comparación no equivalentes podrían verse como un escenario de "datos faltantes" (Dates y King, 2009), aunque en este capítulo hacemos hincapié en el primero. La consideración de los efectos de los datos faltantes es críticamente necesaria en los estudios sobre la superdotación. Las causas frecuentes de la falta de datos incluyen abandonos en estudios longitudinales de niños hasta la adolescencia y la edad adulta y registros de datos incompletos debido a la negligencia de los encuestados, la negativa a responder ciertas preguntas o una serie de otras razones. Los valores faltantes a veces se pueden ignorar de manera segura si se observan solo para un porcentaje muy pequeño de los elementos. Sin embargo, incluso unas pocas respuestas omitidas pueden sesgar significativamente los resultados si los datos faltan sistemáticamente. Por ejemplo, considere un estudio hipotético de 10,000 niños en el que el 5% se clasifica como superdotado. No obstante, la observación de una modesta tasa de datos faltantes del 2% puede ser motivo de preocupación si todos los valores ausentes pertenecen a la población superdotada (es decir, el 40% de los niños superdotados tendrían datos faltantes). En tal caso, ignorar los valores faltantes o aplicar ajustes ineficaces puede alterar drásticamente los resultados del estudio y llevar a conclusiones inválidas. Por lo tanto, es imperativo que los investigadores de superdotación examinen cuidadosamente las consecuencias de incluso cantidades modestas de datos faltantes y se familiaricen con las mejores prácticas para manejar estas condiciones. Este capítulo continúa describiendo brevemente una tipología para categorizar los datos faltantes. A continuación, ofrecemos una revisión de las fortalezas y debilidades de una serie de metodologías tradicionales y contemporáneas para el manejo de los datos faltantes, seguida de una discusión y aplicación detallada de un nuevo enfoque "híbrido" que es capaz de ajustar tanto los datos faltantes a nivel de ítem como los casos faltantes en un diseño de grupos no equivalentes, un escenario al que se enfrenta con frecuencia el investigador aplicado. (Registro de la base de datos PsycInfo (c) 2024 APA, todos los derechos reservados) (Fuente: capítulo)