Multiple Imputation of missing values in exploratory factor analysis of multidimensional scales: estimating latent trait scores

摘要

Los investigadores con frecuencia se enfrentan a la dif?-cil tarea de analizar las escalas en las que algunos de los participantes no han respondido a todos los ?-tems. En este art?-culo nos centramos en el an??lisis factorial exploratorio de escalas multidimensionales (es decir, escalas que constan de varias de subescalas), donde cada subescala se compone de una serie de ?-tems de tipo Likert, y el objetivo del an??lisis es estimar las puntuaciones de los participantes en los rasgos latentes correspondientes. En este contexto, se propone un nuevo enfoque para hacer frente a las respuestas faltantes que se basa en (1) la imputaci?3n m?oltiple de las respuestas faltantes y (2) la rotaci?3n simult??nea de las muestras de datos imputados. Se ha aplicado el m??todo en una muestra de datos reales en que las respuestas que faltantes fueron introducidas artificialmente siguiendo un patr?3n real de respuestas faltantes, y un estudio de simulaci?3n basado en conjuntos de datos artificiales. Los resultados muestran que nuestro enfoque (en concreto, Hot-Deck de imputaci?3n m?oltiple seguido de rotaci?3n Consensus Promin) es capaz de calcular correctamente la puntuaci?3n factorial estimada incluso para los participantes que tienen valores perdidos.