Multivariate modeling of missing data within and across assessment waves

FRANÇAIS :
Les données manquantes constituent un problème courant mais largement sous-évalué dans les études verticales et longitudinales. De plus, l'importance des problèmes associés aux données manquantes et la disponibilité de solutions applicables sont grandement accrues par l'utilisation de l'analyse à plusieurs variables. Les auteurs énumèrent et décrivent les approches les plus courantes pour gérer ce problème de données manquantes, comme par exemple l'attribution des données et la suppression des données, et discutent de leurs limites et mérites relatifs. Une forme particulière de l'attribution des données basée sur le modèle à variable latente, que les auteurs appellent attribution multivariée, est désignée comme très performante et prometteuse pour gérer les données manquantes dans le contexte de l'analyse multivariée. La récente extension théorique du modèle à variable latente permettant d'améliorer l'analyse de courbe a aussi permis aux auteurs d'élargir ce même type de solution au problème des données manquantes dans les études longitudinales. Les simulations de données sont utilisées pour comparer les résultats de l'attribution multivariée aux autres approches habituelles utilisées pour les données manquantes. (Résumé d'auteur)
ENGLISH :
Missing data constitute a common but widely underappreciated problem in both cross-sectional and longitudinal research. Furthermore, both the gravity of the problems associated with missing data and the availability of the applicable solutions are greatly increased by the use of multivariate analysis. The most common approaches to dealing with missing data are reviewed, such as data deletion and data imputation, and their relative merits and limitations are discussed. One particular form of data imputation based on latent variable modeling, which we call Multivariate Imputation, is highlighted as holding great promise for dealing with missing data in the context of multivariate analysis. The recent theoretical extension of latent variable modeling to growth curve analysis also permitted us to extend the same kind of solution to the problem of missing data in longitudinal studies. Data simulations are used to compare the results of multivariate imputation to other common approaches to missing data. (Author' s abstract)