Er zijn helaas geen harde regels. De vuistregel is: nooit zonder goede reden data weggooien.
Over het algemeen heeft het weinig zin om data te behouden zodra er een missing is op de afhankelijke variabele. Bij predictoren wordt het wat lastiger. Het kan eigenlijk nooit kwaad om analysis by analysis te verwijderen; zo behoud je zo veel mogelijk de data. Listwise is een beetje een paardenmiddel, maar als je N voldoende groot is, en de N-missings voldoende klein, dan is er geen merkbaar verschil tussen de missing-data-handling.
Deletion van missing data zul je op termijn, na wat meer statistiekervaring op zak, ook niet zo snel meer doen, en langzaamaan vervangen met geavanceerdere technieken, zoals het imputeren van missing data, e.d.
In de context van het onderwijs zal het niet uitmaken welke methode je kiest, als je je er maar bewust van bent wat je hebt gekozen. Mochten er dan grote problemen zijn (je neemt bijvoorbeeld een zeer grote reductie in N waar in je output), dan weet je dat listwise misschien te hard gesnoeid heeft, en dat analysis by analysis hopelijk meer data behoud.