Multiple Imputation mogelijk bij missende data Gezinssysteemtest (GEST/FAST)?

Question

L.S.,

Voor mijn masterthesis doe ik een longitudinaal onderzoek met de Gezinssysteemtest (ook wel GEST of FAST) die op 3 meetmomenten bij respondenten is afgenomen. Mijn vraag is, of het wel statistisch verantwoord is om bij missende data bij deze test gebruik te maken van de 'multiple imputation'-methode of dat 'last assessment carried forward' een verantwoordere keuze is.

De GEST is een test die de relatiestructuren in het gezin meet (cohesie en hiërarchie). Het gezinslid moet met poppetjes zijn/haar huidige gezinssituatie op een spelbord van 9 bij 9 velden uitbeelden. Cohesie wordt uitgebeeld door middel van de afstand tussen de poppetjes en hiërarchie in de hoogteverschillen tussen de poppetjes. Per respondent wordt dus data verzameled over de x- en y- coordinaten (posities op het bord) van de gezinsleden van die respondent en per gezinslid een getal om het aantal hoogteblokjes aan te geven. Uit deze data wordt (handmatig) dmv categorische scoring de cohesie bepaald (1=hoog: poppetjes grenzen allemaal aan elkaar, 2 = middel: poppetjes staan in 3x3 veld, 3 = laag: poppetjes staan verder van elkaar) en de hoogte (1= hoog: 3 of meer blokjes verschil tussen minst invloedrijke ouder en meest invloedrijke kind, 2 = middel: 1 of 2 blokjes verschil, 3 = laag: geen blokjes verschil). Obv de cohesie en hierarchie, wordt het gezinstype bepaald (1= balanced: cohesie is 1 of 2 en hierarchie is 2, 2 = labile balanced: cohesie is 2 en hierarchie is 1 of 3, of cohesie =3 en hierarchie = 2, 3 = unbalanced: cohesie is 1 en hierarchie is 1 of 3, of cohesie is 3 en hierarchie is 1 of 3).

 

Mijn hypothesen hebben betrekking op het al dan niet veranderen van het gezinstype over de meetmomenten.  

Answer 1

Deze vraag is dermate specifiek voor het inhoudelijke onderwerp, dat je dit beter met je begeleider kunt bespreken . . .

Er is binnen een aantal velden al nagedacht over hoe met missing data het beste behandeld kunnen worden. Als dat in dit geval zo is, zou ik die conventie volgen, of, als je het er niet mee eens bent, je alternatieve behandeling van missende data uitleggen aan de hand van/op basis van die conventie.

In principe is er statistisch niets tegen multipele imputatie bij deze categorische data; wel moet je dan natuurlijk de juiste imputatiemethode gebruiken (i.e. niet op basis van lineaire regressie).

Je kunt in ieder geval alvast kijken of gezinstype samenhangt met andere variabelen (i.e. variabelen die onderhevig zijn aan verandering tussen de meetmomenten, anders heb je er natuurlijk niets aan), en eventueel wat polynomiale regressies draaien om te kijken hoe goed je voorspellingen zouden zijn.