Resumo

A problemática da existência de dados ausentes se mostra como questão onipresente na pesquisa científica. Além disso, literatura indica que não confrontar esse problema pode levar estudos a resultados inválidos (Peeters et. al, 2015). Apesar da referida importância, observa-se contextos nos quais são raros estudos que se associam especificamente à temática de tratamento de valores ausentes. Neste sentido destaca-se a análise de mediação, apesar de muito utilizada nos mais diversos campos científicos, pesquisas direcionadas a discutir mediação e valores ausentes são raras (Zhang, Wang, 2013).

Muitos pesquisadores ainda ignoram a questão de valores ausentes (Peeters et al, 2015). Neste sentido, e levando em conta a situação da análise de mediação no contexto de pesquisa de valores ausentes, propõe-se a seguinte questão: em que medida os a proporção de dados ausentes e tamanho da amostra afetam os vieses de três métodos de tratamentos de dados ausentes em contextos de mediação simples? Diante desta questão, o estudo tem por objetivo avaliar diferentes métodos de tratamentos de dados sob os cenários propostos, buscando-se assim compreender relação dos parâmetros com os vieses gerados.

Uma vez que se entende os valores ausentes como um fator inerente do fazer científico, faz necessário seu entendimento nos diversos contextos, como na mediação. Neste sentido, pode-se dizer que os valores faltantes são gerados a partir de três mecanismos (Rubin, 1976); valores ausentes completamente ao acaso (MCAR), valores ausentes ao acaso (MAR) e valores ausentes não ao acaso (MNAR). Dessa forma, surgem os métodos de tratamentos de dados ausentes como a imputação por média, análise de casos completos e imputação múltipla, sendo essencial avaliar suas performances nos diversos contexto.

A pesquisa avalia comparativamente três métodos de tratamento de dados ausentes (imputação por média, análise de casos completos e imputação múltipla) sob diversos parâmetros dentro do contexto de mediação simples, a fim de geração de diferentes cenários para análise. Os parâmetros avaliados pelo estudo foram a proporção de valores ausentes, o tamanho da amostra e os três tipos de geração dados ausentes propostos por Rubin (1976), gerando múltiplos cenários submetidos ao método Monte Carlo para posterior análise comparativa de vieses.

Os resultados apresentam a imputação múltipla e análise de casos completos com estimativas menos enviesadas em contextos de MCAR. Já em situações de valores ausentes gerados MNAR e MAR, a imputação múltipla se performou melhor, dado os expressivos desvios encontrados em especial na avaliação de efeitos indiretos. De forma geral, a imputação pela média obteve as piores estimativas com expressivos desvios. Além disso, a análise de resultados demonstra uma tendência de melhora das estimativas na medida em que o tamanho amostral aumenta nos cenários avaliados.

A pesquisa não teve por objetivo servir como imperativo, impondo qual método de tratamento de dados ausentes deve ser usado, apesar disso, o estudo desencoraja a utilização da imputação por média. Além disso, sugere-se a utilização de imputação múltipla e análise de casos completos casos de valores ausentes gerados por MCAR. Já em contextos de MNAR e MAR, sugere-se a utilização da imputação múltipla.

PEETERS, M.; ZONDERVAN-ZWIJNENBURG, M.; VINK, G.; SCHOOT R. V., How to handle missing data: A comparison of diferent approaches, European Journal of Developmental Psychology, v.12, n.4, p. 377-394, 2015. RUBIN, D. B., Inference and missing data. Biometrika, Oxford, v. 63, n. 3, p. 581-592, 1976.