L'imputazione dei dati mancanti: l'effetto sui parametri di un Extended Logistic Rasch Model

Il problema dei dati mancanti è abbastanza comune nella ricerca empirica, specialmente nelle scienze sociali in cui il tentativo di misurazione di quantità non direttamente osservabili (variabili latenti)avviene attraverso la somministrazione di test o questionari costituiti da più item. I modelli statistici finalizzati alla soluzione di tale problema richiedono, in genere, un elevato numero di osservazioni per ogni unità coinvolta nell’analisi. In un contesto multivariato il problema si amplifica, poiché nel modello sono considerati più item per ciascuna osservazione: la probabilità, quindi, di avere almeno un dato mancante non è irrilevante ed è, inoltre, crescente al crescere del numero di item. Dopo una breve panoramica di alcuni dei principali approcci ai dati mancanti, il lavoro pone l’attenzione sul metodo della Multiple Imputation, valutandone i vantaggi tramite il confronto con altri tre approcci noti e largamente usati in letteratura. L’esempio che viene riportato si focalizza sul confronto dell’efficienza delle stime dei parametri di posizione degli item quando si applica l’Extended Logistic Model (ELM) di Rasch. L’ambito applicativo a cui si vuole fare qui riferimento è quello della valutazione della didattica universitaria, da anni adottata da tutti gli Atenei pubblici italiani.