Tratamiento de datos ausentes en una evaluación educativa con datos longitudinales
DOI:
https://doi.org/10.18222/eae.v36.11449Palabras clave:
Rendimiento Académico, Tratamiento de Datos Ausentes, Estudio Longitudinal, Análisis de RegresiónResumen
La ausencia de datos en las evaluaciones educativas está relacionada con el rendimiento y el perfil de los estudiantes. Este estudio propone un nuevo enfoque basado en modelos de patrones mezclados para analizar datos incompletos en evaluaciones longitudinales. Este enfoque es comparado con los procedimientos listwise deletion (LD) e imputación múltiple (IM), utilizando modelos de crecimiento lineal, a partir de una muestra de 8.681 estudiantes de educación secundaria de Ceará, Brasil. Se constata que los procedimientos difieren en la estimación de los efectos de las variables predictoras y de la tasa media de aprendizaje en matemáticas. Con el uso del nuevo enfoque, son obtenidas estimaciones más realistas para la tasa media de aprendizaje y las trayectorias generadas son más coherentes que aquellas estimadas por el procedimiento de imputación múltiple.
Descargas
Citas
Alabadla, M., Sidi, F., Ishak, I., Ibrahim, H., Affendey, L. S., Ani, Z. C., Jabar, M. A., Bukar, U. A., Devaraj, N. K., Muda, A. S., Tharek, A., Omar, N., & Jaya, M. I. M. (2022). Systematic review of using machine learning in imputing missing values. IEEE Access, 10, 44483-44502. https://doi.org/10.1109/ACCESS.2022.3160841 DOI: https://doi.org/10.1109/ACCESS.2022.3160841
Allison, P. D. (2001). Missing data. Sage. DOI: https://doi.org/10.4135/9781412985079
Baraldi, A. N., & Enders, C. K. (2010). An introduction to modern missing data analysis. Journal of School Psychology, 48(1), 5-37. https://doi.org/10.1016/j.jsp.2009.10.001 DOI: https://doi.org/10.1016/j.jsp.2009.10.001
Bello, L., & Britto, V. (2024, 22 março). Uma em cada quatro mulheres de 15 a 29 anos não estudava e nem estava ocupada em 2023. Agência IBGE Notícias. https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/39531-uma-em-cada-quatromulheres-de-15-a-29-anos-nao-estudava-e-nem-estava-ocupada-em-2023
Cheema, J. R. (2014). A review of missing data handling methods in education research. Review of Educational Research, 84(4), 487-508. https://doi.org/10.3102/0034654314532697 DOI: https://doi.org/10.3102/0034654314532697
Collins, L. M., Schafer, J. L., & Kam, C-M. (2001). A comparison of inclusive and restrictive strategies in modern missing data procedures. Psychological Methods, 6(4), 330-351. https://doi.org/10.1037//1082-989X.6.4.330 DOI: https://doi.org/10.1037//1082-989X.6.4.330
Davis, R., Occhipinti, S., & Jones, L. (2018). Managing missing data: Concepts, theories, and methods. In P. Brough (Ed.), Advanced research methods for applied psychology (pp. 187-200). Routledge. DOI: https://doi.org/10.4324/9781315517971-19
Demirtas, H., & Schafer, J. L. (2003). On the performance of random-coefficient pattern-mixture models for non-ignorable dropout. Statistics in Medicine, 22(16), 2553-2575. https://doi.org/10.1002/sim.1475 DOI: https://doi.org/10.1002/sim.1475
Enders, C. K. (2011). Missing not at random models for latent growth curve analyses. Psychological Methods, 16(1), 1-16. https://doi.org/10.1037/a0022640 DOI: https://doi.org/10.1037/a0022640
Enders, C. K. (2022). Applied missing data analysis. Guilford.
Enders, C. K. (2023). Missing data: An update on the state of the art. Psychological Methods, 30(2), 322-339. https://doi.org/10.1037/met0000563 DOI: https://doi.org/10.1037/met0000563
Ferrão, M. E., & Prata, P. (2019). Computing topics on multiple imputation in Big Identifiable Data using R: An application to educational research. In 19th International Conference on Computational Science and Its Applications: ICCSA 2019 (Part. 3, pp. 12-24). Springer. DOI: https://doi.org/10.1007/978-3-030-24302-9_2
Ferrão, M. E., Prata, P., & Alves, M. T. G. (2020). Multiple imputation in big identifiable data for educational research: An example from the Brazilian education assessment system. Ensaio: Avaliação e Políticas Públicas em Educação, 28(108), 599-641. https://doi.org/10.1590/S0104-40362020002802346 DOI: https://doi.org/10.1590/s0104-40362020002802346
Ferreira, M. E. (2022). Evasão escolar no ensino médio: Possíveis causas e soluções. RCMOS – Revista Científica Multidisciplinar O Saber, 1(1), 310-315. https://doi.org/10.51473/rcmos.v2i1.277 DOI: https://doi.org/10.51473/rcmos.v2i1.277
Fitzmaurice, G., Davidian, M., Verbeke, G., & Molenberghs, G. (2008). Longitudinal data analysis. Chapman & Hall. https://doi.org/10.1201/9781420011579 DOI: https://doi.org/10.1201/9781420011579
Franco, C. (2001). O SAEB – Sistema de Avaliação da Educação Básica: Potencialidades, problemas e desafios. Revista Brasileira de Educação, (17), 127-133. https://www.scielo.br/j/rbedu/a/qCYrZ7vVQYFH7fRXBhBZ5Nm/abstract/?lang=pt DOI: https://doi.org/10.1590/S1413-24782001000200010
Graham, J. W. (2009). Missing data analysis: Making it work in the real world. Annual Review of Psychology, 60, 549-576. https://doi.org/10.1146/annurev.psych.58.110405.085530 DOI: https://doi.org/10.1146/annurev.psych.58.110405.085530
Graham, J. W., Olchowski, A. E., & Gilreath, T. D. (2007). How many imputations are really needed? Some practical clarifications of multiple imputation theory. Prevention Science, 8(3), 206-213. https://doi.org/10.1007/s11121-007-0070-9 DOI: https://doi.org/10.1007/s11121-007-0070-9
Hedeker, D., & Gibbons, R. D. (1997). Application of random-effects pattern-mixture models for missing data in longitudinal studies. Psychological Methods, 2(1), 64-78. https://doi.org/10.1037/1082-989X.2.1.64 DOI: https://doi.org/10.1037//1082-989X.2.1.64
Ismail, A. R., Abidin, N. Z., & Maen, M. K. (2022). Systematic review on missing data imputation techniques with machine learning algorithms for healthcare. Journal of Robotics and Control (JRC), 3(2), 143-152. https://doi.org/10.18196/jrc.v3i2.13133 DOI: https://doi.org/10.18196/jrc.v3i2.13133
Jeličić, H., Phelps, E., & Lerner, R. M. (2009). Use of missing data methods in longitudinal studies: The persistence of bad practices in developmental psychology. Developmental Psychobiology, 45(4), 1195-1199. https://doi.org/10.1037/a0015665 DOI: https://doi.org/10.1037/a0015665
Leon, F. L. L. de, & Menezes, N. A., Filho (2002). Reprovação, avanço e evasão escolar no Brasil. Pesquisa e Planejamento Econômico, 32(3), 417-452. http://repositorio.ipea.gov.br/handle/11058/4286
Little, R. J. (2024). Missing data analysis. Annual Review of Clinical Psychology, 20, 149-173. https://doi.org/10.1146/annurev-clinpsy-080822-051727 DOI: https://doi.org/10.1146/annurev-clinpsy-080822-051727
Little, R. J., & Rubin, D. B. (2019). Statistical analysis with missing data (Vol. 793). John Wiley & Sons. DOI: https://doi.org/10.1002/9781119482260
McKnight, P. E., McKnight, K. M., Sidani, S., & Figueredo, A. J. (2007). Missing data: A gentle introduction. Guilford.
Ministério da Educação (MEC). (2024, 22 fevereiro). Ensino médio tem maior taxa de evasão da educação básica. agência gov. https://agenciagov.ebc.com.br/noticias/202402/ensino-medio-tem-maior-taxa-de-evasao-da-educacao-basica
Neri, M. (2009). Motivos da evasão escolar. Fundação Getulio Vargas.
Occhipinti, S. (2024). Missing data. In P. Brough (Ed.), Advanced research methods for applied psychology (pp. 211-223). Routledge. DOI: https://doi.org/10.4324/9781003362715-19
Pigott, T. D. (2001). A review of methods for missing data. Educational Research and Evaluation, 7(4), 353-383. https://doi.org/10.1076/edre.7.4.353.8937 DOI: https://doi.org/10.1076/edre.7.4.353.8937
Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models. Applications and data analysis methods (2nd edition). Sage.
Rousseau, M., Simon, M., Bertrand, R., & Hachey, K. (2012). Reporting missing data: A study of selected articles published from 2003-2007. Quality & Quantity, 46(5), 1393-1406. https://doi.org/10.1007/s11135-011-9452-y DOI: https://doi.org/10.1007/s11135-011-9452-y
Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3), 581-592. https://doi.org/10.2307/2335739 DOI: https://doi.org/10.1093/biomet/63.3.581
Rubin, D. B. (1987). Multiple imputation for nonresponse in surveys. John Wiley & Sons. DOI: https://doi.org/10.1002/9780470316696
Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147-177. https://doi.org/10.1037/1082-989X.7.2.147 DOI: https://doi.org/10.1037//1082-989X.7.2.147
Secretaria da Educação. (2011). SPAECE 2011: Boletim Pedagógico Matemática – Ensino Médio (Vol. 3). CAEd; Governo do Estado do Ceará. https://prototipos.caeddigital.net/arquivos/ce/colecoes/2011/BOLETIM_SPAECE_VOL%203_MT_3%20EM.pdf
Seu, K., Kang, M.-S., & Lee, H. (2022). An intelligent missing data imputation techniques: A review. JOIV: International Journal on Informatics Visualization, 6(1-2), 278-283. http://dx.doi.org/10.30630/joiv.6.1-2.935 DOI: https://doi.org/10.30630/joiv.6.1-2.935
Shirasu, M. R. (2014). Determinantes da evasão e repetência escolar no Ceará [Dissertação de mestrado, Universidade Federal do Ceará]. Repositório Institucional UFC. https://repositorio.ufc.br/handle/riufc/15223
Silva, J. L. P. (2013). Métodos de imputação múltipla para GEE em estudos longitudinais [Dissertação de mestrado, Universidade Federal de Minas Gerais]. Repositório Institucional da UFMG. https://hdl.handle.net/1843/BUOS-8GHJRP
Simões, A. (2014). Acesso e evasão na educação básica: As perspectivas da população de baixa renda no Brasil. Ministério do Desenvolvimento Social e Assistência Social, Família e Combate à Fome.
Soares, T. M., Fernandes, N. da S., Nóbrega, M. C., & Nicolella, A. C. (2015). Fatores associados ao abandono escolar no ensino médio público de Minas Gerais. Educação e Pesquisa, 41(3), 757-772. https://doi.org/10.1590/S1517-9702201507138589 DOI: https://doi.org/10.1590/S1517-9702201507138589
Vinha, L. G. do A. (2016). Estudos longitudinais e tratamento de dados ausentes em avaliações educacionais [Tese de doutorado, Universidade de Brasília]. Repositório Institucional UnB. http://repositorio.unb.br/handle/10482/20204
Vinha, L. G. do A., & Laros, J. A. (2018). Dados ausentes em avaliações educacionais: Comparação de métodos de tratamento. Estudos em Avaliação Educacional, 29(70), 156-187. https://doi.org/10.18222/eae.v0ix.3916 DOI: https://doi.org/10.18222/eae.v0ix.3916
Wærsted, M., Børnick, T. S., Twisk, J. W. R., & Veiersted, K. B. (2018). Simple descriptive missing data indicators in longitudinal studies with attrition, intermittent missing data and a high number of follow-ups. BMC Research Notes, 11, 1-7. https://doi.org/10.1186/s13104-018-3228-6 DOI: https://doi.org/10.1186/s13104-018-3228-6
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Luis Gustavo do Amaral Vinha, Jacob Arie Laros
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
a. Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación.
b. Todos los trabajos están licenciados bajo la Licencia Creative Commons Attribution, que permite compartir el trabajo con reconocimiento de la autoría.
Hasta 2024, Estudos em Avaliação Educacional adoptó la licencia Creative Commons Atribución-NoComercial (CC BY-NC) para sus publicaciones. Para los textos publicados a partir de 2025, utilizará la licencia Creative Commons Atribución (CC BY), en consonancia con los principios de la Ciencia Abierta.
