شناسایی بهینه ترین مدل مبتنی بر توزیع لجستیک برای جایگزینیپرسش های بی پاسخ

بی‌پاسخی چالشی اجتناب‌ناپذیر در برابر مطالعات بزرگ‌مقیاس است و می‌تواند از یک سو موجب اتلاف هزینه، زمان و نیروی انسانی درگیر در گردآوری داده‌ها ‌شود و از سوی دیگر، مطالعه را از رسیدن به اهدافش به ویژه توزیع نمرات باز ‌دارد. از این رو، روش‌های جایگزینی برای برآورد پاسخ پرسش‌های بی‌پاسخ ابداع شده‌اند تا امکان استنباط از یک مجموعه داده کامل‌شده را فراهم آورند. این مقاله از طریق شبیه‌سازی روی یک مجموعه داده واقعی بر اساس یک الگوی طرح آزمایش چندمتغیره، دقت سه مدل جایگزینی را شامل لُجیت‌های تراکمی، پاسخ‌ مدرج و پرسش‌پاسخ تبیینی مورد ارزیابی قرار می‌دهد. یافته‌ها نشان می‌‌دهند که تحت بی‌پاسخی تصادفی، جایگزینی‌های هر سه مدل در حدی مطلوب قرار دارند هر چند جایگزینی‌های مدل پرسش‌پاسخ تبیینی همواره دقیق‌تر از دو مدل دیگر است. اگر بی‌پاسخی غیرتصادفی باشد، تنها در نرخ بی‌پاسخی 5 درصد به نتایج مطلوبی برای مدل پرسش‌پاسخ تبیینی دست خواهیم یافت و دقت دو مدل دیگر قابل پذیرش نیست. همچنین، یافته‌ها حاکی از آن هستند که جایگزینی پرسش‌های دارای بی‌پاسخی و محاسبه نمره کل فرد از ترکیب پاسخ‌های جایگزین‌شده و پاسخ‌‌های واقعی کم‌خطاتر از جایگزینی مستقیم نمره کل او است.

identifying the most optimum logistic distribution-based model for item nonresponse imputation

nonresponse is an inevitable challenge to large-scale studies and can result in wasting money, time and human resource involved in data collection and can also prevent the studies from obtaining their objects especially scores distribution. imputation methods have thus been invented to estimate item nonresponses in order to make inference from a completed data set. using a simulation study on a real data set in the form of a multivariate experimental design, this paper evaluates the accuracy of three models including cumulative logit model, graded response model and explanatory item response model. the results show that the imputed values of all three models are acceptable under random nonresponse mechanism although the imputed values of the explanatory item response model are always more accurate than those of the other models. if nonrandom nonresponses are occurred, explanatory item response model has acceptable imputed values only at 5% nonresponse rate and the other models are not accurate at all. the results also show that it is more accurate to impute individual item nonresponses and then compute the total score instead of directly imputing the total score.