In sozialwissenschaftliche Untersuchungen ergeben sich häufig fehlende Werte. Bei mehrstufigen Antwortformaten ergeben sich bei höheren Anteilen fehlender Werte oft sehr geringe Zellhäufigkeiten, die dann zu Problemen bei der Parameterschätzung in probabilistischen Modellen nach der CML- oder MML- Methode führen. Während „listwise deletion“ oder „pairwise deletion“ meist zu einer erheblichen Reduzierung der Stichprobe und so zu verzerrten Schätzungen führt, setzen die meisten Imputationsmethoden a-priori Annahmen über den Daten-Ausfallmechanismus voraus, die meist nicht überprüft werden können. In der vorliegenden Arbeit werden Daten des NEO-PI-R (Items mit 5-stufigem Antwortformat) mit dem R-Paket {pairwise} analysiert. Die Itemparameter werden dabei nach der Methode des paarweisen Itemvergleichs im Rahmen des Partial Credit Modells explizit berechnet. Diese Methode kann auf Datenmatrizen mit vergleichsweise hohen Anteilen an fehlenden Werten angewendet werden. Die Ergebnisse der Parameterschätzungen nach diesem Verfahren werden mit den Ergebnissen aus der CML-(MML-)Schätzung mit dem Programmpaketen WinMira, eRm und ConQuest verglichen. Zusätzlich wird die Effizienz der Parameterschätzungen nach den drei Methoden (pairwise, CML, MML) bei einem zunehmenden Anteile von fehlenden Werten per Simulation vergleichend dargestellt.     «

In sozialwissenschaftliche Untersuchungen ergeben sich häufig fehlende Werte. Bei mehrstufigen Antwortformaten ergeben sich bei höheren Anteilen fehlender Werte oft sehr geringe Zellhäufigkeiten, die dann zu Problemen bei der Parameterschätzung in probabilistischen Modellen nach der CML- oder MML- Methode führen. Während „listwise deletion“ oder „pairwise deletion“ meist zu einer erheblichen Reduzierung der Stichprobe und so zu verzerrten Schätzungen führt, setzen die meisten Imputationsmethoden...     »