Données manquantes et imputation multiple
Les données manquantes (missing data) doivent être prises en compte dans toute étude. On parle de données manquantes lorsque la valeur d'une variable fait défaut. La plupart des études comportent des données manquantes, et cela concerne aussi bien les variables prédictives () que les critères de jugement (). Rappelons que si la valeur d'une variable ( ou ) d'un modèle de régression est manquante, l'individu concerné (celui dont la valeur manque) ne sera pas inclus dans le modèle. Le modèle perd ainsi une observation et, par conséquent, de la puissance statistique. Tous les modèles statistiques gagnent en qualité à mesure que le nombre d'observations incluses augmente.
Il convient de vérifier la fréquence des données manquantes (pour chaque variable) et d'examiner si les personnes exclues du modèle diffèrent de celles qui y restent. Ce dernier point peut être évalué en construisant un tableau descriptif comparant les caractéristiques des personnes incluses dans le modèle et de celles qui en sont exclues. Si les caractéristiques ne diffèrent pas de manière notable, on peut supposer que les données sont manquantes au hasard (missing at random), c'est-à-dire que la valeur fait défaut par pur hasard. Dans ce cas, les données manquantes n'affectent pas la validité du modèle. Il est également possible d'imputer les données manquantes, ce qui consiste à remplacer toutes les valeurs manquantes par des valeurs plausibles. L'imputation doit être réalisée selon la méthode de l'imputation multiple.