<html>
Anthony asks &quot;Is there any source available to show how and why
Rasch accommodate missing data? What property of the Rasch modelling
takes care of missing data?&quot;<br><br>
The exact details depend on the estimation method, but in general, the
properties are <br>
1.) Rasch models are formulated at the individual observation level,
and<br>
2.) the accumulation of the observations for any parameter are its
sufficient statistic. <br><br>
Accordingly, in principle, only the observations which relate to a
parameter are required in order to estimate that parameter.<br><br>
Consequently, the Rasch model does not know that any data are
&quot;missing&quot;, it only knows about the data that are
present.<br><br>
If the data are rectangularly complete, then short-cuts can be taken in
the estimation process, such as the non-iterative PROX method, or using a
scoring table to assign measures to all the persons. Conditional Maximum
Likelihood Estimation (CMLE) becomes computationally overwhelming if
there are more than a few missing data patterns.<br><br>
OK?<br><br>
Mike L.<br>
<x-sigsep><p></x-sigsep>
Mike Linacre<br>
Editor, Rasch Measurement Transactions<br>
rmt@rasch.org
<a href="http://www.rasch.org/rmt/" eudora="autourl"><font color="#0000FF"><u>www.rasch.org/rmt/</a></u></font>
Latest RMT:&nbsp; 21:4 Spring 2008</html>