Table 2.

The standard deviation of the bias calculated for small (n = 200) and large (n = 1000) samples, for four levels of missing (5%, 10%, 20% and 40%).

		n = 200				n = 1000
		Gender	Medicationa	Stimulants	Drug usea	Gender	Medicationa	Stimulants	Drug usea
Full data	Estimate (SE)	0.59 (0.06)	0.31 (0.04)	0.87 (0.05)	1.52 (0.06)	0.59 (0.06)	0.31 (0.04)	0.87 (0.05)	1.52 (0.06)
5% missing	Hot deck	0.47	0.32	0.49	0.40	0.19	0.17	0.23	0.20
	Random forest	0.47	0.33	0.49	0.45	0.19	0.17	0.23	0.22
	Latent class	0.47	0.32	0.49	0.41	0.19	0.17	0.23	0.20
	MI EMB	0.47	0.33	0.49	0.49	0.19	0.18	0.23	0.23
	MICE LOG	0.48	0.34	0.49	0.57	0.19	0.18	0.23	0.27
	MIMCA	0.47	0.34	0.49	0.55	0.19	0.18	0.23	0.25
	Complete case	0.49	0.36	0.54	0.78	0.20	0.19	0.25	0.28
10% missing	Hot deck	0.47	0.33	0.49	0.36	0.19	0.16	0.23	018
	Random forest	0.47	0.33	0.49	0.41	0.19	0.16	0.23	0.22
	Latent class	0.47	0.31	0.49	0.35	0.19	0.16	0.23	0.19
	MI EMB	0.48	0.35	0.49	0.43	0.20	0.18	0.23	0.23
	MICE LOG	0.48	0.36	0.49	0.53	0.20	0.18	0.23	0.31
	MIMCA	0.48	0.37	0.49	0.48	0.20	0.18	0.23	0.27
	Complete case	0.56	0.44	0.58	1.55	0.25	0.20	0.28	0.33
20% missing	Hot deck	0.47	0.33	0.48	0.33	0.19	0.17	0.23	0.15
	Random forest	0.47	0.34	0.49	0.41	0.19	0.18	0.23	0.20
	Latent class	0.47	0.31	0.49	0.32	0.19	0.16	0.23	016
	MI EMB	0.48	0.38	0.50	0.48	0.20	0.20	0.23	0.22
	MICE LOG	0.48	041	0.50	0.65	0.20	0.21	0.23	0.33
	MIMCA	0.48	0.42	0.50	0.72	0.20	0.22	0.23	0.28
	Complete case	0.67	0.54	0.79	3.31	0.26	0.26	0.32	0.38
40% missing	Hot deck	0.46	0.29	0.47	0.28	0.19	0.14	0.22	0.13
	Random forest	0.47	0.31	0.48	0.37	0.19	0.15	0.23	0.18
	Latent class	0.46	0.25	0.47	0.25	0.19	0.11	0.22	0.13
	MI EMB	0.47	0.41	0.50	0.46	0.19	0.19	0.24	0.23
	MICE LOG	0.48	0.44	0.51	1.67	0.19	0.21	0.25	0.43
	MIMCA	0.48	0.51	0.52	0.79	0.19	0.23	0.25	0.33
	Complete case	3.17	0.62	6.06	5.37	0.34	0.35	1.78	0.52

SE: standard error; MI EMB: multiple imputation using expectation–maximization with bootstrapping; MICE LOG: multivariate imputation by chained equations–based logistic regression; MIMCA: multiple imputation using multiple correspondence analysis.

^aCovariate with missing values.