A Comparison of Missing Data Methods on Statistical Influence in Latent Growth Modeling

A Comparison of Missing Data Methods on Statistical Influence in Latent Growth Modeling

  본 연구의 목적은 다양한 조건하에서 결측치 분석 기법들의 효과를 관측하고 교육성장 연구에 이를 어떻게 접목할 것인지 제안하는 것에 있다. 잠재 성장 모텔을 이용한 몬테카를로 시뮬레이션 연구는 세 가지 결측치 분석 기법득의 (결측치가 있는 모든 열을 제거하는 방법, 짝으로 제거하는 방법, EM 알고리듬을 이용한 최대우도추정량 방법) 수행 능력을 측정하였다. 표본의 수, 결측치의 메커니즘, 그리고 분포성의 조건들이 수렴비율, 편향 보수 값, 모델 접합도 검증의 결과에 어떠한 영향을 미치는지 조사되었다. 연구 결과는 EM 알고리듬을 이용한 최대우도추정량 방법의 수행 능력은 탁월한 것으로 나타났다. 하지만, 이 기법의 통계적 가정이 위반되었을 때 최대우도추정량방법은 상대적으로 왜곡된 결과를 생성하였다. EQS와 JAVA 프로그램이 본 시뮬레이션 연구를 위해 사용되어졌다.

  The purpose of this study is to investigate the effects of missing data techniques in longitudinal analysis under diverse conditions. A Monte Carlo simulation examines the performance of three missing data methods in latent growth modeling: list-wise deletion, pair-wise deletion, and maximum likelihood (ML) estimation using the expectation and maximization (EM) algorithm. The effects of three independent variables (sample size, missing data mechanism, and distribution shape) are investigated on convergence rate, parameter estimate bias, and model fit. Results indicated that the ML estimator with the EM algorithm was superior across all conditions of the design. Under ignorable missing data and normal conditions, the ML estimates with the EM algorithm were less biased and more efficient than the other methods. However, the EM method yielded biased parameter estimates and model fit statistics under violations of its statistical assumptions (missing not at random and non-normal conditions). EQS and JAVA programs were implemented for this simulation study