The Impacts of Nonnormality, Missing Mechanisms, and Multicollinearity on Bollen-Stein Bootstrapping Technique with Longitudinal Data

The Impacts of Nonnormality, Missing Mechanisms, and Multicollinearity on Bollen-Stein Bootstrapping Technique with Longitudinal Data

  본 연구의 목적은 결측치를 포함한 비정규분포 종단 데이터 하에서 Bollen-Stein 부트스트랩 기법의 효과성을 검증하는 것에 있다. Bollen-Stein 부트스트랩 기법은 비정규분포성에 의해 발생하는 표준오차, 모형 적합도의 편향을 보정해 주기 위해 최근 새롭게 개발된 기법이다. 전통적 부트스트랩 기법과 달리, Bollen-Stein 부트스트랩 샘플들의 공분산구조는 원 데이터의 공분산 구조와 일치하도록 조정되어 편향되지 않는 모수 값을 제공할 수 있다고 하였다. 이 연구에서는 비정규분포, 결측치 메커니즘 (임의적 결측치 생성 및 체계적 결측치 생성), 다중공선성, 그리고 다양한 표본 수 조건들 하에서 로버스트 최대우도추정량기법, 점근성 자유 분포 기법, 그리고 Bollen-Stein 부트스트랩 기법들의 모수값, 표준오차, 모형 적합도 편향 정도를 검증해 보았다. 결과는 로버스트 최대우도추정량 기법과 Bollen-Stein 부트스트랩 기법이 모수 값과 표준오차 값에서 비슷한 결과를 나타내었으나 다중공선성의 이유로 표준오차 값은 과대 추정되었다. 모형 적합도에서는 로버스트 최대우도추정량기법의 결과치가 가장 우수한 것으로 보고되었다. 일반적으로 체계적 결측치 메커니즘, 다중공선성, 그리고 비정규분포는 모수값 및 모형적합도 등의 통계적 결과치들을 심각하게 왜곡하였다. 자세한 설명과 여러 이슈들에 대해 토의하였다.

  This study investigates the effects of Bollen-Stein bootstrapping technique on statistical influences in nonnormal and incomplete longitudinal data. Recently, Bollen-Stein bootstrap (BSB) has been proposed to correct for standard error and fit statistic bias due to nonnormality. Unlike a naive bootstrapping, covariance structure of the bootstrap samples in BSB is consistent with that of parent data matrix. The purpose of this article is to compare the test statistics of three different estimation techniques (robust maximum likelihood method; Robust ML, asymptotic distribution free method; ADF, BSB). The effects of various research conditions were investigated on parameter estimates, standard error estimates, and model fit statistics. The longitudinal research design included two missing mechanisms (missing at random; MAR, missing not at random; MNAR), three types of sample sizes (N = 200, 500, 1000), multicollinearity, and severe nonnormality (skewness=5.0 & kurtosis=70.0). Results indicated that BSB and robust ML yielded similar parameter and standard error estimates, while both procedures provided overestimated standard errors due to multicollinearity. For the analysis of model fit, results noted that robust ML outperformed BSB and ADF across all cell designs. In general, nonrandomly missing (MNAR), multicollinearity, and nonnormality increased the degree of bias toward the test statistics. The detailed explanations and other practical issues are discussed.