결측자료 분석방법에 대한 고찰과 활용

Review and Application of Missing Data Methods: Focusing on longitudinal achievement data

본 연구에서는 결측메커니즘의 개념과 다양한 결측분석방법을 고찰하고 이들 기법의 수행력을 확인하였다. 종단학업성취 자료를 이용하여 완벽하게 무선적으로 발생한 결측(missing at completely random), 무선으로 발생한 결측(missing at random), 무선적으로 발생하지 않는 결측(missing not at random) 등의 세 가지 메커니즘을 따르는 결측자료를 생성하 였고, 잠재성장모형 구조 하에서 전통적인 결측분석방법 부터 ML과 베이지안 기반 MI, 혼합모형과 선택모형 그리고 잠재계층기법을 활용한 결측분석방법 등을 세 가지 결측자료에 적용해 보았다. 분석 결과 ML과 베이지안 기반 MI가 적합도검증과 모수추정에 있어 가장 뛰어났으며, 잠재계층을 이용한 모형의 경우 결측지표와 성장궤적에 대해 개별적으로 계층을 추정하는 Muthén-Roy 패턴혼합모형이 가장 우수한 적합도 지수를 갖는 것으로 나타났다. 마지막으로 결측자료 분석 과정에서 고려해야할 사항과 연구가 가지는 함의에 대해 논의하였다.

This study explained missing mechanisms and various missing data methods. Based on definition by Little(1982) and Rubin(1987), three types of longitudinal missing data sets (i.e., MCAR, MAR, and MNAR) were generated, and the effects of missing techniques were examined within latent growth modeling structure. The results indicated that ML and Bayesian type MI methods showed the best performance. They yielded the least bias parameter estimates and provided relatively stable model fit statistics across missing mechanisms. In the cases of latent class modelings for MNAR, Muthén-Roy pattern mixture model yielded the best fit statistics. While considering the limitations of the study, advantages and weaknesses of missing methods were discussed. Also, it dealt with other practical issues pertaining to these missing data models.