| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,178 |
| تعداد مقالات | 17,642 |
| تعداد مشاهده مقاله | 53,435,923 |
| تعداد دریافت فایل اصل مقاله | 28,250,060 |
برآورد مدل‌های معادلات ساختاری در حضور داده‌های گمشده با استفاده از روش بیشینه درستنمایی با اطلاعات کامل: یک مطالعه‌ی شبیه‌سازی | ||
| فصلنامه اندازه گیری تربیتی | ||
| مقاله 3، دوره 9، شماره 31، فروردین 1397، صفحه 99-112 اصل مقاله (441.32 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/jem.2018.27285.1654 | ||
| نویسندگان | ||
| شیدا مرادی* 1؛ شبنم فانی2؛ فاطمه پورخاقان1 | ||
| 1سنجش و اندازه گیری، دانشکده روان شناسی و علوم تربیتی، دانشگاه علامه طباطبائی، تهران، ایران | ||
| 2آمار، دانشکده علوم ریاضی و رایانه، دانشگاه علامه طباطبائی، تهران، ایران | ||
| چکیده | ||
| مدل‌یابی معادلات ساختاری، یک رویکرد آماری چندمتغیری نیرومند جهت ارزیابی روابط پیچیده‌ی بین متغیرهای مکنون در بسیاری از حوزه‌های علوم انسانی و رفتاری است. یکی از چالش‌های رایج در برآورد مدل‌های معادلات ساختاری که بر مبنای آزمون فرضیه‌ها انجام می‌شود، وجود داده‌های گمشده است. شیوه‌ی معمول، حذف آزمودنی‌هایی با پاسخ‌های گمشده روی هر کدام از سوالات است که با افزایش درصد مقادیر گمشده در مجموعه داده‌ها، منجر به از دست رفتن حجم زیادی از اطلاعات نمونه و اریبی برآوردگرهای حاصل می‌شود. در تحلیل مدل‌های معادلات ساختاری با حضور مقادیر گمشده می‌توان از روش بیشینه درستنمایی با اطلاعات کامل استفاده کرد که در آن از تمام داده‌های موجود در نمونه به‌طور حداکثری استفاده می‌شود. در این مقاله، عملکرد روش بیشینه درستنمایی با اطلاعات کامل تحت هر سه مکانیسم داده‌های گمشده شامل گمشدن کاملاً تصادفی، تصادفی و غیرتصادفی در یک مطالعه‌ی شبیه‌سازی مورد بررسی قرار می‌گیرد. بدین منظور، دو مدل تحلیل عاملی تأییدی را در نظر گرفته، داده‌ها تحت هر سه مکانیسم مذکور تولید و تأثیر دو شاخص حجم نمونه (100 و 500) و درصد مقادیر گمشده (2%، 5%، 10%، 15%، 20%، 25%، 30%، 35% و 40%) بر شاخص ریشه‌ی میانگین مجذورات خطاهای برآورد مورد بررسی قرار گرفته است. نتایج نشان می‌دهند که با افزایش درصد مقادیر گمشده، عملکرد مدل‌های معادلات ساختاری با استفاده از روش بیشینه درستنمایی با اطلاعات کامل در حضور مکانیسم‌های گمشدن کاملاً تصادفی، تصادفی و غیرتصادفی به طور کلی بهتر از عملکرد آن بدون استفاده از این روش بر حسب برخی شاخص‌های نیکویی برازش است. | ||
| کلیدواژه‌ها | ||
| مدل‌یابی معادلات ساختاری (SEM)؛ روش بیشینه درستنمایی با اطلاعات کامل (FIML)؛ مکانیسم گمشدن کاملاً تصادفی (MCAR)؛ مکانیسم گمشدن تصادفی (MAR)؛ مکانیسم گمشدن غیرتصادفی (MNAR) | ||
| مراجع | ||
|
Allison, P. D. (2003). Missing Data Techniques for Structural Equation Modeling. Journal of Abnormal Psychology, 112(4), 545–557. Dempster, A. P., Laird, N. M., Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society. Series B (Methodological), 39(1), 1-38. Enders, C. K. (2001). A primer on maximum likelihood algorithms available for use with missing data.Structrual Equation Modeling, 8(1), 128-141. Enders, C. K. (2010). Applied missing data analysis. The Guilford Press. New York, London. Enders, C. K., Bandalos, D. L. (2001). The relative performance of full information maximum likelihood estimation for missing data in structural equation models. Structrual Equation Modeling, 8(3), 430–457. Finkbeiner, C. (1979). Estimation for the multiple factor model when data are missing. Psychometrika, 44(4), 409–420. Han, K. T., Guo, F. (2014). Impact of violation of the missing-at-random assumption on full-information maximum likelihood method in multidimensional adaptive testing. Practical Assessment, Research and Evaulation, 19(2). Hoyle, R. H. (2012). Handbook of structural equation modeling. The Guilford Press. New York, London. Little, R. J. A., Rubin, D. B. (2002). Statistical analysis with missing data, 2nd Edition. New York: John Wiley. Khine, M. S. (2013). Application of structural equation modeling in educational research and practice. Sense Publishers. Muthén, B., Kaplan, D., Hollis, M. (1987). On structural equation modeling with data that are not missing completely at random. Psychometrika, 52(3), 431–462. Olinsky, A., Chen, S., Harlow, L. (2003). The comparative efficacy of imputation methods for missing data in structural equation modeling. European Journal of Operational Research, 151, 53–79. Rubin, D. B. (1976). Inference and missing data. Biometrika, 63, 581–59. | ||
|
آمار تعداد مشاهده مقاله: 1,102 تعداد دریافت فایل اصل مقاله: 1,089 |
||