LGM模型中缺失数据处理方法的比较:ML方法与Diggle-Kenward选择模型

摘要：

追踪研究中缺失数据十分常见.本文通过Monte Carlo模拟研究,考察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异,并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响.结果表明:(1)缺失机制对基于MAR的ML方法有较大的影响,在MNAR缺失机制下,基于MAR的ML方法对LGM模型中截距均值和斜率均值的估计不具有稳健性.(2)Diggle-Kenward选择模型更容易受到目标变量分布偏态程度的影响,样本量与偏态程度存在交互作用,样本量较大时,偏态程度的影响会减弱.而ML方法仅在MNAR机制下轻微受到偏态程度的影响.

关键词：潜变量增长模型、非随机缺失机制、Diggle-Kenward选择模型、极大似然方法

所属期刊栏目：49

分类号：B841(心理学)

资助基金：国家自然科学基金项目31571152;北京市与中央在京高校共建项目019-105812;未来教育高精尖创新中心、中央高校基本科研业务费专项资金资助

在线出版日期：2017-06-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：699-710