Addict Behav. 2018 Oct 27. pii: S0306-4603 (18) 31232-2. doi: 10.1016 / j.addbeh.2018.10.032.
Kelcey B1.
Abstract
La modélisation par équation structurelle avec une estimation complète du maximum de vraisemblance d'informations est la méthode prédominante pour évaluer de manière empirique des théories complexes impliquant de multiples variables latentes dans la recherche sur la toxicomanie. Bien que les estimateurs d’informations complètes possèdent de nombreuses propriétés souhaitables, notamment la cohérence, une des limitations majeures des modèles d’équations structurelles est qu’ils entretiennent souvent un biais important lorsqu’ils sont mis en œuvre dans des études de taille petite à modérée (moins de 100 ou 200, par exemple). La littérature récente a mis au point un estimateur d’informations limité conçu pour remédier à cette limitation, mis en œuvre de manière conceptuelle par une approche d’analyse de trajectoire des scores de facteurs corrigée des biais, qui a permis de produire des estimations non biaisées et efficaces dans des échantillons de taille petite à modérée. En dépit de ses mérites théoriques et empiriques, la littérature suggère que la méthode est sous-utilisée pour trois raisons principales: les méthodes ne sont pas familières aux chercheurs appliqués, les conseils et logiciels pratiques et accessibles disponibles pour les chercheurs appliqués sont insuffisants, et les comparaisons avec des informations complètes les méthodes fondées sur des exemples spécifiques à une discipline font défaut. Dans cette étude, je décris cette méthode à travers une analyse étape par étape d'une étude de cas de médiation séquentielle impliquant une dépendance à Internet. Je fournis un exemple de code R en utilisant le paquet LAVAAN et des données basées sur une étude hypothétique de la dépendance. J'examine les différences entre les estimateurs d'informations complètes et limitées dans les exemples de données, puis j'apprécie dans quelle mesure ces différences sont révélatrices d'une divergence cohérente entre les estimateurs à l'aide d'une étude de simulation. Les résultats suggèrent que l’estimateur d’informations limitées surpasse celui de l’estimateur classique à maximum de vraisemblance d’informations complètes dans des échantillons de taille petite à modérée en termes de biais, d’efficacité et de puissance.
PMID: 30501990
;
