Egy robusztus alternatív becslés a kis és közepes SEM mintához: Bias-korrigált tényező pontszerű elemzés.

Addict Behav. 2018 okt. 27. pii: S0306-4603 (18) 31232-2. doi: 10.1016 / j.addbeh.2018.10.032.

Kelcey B1.

Absztrakt

A strukturális egyenlet modellezése a teljes információ maximális valószínűségének becslésével az az uralkodó módszer, hogy empirikusan értékeljék a komplex elméleteket, amelyek a függőségkutatás során több rejtett változóval járnak. Bár a teljes információbecslőknek sok kívánatos tulajdonsága van, beleértve a konzisztenciát, a strukturális egyenletmodellek egyik fő korlátja az, hogy gyakran fenntartják a jelentős torzítást, amikor kis vagy közepes méretű (például kevesebb, mint 100 vagy 200) vizsgálatoknál alkalmazzák. A legújabb irodalom korlátozott információbecslőt fejlesztett ki annak érdekében, hogy ezt a korlátozást kezelje - fogalmi szempontból torzítással korrigált tényező-pontszám-elemzési megközelítéssel -, amelyről kimutatták, hogy elfogulatlan és hatékony becsléseket készít kis vagy közepes mintavételi körülmények között. Elméleti és empirikus érdemei ellenére a szakirodalom azt sugallja, hogy a módszert három alapvető ok miatt nem használják ki eléggé - a módszerek nem ismertek az alkalmazott kutatók számára, hiányzik az alkalmazott kutatók számára rendelkezésre álló gyakorlati és hozzáférhető útmutatások és szoftverek, valamint a teljes információkkal való összehasonlítás. hiányoznak a tudományterület-specifikus példákra épülő módszerek. Ebben a tanulmányban ezt a módszert egy szekvenciális meditációs esettanulmány lépésről-lépésre történő elemzésével vázolom le, amely magában foglalja az internetes függőséget. Példaként mutatom be az R kódot a lavaan csomag felhasználásával, valamint az addiktív hipotetikus tanulmányon alapuló adatokat. Megvizsgálom a teljes és a korlátozott információbecslések közötti különbségeket a példaadatokon belül, majd egy szimulációs vizsgálat segítségével megvizsgálom, hogy ezek a különbségek milyen mértékben jelzik a becslések közötti következetes eltérést. Az eredmények arra engednek következtetni, hogy a korlátozott információbecslő alacsonyabb vagy közepes méretű minták esetén az elfogultság, hatékonyság és teljesítmény szempontjából felülmúlja a hagyományos teljes információ maximális valószínűségű becslést.

PMID: 30501990

Doi: 10.1016 / j.addbeh.2018.10.032