Addict Behav. 2018 Oct 27. pii: S0306-4603 (18) 31232-2. doi: 10.1016 / j.addbeh.2018.10.032.
Kelcey B1.
Abstract
Structurele vergelijkingsmodellering met volledige informatie maximale likelihoodschatting is de overheersende methode om empirisch complexe theorieën te beoordelen met betrekking tot meerdere latente variabelen in verslavingsonderzoek. Hoewel volledige informatie-schatters veel wenselijke eigenschappen hebben, inclusief consistentie, is een belangrijke beperking in structurele vergelijkingsmodellen dat ze vaak een significante vertekening behouden wanneer ze worden geïmplementeerd in kleine tot middelmatige studies (bijvoorbeeld minder dan 100 of 200). Recente literatuur heeft een beperkte informatie-schatter ontwikkeld om deze beperking te benaderen - conceptueel geïmplementeerd door middel van een bias-gecorrigeerde factor score pad-benadering - waarvan is aangetoond dat deze onbevooroordeelde en efficiënte schattingen produceert in kleine tot matige voorbeeldinstellingen. Ondanks zijn theoretische en empirische verdiensten, heeft literatuur gesuggereerd dat de methode te weinig wordt gebruikt vanwege drie primaire redenen - de methoden zijn onbekend voor toegepaste onderzoekers, er is een gebrek aan praktische en toegankelijke begeleiding en software beschikbaar voor toegepaste onderzoekers, en vergelijkingen tegen volledige informatie methoden die zijn gebaseerd op discipline-specifieke voorbeelden ontbreken. In deze studie schets ik deze methode door middel van een stapsgewijze analyse van een sequentiële casestudy over mediation met internetverslaving. Ik geef een voorbeeld van een R-code met behulp van het Lavaan-pakket en gegevens op basis van een hypothetisch onderzoek naar verslaving. Ik onderzoek de verschillen tussen de volledige en beperkte informatie-schatters in de voorbeeldgegevens en tast vervolgens de mate aan waarin deze verschillen wijzen op een consistente divergentie tussen de schatters met behulp van een simulatie-onderzoek. De resultaten suggereren dat de beperkte informatieraming beter presteert dan de conventionele volledige informatie maximale waarschijnlijkheidschatter in kleine tot matige steekproefomvang in termen van bias, efficiëntie en power.
PMID: 30501990
;
