Addict Behav. 2018 okt 27. pii: S0306-4603(18)31232-2. doi: 10.1016/j.addbeh.2018.10.032.
Kelcey B1.
Abstrakt
Strukturell ekvationsmodellering med full information maximal sannolikhetsuppskattning är den dominerande metoden för att empiriskt bedöma komplexa teorier som involverar flera latenta variabler i beroendeforskning. Även om fullinformationsuppskattare har många önskvärda egenskaper inklusive konsistens, är en stor begränsning i strukturella ekvationsmodeller att de ofta upprätthåller betydande bias när de implementeras i små till medelstora studier (t.ex. färre än 100 eller 200). Ny litteratur har utvecklat en begränsad informationsuppskattare utformad för att ta itu med denna begränsning - konceptuellt implementerad genom en bias-korrigerad faktorpoäng-väganalys - som har visat sig producera opartiska och effektiva uppskattningar i små till måttliga provinställningar. Trots dess teoretiska och empiriska förtjänster har litteraturen antytt att metoden är underanvänd på grund av tre primära skäl - metoderna är obekanta för tillämpade forskare, det saknas praktisk och tillgänglig vägledning och programvara tillgänglig för tillämpade forskare, och jämförelser med fullständiga informationsmetoder som är förankrade i disciplinspecifika exempel saknas. I den här studien avgränsar jag denna metod genom en steg-för-steg-analys av en sekventiell medlingsfallstudie som involverar internetberoende. Jag tillhandahåller exempel R-kod med hjälp av lavaan-paketet och data baserat på en hypotetisk studie av missbruk. Jag undersöker skillnaderna mellan estimatorerna för full och begränsad information i exemplet och undersöker därefter i vilken utsträckning dessa skillnader är indikativa för en konsekvent divergens mellan estimatorerna med hjälp av en simuleringsstudie. Resultaten tyder på att skattaren med begränsad information överträffar den konventionella skattaren för maximal sannolikhet för full information i små till måttliga urvalsstorlekar när det gäller bias, effektivitet och kraft.
PMID: 30501990
;
