用于小到中等样品SEM的稳健替代估计器:偏差校正因子得分路径分析。

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

凯尔西B.1.

抽象

具有全信息最大似然估计的结构方程建模是在成瘾研究中经验性地评估涉及多个潜在变量的复杂理论的主要方法。 尽管完整信息估计器具有许多期望的属性,包括一致性,但结构方程模型的主要限制是,当在小到中等大小的研究中实施时(例如,少于100或200),它们经常承受显着的偏差。 最近的文献已经开发了一种有限的信息估计器,旨在解决这一局限 - 通过偏差校正因子得分路径分析方法在概念上实现 - 已经证明可以在小到中等样本设置中产生无偏和有效的估计。 尽管有理论和实证的优点,但文献表明该方法由于三个主要原因未得到充分利用 - 应用研究人员不熟悉这些方法,应用研究人员缺乏实用和可获得的指导和软件,并且对全部信息进行比较缺乏基于特定学科的例子的方法。 在这项研究中,我通过逐步分析涉及网络成瘾的序贯调解案例研究来描述这种方法。 我提供了使用lavaan包的示例R代码和基于假设的成瘾研究的数据。 我检查了示例数据中的完整和有限信息估计器之间的差异,并随后探讨了这些差异在多大程度上指示了使用模拟研究的估计器之间的一致差异。 结果表明,在偏差,效率和功率方面,有限信息估计器在小到中等样本大小方面优于传统的全信息最大似然估计。

结论:30501990的

作者: 10.1016 / j.addbeh.2018.10.032