MAI-GAN: Ein inferenziell kalibriertes generatives Rahmenwerk für mehrstufige longitudinale Daten mit Anwendungen zur pädagogischen Intersektionalität

Synthetische Datensätze werden zunehmend in der Bildungsforschung für methodologische Validierung, datenschutzorientierte Datenfreigabe und reproduzierbare Gleichheitsanalysen verwendet; jedoch priorisieren die meisten generativen Ansätze die Marginalverteilungssimilarität, ohne die Erhaltung multistufiger inferenzieller Eigenschaften sicherzustellen. Diese Einschränkung ist entscheidend für Daten mit wiederholten Messungen, die unter Verwendung von intersektionalitätsfokussierten hierarchischen Modellen analysiert werden, wo die Schlussfolgerungen von Varianzpartitionierung, teilweiser Pooling und Heterogenität auf Stratum-Ebene abhängen. Wir stellen MAI-GAN vor, ein hybrides generatives Rahmenwerk, das einen Struktur-Rest-Decompositionsansatz implementiert, der Bayesian longitudinal MAIHDA mit bedingter GAN-basierter Restproduktion kombiniert. Die inferenzielle Treue wird in Bezug auf mehrstufige intersektionale Modelle operationalisiert, indem gezielt die Erhaltung fester Effekte, Varianzkomponenten und Varianzpartitionierungskoeffizienten angesprochen wird, während die Basiszusammensetzung durch geschichtete Bootstrap-Neuzusammensetzung aufrechterhalten wird. An einem Datensatz von sechs Semestern von Biologiestudierenden (N = 2669) angewendet, wurde MAI-GAN über mehrere unabhängige Zufallsseeds evaluiert und reproduzierte konstant die basisabhängige Reststruktur und wichtige inferenzielle Größen. Diese Ergebnisse zeigen, dass modellkonforme generative Strategien synthetische longitudinale Datensätze erzeugen können, die unter intersektionalitätsfokussierter mehrstufiger Analyse kohärent bleiben und eine principled Grundlage für gleichheitsorientierte synthetische Datengenerierung bieten.