Les scores composites (par exemple, la moyenne ou la somme des éléments d'enquête) sont largement utilisés comme résultats ou prédicteurs dans la recherche en sciences psychologiques et sociales, malgré des préoccupations méthodologiques concernant les erreurs de mesure. Malgré une étude approfondie des erreurs de mesure dans les modèles de trajectoire, relativement peu d'attention a été portée à ce problème méthodologique dans la modélisation de croissance latente (MGL), en particulier lorsque les prédicteurs varient dans le temps. Les prédicteurs variant dans le temps permettent de modéliser des influences spécifiques à chaque occasion au-delà des trajectoires développementales sous-jacentes, mais ils sont souvent opérationnalisés en utilisant des scores composites qui supposent implicitement une fiabilité parfaite. Pour combler cette lacune, la présente étude examine les conséquences de l'ignorance des erreurs de mesure dans les prédicteurs composites variant dans le temps au sein du cadre MGL. Il convient de noter qu'il s'agit de la première étude à évaluer l'approche de modélisation à indicateur unique (AI) comme méthode de correction des erreurs de mesure dans les prédicteurs variant dans le temps. Nous avons comparé la MGL traditionnelle incorporant des prédicteurs composites avec la MGL qui intègre l'approche par facteur AI pour tenir compte des erreurs de mesure dans les prédicteurs variant dans le temps en utilisant le jeu de données de l'Étude longitudinale sur la petite enfance, classe de jardin d'enfants de 1998-1999 (ECLS-K) et une simulation Monte Carlo. Les résultats de la simulation Monte Carlo ont révélé qu'ignorer les erreurs de mesure dans les prédicteurs variant dans le temps atténuait les effets spécifiques à chaque occasion jusqu'à 30 %. Ces résultats soulignent la nécessité de corriger les erreurs de mesure en utilisant la modélisation par facteur AI pour garantir la validité des inférences développementales dans la MGL.
Kejin Lee (Mercredi) a étudié cette question.