무작위 및 체계적으로 누락된 데이터로의 종단적 모델링: 즉흥적, 최대 우도 및 다중 대체 기법의 시뮬레이션

개인 변화에 대한 조직 연구에서 누락된 데이터는 종단적 샘플 크기를 크게 감소시키고 매개변수 추정치에 잠재적으로 편향을 줄 수 있습니다. 이 기사에서는 구조 방정식 모델링 프레임워크 내에서 여섯 가지 누락 데이터 기법(MDT)을 비교합니다: 리스트 삭제, 쌍 삭제, 확률적 회귀 대체, 기대 최대화(EM) 알고리즘, 전체 정보 최대화 우도(FIML), 그리고 다중 대체(MI). 각 기법의 근거를 검토한 후, 조직 몰입도와 이직 의도에 대한 세 가지 파형 시뮬레이션을 기반으로 한 몬테 카를로 분석이 뒤따릅니다. 각 MDT에 대한 매개변수 추정치와 표준 오차는 누락 메커니즘(완전히 무작위, 무작위, 비무작위)과 세 가지 누락 수준(25%, 50%, 75%; 모두 단조롭게 누락) 하에 전체 데이터 추정치와 대조됩니다. 결과는 특히 많은 회복된 사례가 포함된 매개변수에 대해 리스트 삭제보다 우수한 최대 우도 및 MI 접근법을 지지합니다. FIML 및 MI 기법에서 더 나은 표준 오차 추정치가 도출됩니다. 데이터가 비무작위로 누락될 때 모든 MDT의 성능이 저하됩니다.