Sensitivity of five information criteria to discriminate covariance structures with missing data in repeated measures designs
Texto completo:
http://www.psicothema.com/pdf/46 ...Ver/ Abrir
Nivel Educativo:
Tipo Documental:
Artículo de revistaEstadísticas:
Ver Estadísticas de usoMetadatos:
Mostrar el registro completo del ítemAutor:
Fecha:
2020Publicado en:
Psicothema. 2020, v. 32, n. 3; p. 399-409Resumen:
Sensibilidad de cinco criterios de información para discriminar estructuras de covarianza bajo pérdida de datos en diseños de medidas repetidas. Antecedentes: el presente trabajo analiza la efectividad de distintos criterios de información para seleccionar estructuras de covarianza extendiéndolo a diferentes mecanismos de pérdida de datos, la mantención y ajustes de las estructuras de medias y las matrices. Método: se utilizó el método Monte Carlo con 1.000 simulaciones, el software estadístico SAS 9.4 y un diseño de medidas parcialmente repetidas (p=2; q=5). Las variables manipuladas fueron: a) complejidad del modelo; b) tamaño muestral; c) emparejamiento de las matrices de covarianza y tamaño muestral; d) matrices de dispersión; e) forma de distribución de la variable; y f) mecanismo de no respuesta. Resultados: los resultados muestran que todos los criterios de información funcionan bien en el escenario 1 para distribuciones normales y no normales con homogeneidad y heterogeneidad de varianzas. Sin embargo, en los escenarios 2 y 3, todos son precisos con la matriz ARH, aunque, AIC, AICCR y HQICR lo hacen para TOEP y UN. Por otro lado, cuando la distribución no es normal, solo en el escenario 3 funcionan bien AIC y AICCR, matrices más heterogéneas y No Estructurada, con Casos Completo MAR y MCAR. Conclusiones: en consecuencia, para seleccionar la matriz correctamente se recomienda analizar la heterogeneidad, tamaño muestral y distribución de los datos.
Sensibilidad de cinco criterios de información para discriminar estructuras de covarianza bajo pérdida de datos en diseños de medidas repetidas. Antecedentes: el presente trabajo analiza la efectividad de distintos criterios de información para seleccionar estructuras de covarianza extendiéndolo a diferentes mecanismos de pérdida de datos, la mantención y ajustes de las estructuras de medias y las matrices. Método: se utilizó el método Monte Carlo con 1.000 simulaciones, el software estadístico SAS 9.4 y un diseño de medidas parcialmente repetidas (p=2; q=5). Las variables manipuladas fueron: a) complejidad del modelo; b) tamaño muestral; c) emparejamiento de las matrices de covarianza y tamaño muestral; d) matrices de dispersión; e) forma de distribución de la variable; y f) mecanismo de no respuesta. Resultados: los resultados muestran que todos los criterios de información funcionan bien en el escenario 1 para distribuciones normales y no normales con homogeneidad y heterogeneidad de varianzas. Sin embargo, en los escenarios 2 y 3, todos son precisos con la matriz ARH, aunque, AIC, AICCR y HQICR lo hacen para TOEP y UN. Por otro lado, cuando la distribución no es normal, solo en el escenario 3 funcionan bien AIC y AICCR, matrices más heterogéneas y No Estructurada, con Casos Completo MAR y MCAR. Conclusiones: en consecuencia, para seleccionar la matriz correctamente se recomienda analizar la heterogeneidad, tamaño muestral y distribución de los datos.
Leer menos