LGM模型中缺失数据处理方法的比较：ML方法与Diggle-Kenward选择模型

LGM模型中缺失数据处理方法的比较：ML方法与

Diggle-Kenward选择模型

LGM-based analyses with missing data： Comparison between ML method and Diggle-Kenward selection model

作 者：张杉杉[1];陈楠[2,3];刘红云[2]

作者机构：[1]首都经济贸易大学劳动经济学院,北京100070;[2]北京师范大学心

理学院应用实验心理北京市重点实验室,北京100875;[3]艾美仕市场调研咨询(上海)有限公司,北京100005

出 版 物：心理学报 年 卷 期：2017年 第5期

摘 要：追踪研究中缺失数据十分常见。本文通过MonteCarlo模拟研究，考

察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异，并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响。结果表明：（1）缺失机制对基于MAR的ML方法有较大的影响，在MNAR缺失机制下，基于MAR的ML方法对LGM模型中截距均值和斜率均值的估计不具有稳健性。（2）Diggle-Kenward选择模型更容易受到目标变量分布偏态程度的影响，样本量与偏态程度存在交互作用，样本量较大时，偏态程度的影响会减弱。而ML方法仅在MNAR机制下轻微受到偏态程度的影响。

页 码：699-710页

主 题 词：潜变量增长模型;非随机缺失机制;Diggle-Kenward选择模型;极大似

然方法