Regresar a la Home
Google Scholar
 Nada de lo psicológico nos es ajeno
Universidad de Oviedo

 

 

Aviso Legal y Política de Privacidad

Política de Cookies

 

ARTÍCULO SELECCIONADO

Psicothema

ISSN EDICIÓN EN PAPEL: 0214-9915

2020. Vol. 32, nº 3, pp. 399-409
doi: 10.7334/psicothema2020.63


   

  

SENSITIVITY OF FIVE INFORMATION CRITERIA TO DISCRIMINATE COVARIANCE STRUCTURES WITH MISSING DATA IN REPEATED MEASURES DESIGNS

 

Pablo Livacic-Rojas1, Paula Fernández2, Guillermo Vallejo2, Ellián Tuero-Herrero2, and Feliciano Ordóñez2

1 University of Santiago de Chile and 2 University of Oviedo

Backgrounds: This study analyzes the effectiveness of different information criteria for the selection of covariance structures, extending it to different missing data mechanisms, the maintenance and adjustment of the mean structures, and matrices. Method: The Monte Carlo method was used with 1,000 simulations, SAS 9.4 statistical software and a  partially repeated measures design (p=2; q=5). The following variables were manipulated: a) the complexity of the model; b) sample size; c) matching of covariance matrices and sample size; d) dispersion matrices; e) the type of distribution of the variable; f) the non-response mechanism. Results: The results show that all information criteria worked well in Scenario 1 for normal and non-normal distributions with heterogeneity of variance. However, in Scenarios 2 and 3, all were accurate with the ARH matrix, whereas AIC, AICCR and HQICR worked better with TOEP and UN. When the distribution was not normal, AIC and AICCR were only accurate in Scenario 3, more heterogeneous and unstructured matrices, with complete cases, MAR and MCAR. Conclusions: In order to correctly select the matrix it is advisible to analyze the heterogeneity, sample size and distribution of the data.

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.

 


Ver PDF
 

Regresar a la Home Buscar en la página Contacta con nosotros Regresar a la Home