Un modelo de mezcla de patrones de clase latente para respuestas no ignorables en datos categóricos multivariantes

Área de la Ciencia:

• Estadística
• Psicometría
• Ciencia del Comportamiento

Sus antecedentes:

• Los datos de encuestas con variables categóricas son comunes en estudios de psicología, educación y comportamiento.
• Los valores faltantes no ignorables en dichos datos pueden comprometer la validez de la inferencia estadística.
• Los métodos existentes pueden no abordar adecuadamente los patrones de falta de datos complejos en resultados categóricos.

Objetivo del estudio:

• Proponer un novedoso modelo de mezcla de patrones latentes para analizar valores faltantes no ignorables en resultados categóricos multivariantes.
• Proporcionar métodos estadísticos robustos para manejar datos faltantes en diseños de encuestas complejas.
• Mejorar la validez de las inferencias extraídas de la investigación por encuestas con datos faltantes.

Principales métodos:

• Desarrollo de un modelo de mezcla de patrones latentes con dos variables latentes categóricas: una para patrones de no respuesta y otra para patrones de respuesta condicionados a la no respuesta.
• Implementación de dos estrategias de estimación de parámetros: máxima verosimilitud (ML) a través del algoritmo de maximización de la expectativa (EM) y estimación bayesiana utilizando Markov-Chain Monte Carlo (MCMC).
• Realización de estudios de simulación para comparar el rendimiento de los métodos de estimación ML y bayesiana bajo diferentes tamaños de muestra.

Principales resultados:

• Los estudios de simulación indicaron que la estimación de máxima verosimilitud generalmente se prefiere para tamaños de muestra grandes debido a sesgos estandarizados más bajos.
• La estimación bayesiana con priors no informativos mostró ventajas en tamaños de muestra más pequeños.
• Un ejemplo de datos reales identificó seis clases latentes distintas caracterizadas por patrones únicos de respuesta y falta de datos en un estudio sobre el trastorno por uso de sustancias en padres.

Conclusiones:

• El modelo propuesto de mezcla de patrones latentes ofrece un marco flexible para abordar datos faltantes no ignorables en la investigación de encuestas categóricas.
• Tanto los métodos de estimación ML como los bayesianos son viables, y la elección óptima depende del tamaño de la muestra.
• El modelo revela eficazmente las estructuras subyacentes en la respuesta y la falta de datos, lo que ayuda a la interpretación en la investigación aplicada.