多変量カテゴリカルデータにおける非無視可能な非応答のための潜在クラスパターン混合モデル

科学分野:

• 統計学
• 心理測定学
• 行動科学

背景:

• 心理学、教育学、行動科学の研究では、カテゴリカル変数を含む調査データが一般的です。
• このようなデータにおける非無視可能な欠損値は、統計的推論の妥当性を損なう可能性があります。
• 既存の方法では、カテゴリカル結果における複雑な欠損パターンに適切に対処できない場合があります。

研究 の 目的:

• 多変量カテゴリカル結果における非無視可能な欠損値を分析するための新しい潜在パターン混合モデルを提案すること。
• 複雑な調査デザインにおける欠損データを処理するための堅牢な統計的手法を提供すること。
• 欠損データを含む調査研究から引き出される推論の妥当性を高めること。

主な方法:

• 非応答パターンと、非応答に条件付けられた応答パターンに対応する2つのカテゴリカル潜在変数を持つ潜在パターン混合モデルの開発。
• パラメータ推定戦略として、期待値最大化（EM）アルゴリズムを介した最尤（ML）推定と、マルコフ連鎖モンテカルロ（MCMC）を使用したベイズ推定の実装。
• 様々なサンプルサイズの下でML推定とベイズ推定方法のパフォーマンスを比較するためのシミュレーション研究の実施。

主要な成果:

• シミュレーション研究は、最大尤度推定が、標準化されたバイアスが低いため、一般に大きなサンプルサイズで好ましいことを示しました。
• 非情報事前分布を用いたベイズ推定は、小さなサンプルサイズで利点を示しました。
• 実際のデータ例では、親の薬物乱用障害に関する研究において、応答と欠損のパターンに固有の6つの異なる潜在クラスが特定されました。

結論:

• 提案された潜在パターン混合モデルは、カテゴリカル調査研究における非無視可能な欠損データに対処するための柔軟なフレームワークを提供します。
• ML推定とベイズ推定の両方の方法が実行可能であり、最適な選択はサンプルサイズに依存します。
• このモデルは、応答と欠損の背後にある構造を効果的に明らかにし、応用研究における解釈を支援します。