MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017162477
■00520250211152017
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382838557
■035    ▼a(MiAaPQ)AAI31331845
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a151
■1001  ▼aAlacam,  Egamaria.
■24510▼aFactored  Regression  Specification  for  Composites  With  Categorical  Item-Level  Missing  Data.
■260    ▼a[S.l.]▼bUniversity  of  California,  Los  Angeles.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a107  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Du,  Han.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aComposites  are  widely  used  in  the  behavioral  and  social  sciences  where  multiple  items  measure  a  construct  of  interest.  Researchers  often  use  composites  to  measure  abstract  concepts  such  as  depression  and  anxiety.  However,  missing  items  are  prevalent  in  the  field,  either  due  to  participants  skipping  items  or  a  planned  missingness  design.  A  researcher  can  choose  either  an  item-level  missing  data  treatment  or  a  scale-level  missing  data  treatment,  but  studies  have  demonstrated  that  item-level  missing  data  treatment  is  superior  because  it  maximizes  power  and  precision.  Item-level  missing  data  handling  though,  can  be  challenging  because  missing  data  models  can  become  very  complex  especially  when  there  are  many  total  items  and  small  sample  sizes.  Recently  in  the  literature,  there  have  been  many  studies  focused  on  advancing  factored regression  specifications  and  a  recently  published  paper  applied  this  to  composite  scores.  The  method  was  very  favorable  compared  to  other  gold  standard  methods,  but  simulation  studies  had  limited  scope  on  categorical  items.  This  dissertation  extends  the  factored  regression  specification  to  examine  how  it  performs  under  various  scenarios  categorical  item  distribution  types  and  response  format  options.  Overall,  the  simulation  results  suggest  that  the  proposed  method  can  be  very  effective  compared  to  the  gold  standard  methods  under  most  conditions,  especially  when  the  number  of  items  is  very  large,  and  the  sample  size  is  relatively  small.  A  real  data  analysis  illustrates  the  application  of  the  proposed  methods  and  the  other  gold  standard  methods. 
■590    ▼aSchool  code:  0031.
■650  4▼aQuantitative  psychology.
■650  4▼aStatistics.
■650  4▼aPsychology.
■650  4▼aEpidemiology.
■653    ▼aComposites
■653    ▼aFactored  regression  specification
■653    ▼aMissing  data
■653    ▼aGold  standard  methods
■653    ▼aDepression
■690    ▼a0632
■690    ▼a0621
■690    ▼a0766
■690    ▼a0463
■71020▼aUniversity  of  California,  Los  Angeles▼bPsychology  0780.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162477▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서