선형 잠재성장모형 모수의 추정에 대한 오차 공분산행렬 적용의 영향력 검토 = The impact of modeling an error covariance matrix on the estimates of parameters in linear latent growth modeling

국문 초록 (Abstract)

잠재성장모형과 시계열모형은 사회과학분야의 종단자료를 분석하기 위해 자주 사용되고 있으며, 두 모형은 잠재성장모형의 오차 공분산행렬에 시계열과정을 포함시킴으로써 통합될 수 있다. 그렇지만 잠재성장모형을 이용하여 종단자료를 분석할 때, 과연 시계열 과정이 존재하는지, 만약 존재한다면 어떤 시계열과정을 선택해야 하는지 결정하기는 쉽지 않다. 따라서 이 연구는 모의실험을 이용하여 선형 잠재성장모형의 오차 공분산행렬에 잘못된 시계열과정이 포함될 경우에 모수 추정치들이 어떻게 영향을 받는지 검토하였다. 이 연구의 결과에 따르면 오차 공분산행렬에 AR(1) 시계열과정이 포함된 잠재성장모형으로 시계열과정이 존재하지 않는 자료, MA(1) 시계열과정이 존재하는 자료, 그리고 ARMA(1,1) 시계열과정이 존재하는 자료를 분석했을 때, 모든 조건에서 모수 추정치들이 적합한 것으로 관찰되었다. 따라서 종단자료에 특정한 시계열과정이 존재하는지 판단하기 어려울 경우에는 잠재성장모형의 오차 공분산행렬에 AR(1) 시계열과정을 포함시키는 것이 모수 추정치들의 편향을 최소화할 수 있는 안전한 방법이라고 판단된다.

다국어 초록 (Multilingual Abstract)

In the social sciences, latent growth modeling and times series analysis are popular methods for longitudinal data analysis and two methods can be combined by including a time series process in an error covariance matrix in a latent growth model. However, it is difficult to either to detect a time series process or select a correct time series process when we fit a latent growth model to data. Thus, this Monte Carlo simulation study investigated the impact of a misspecified time series process in an error covariance matrix on the estimates of parameters in linear latent growth modeling. The results showed that a latent growth model with an AR(1) error covariance matrix produced acceptable parameter estimates across all conditions when it was fitted to the three types of datasets which contained no time series process, MA(1), and ARMA(1,1) time series processes. Therefore, the results of this study can recommend an AR(1) error covariance matrix in linear latent growth modeling when it is difficult to select a correct time series process.

목차 (Table of Contents)

• Ⅰ. 서론
• Ⅱ. 이론적 배경
• Ⅲ. 연구방법
• Ⅳ. 연구결과
• Ⅴ. 결론 및 논의
• 참고문헌
• 저자소개
• 〈ABSTRACT〉

참고문헌 (Reference)

1 현철, "시계열자료의 분석과 예측" 교육과학사 2006

2 Willet, J. B, "Using covariance structure analysis to detect correlateds and predictors of individual change over time" 116 : 363-381, 1994

3 Olsson, U. H, "The performance of ML, GLS, and WLS estimation in structural equation modeling under conditions of misspecification and nonnormality" 7 : 557-595, 2000

4 Sivo, S. A, "The biasing effects of unmodeled ARMA time series processes on latent growth curve model estimates" 12 : 215-231, 2005

5 Hooper, D, "Structural equation modeling: Guidelines for determining model fit" 6 : 53-60, 2008

6 Liu, S, "Selecting a linear mixed model for longitudinal data: Repeated measures analysis of variance, covariance pattern model, and growth curve approaches" 17 : 15-30, 2012

7 Hoogland, J. J, "Robustness studies in covariance structure modeling: An overview and a meta-analysis" 26 : 329-367, 1998

8 R Development Core Team, "R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing"

9 Bauer, D. J, "Observations on the use of growth mixture models in psychological research" 42 : 757-786, 2007

10 Goldstein, H, "Multilevel time series models with applications to repeated measured data" 13 : 1643-1655, 1994

11 Muthén, B, "Mplus(Version 6.0)" Muthén & Muthén 2010

12 Chi, E. M, "Models for longitudinal data with random effects and AR(1) errors" 84 : 452-459, 1989

13 Meredith, W, "Latent curve analysis" 55 : 107-122, 1990

14 Nylund, K. L, "Deciding on the number of classes in latent class analysis and growth mixture modeling: a Monte Carlo simulation study" 14 : 535-569, 2007

15 Hamaker, E. L, "Conditions for the equivalence of the autoregressive latent trajectory model and a latent growth curve model with autoregressive disturbances" 33 : 404-418, 2005

16 Bollen, K. A, "Autoregressive latent trajectory (ALT) models: a synthesis of two traditions" 32 : 336-383, 2004

17 Fitzmaurice, G. M, "Applied longitudinal data analysis" John Wiley & Sons, Inc 2004

18 Leite,W.L, "A comparison of latent growth models for constructs measured by multiple items" 14 : 581-610, 2007