Geri Dön

Farklı kayıp veri tekniklerinin çok göstergeli örtük gelişme modelleri üzerindeki etkisi

The effects of different missing data techniques on latent growth model with multiple indicators

  1. Tez No: 263281
  2. Yazar: SEDA DURAL
  3. Danışmanlar: PROF. DR. OYA SOMER
  4. Tez Türü: Doktora
  5. Konular: Psikoloji, Psychology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2010
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Psikoloji Bölümü
  12. Bilim Dalı: Psikoloji Ana Bilim Dalı
  13. Sayfa Sayısı: 154

Özet

Bu çalışmanın amacı, örneklem büyüklüğü ve kayıp veri türüne bağlı olarak, kayıp veri ile başa çıkmada kullanılan tekniklerin, çok göstergeli örtük gelişme modelleri üzerindeki etkisinin incelenmesidir. Araştırma deseninde, kayıp veri tekniği (liste bazında silme, çift bazında silme, regresyonla değer atama, beklenti-maksimizasyon algoritması ve çoklu değer atama), kayıp veri türü (tümüyle seçkisiz kayıp, seçkisiz kayıp ve seçkisiz olmayan kayıp) ve örneklem büyüklüğü (100, 250 ve 500) olmak üzere üç bağımsız değişken yer almaktadır. Bağımsız değişkenlerin model üzerindeki etkileri yakınsama oranı, model uyumu, parametre tahmin yanlılığı ve standart hata yanlılığı olmak üzere dört bağımlı ölçüm üzerinden incelenmiştir. Çalışma kapsamında, (1) veri setlerinin üretilmesi, (2) veri silme işlemlerinin yapılması, (3) değer atama işlemlerinin yapılması ve (4) model testlerinin yapılması olmak üzere dört aşamadan oluşan bir işlem yolu takip edilmiştir. Yakınsama oranı, model uyumu ve parametre tahmin yanlılığına ilişkin bulgular, çok göstergeli örtük gelişme modellerinde çift bazında silme tekniğinin diğer tekniklere kıyasla daha iyi bir alternatif olduğunu göstermektedir. Buna karşın, standart hata yanlılığına ilişkin sonuçlar, söz konusu yöntemin parametre tahminleri için yapılan anlamlılık testlerinin gücünü azaltabileceğine ve bu nedenle dikkatli olunması gerektiğine işaret etmektedir. Beklenti-maksimizasyon algoritması ve çoklu değer atama tekniklerinin standart hata yanlılıklarında daha iyi performans gösterdikleri, model uyumlarının kabul edilebilir sınırlar içerisinde kaldığı ve örneklem sayısının büyük olduğu durumlarda yakınsama problemine yol açmadığı düşünüldüğünde, çok göstergeli örtük gelişme modelleri kapsamında bu yöntemler de kayıp veri ile başa çıkmak üzere önerilmektedir. Öte yandan, regresyonla değer atama yönteminin çok göstergeli örtük gelişme modelleri kapsamında kayıp veri ile başa çıkmak üzere kullanılmasının uygun olmayacağı düşünülmektedir.

Özet (Çeviri)

The purpose of this study is to examine the effects of techniques for handling missing data on latent growth models with multiple indicators depending on sample size and type of missing data. Three independent variables including missing data techniques (listwise deletion, pairwise deletion, imputation with regression, expectation-maximization algorithm, and multiple imputation), type of missing data (missing completely at random, missing at random, and missing not at random), and sample size (100, 250, and 500) took place in the research design. The effects of independent variables on convergence rate, model fit, parameter estimation bias, and standard error bias were investigated. In the study, a procedure consisted of 4 stages including (1) data generation, (2) data deletion, (3) imputation, and (4) model testing was performed. Results obtained from convergence rate, model fit, and parameter estimation bias showed that within latent growth models with multiple indicators, pairwise deletion technique was a better alternative than other techniques. However, results of standard error bias indicated that this technique may reduce power of significance test made for parameter estimates. When taking into consideration of their performance in standard error bias, model fit and convergence rate, expectation-maximization algorithm and especially multiple imputation techniques are also suggested for handling missing data in latent growth models with multiple indicator. On the other hand, it is thought that imputation with regression technique is not adequate for handling missing data in latent growth models with multiple indicator.

Benzer Tezler

  1. Assessment of urbanization history of Addis Ababa city, Ethiopia

    Addıs Ababa cıty, Ethıopıa'nın kentleşme tarihinin değerlendirilmesi

    ABDURAHMAN HUSSEN YIMER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Şehircilik ve Bölge PlanlamaMersin Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    DOÇ. DR. ALİ CENAP YOLOĞLU

  2. Yeni Cami'nin akustik açıdan performans değerlendirmesi

    Evaluation of the acoustical performance of the New Mosque

    EVREN YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. SEVTAP YILMAZ DEMİRKALE

  3. Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  4. The Ancient South Marmara Harbors

    Antik Güney Marmara Limanları

    SERKAN GÜNDÜZ

    Doktora

    İngilizce

    İngilizce

    2015

    ArkeolojiUludağ Üniversitesi

    Arkeoloji Ana Bilim Dalı

    PROF. DR. MUSTAFA ŞAHİN

    PROF. DR. MARTİNA SEIFERT

  5. Study on improving China's drinking water quality management

    Çin'in içme suyu kalite yönetimini geliştirmek konusunda çalışma

    SIKANDAIER NUERXIATI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL TORÖZ