https://doi.org/10.7334/psicothema2020.63

Psicothema, 2020.Vol. 32 (nº 3). 399-409

   PDF

Pablo Livacic-Rojas¹, Paula Fernández², Guillermo Vallejo², Ellián Tuero-Herrero², and Feliciano Ordóñez²

Backgrounds: This study analyzes the effectiveness of different information criteria for the selection of covariance structures, extending it to different missing data mechanisms, the maintenance and adjustment of the mean structures, and matrices. Method: The Monte Carlo method was used with 1,000 simulations, SAS 9.4 statistical software and a  partially repeated measures design (p=2; q=5). The following variables were manipulated: a) the complexity of the model; b) sample size; c) matching of covariance matrices and sample size; d) dispersion matrices; e) the type of distribution of the variable; f) the non-response mechanism. Results: The results show that all information criteria worked well in Scenario 1 for normal and non-normal distributions with heterogeneity of variance. However, in Scenarios 2 and 3, all were accurate with the ARH matrix, whereas AIC, AICCR and HQICR worked better with TOEP and UN. When the distribution was not normal, AIC and AICCR were only accurate in Scenario 3, more heterogeneous and unstructured matrices, with complete cases, MAR and MCAR. Conclusions: In order to correctly select the matrix it is advisible to analyze the heterogeneity, sample size and distribution of the data.

Sensibilidad de cinco criterios de información para discriminar estructuras de covarianza bajo pérdida de datos en diseños de medidas repetidas. Antecedentes: el presente trabajo analiza la efectividad de distintos criterios de información para seleccionar estructuras de covarianza extendiéndolo a diferentes mecanismos  de pérdida de datos, la mantención y ajustes  de las estructuras de medias y las matrices. Método: se utilizó el método Monte Carlo con 1.000 simulaciones, el software estadístico SAS 9.4 y un diseño de medidas parcialmente repetidas (p=2; q=5). Las variables manipuladas fueron: a) complejidad del modelo;  b)  tamaño muestral; c) emparejamiento de las matrices de covarianza y tamaño muestral; d) matrices de dispersión; e) forma de distribución de la variable; y f) mecanismo de no respuesta. Resultados: los resultados muestran que todos los criterios de información funcionan bien en el escenario 1 para distribuciones normales y no normales con homogeneidad y heterogeneidad de varianzas. Sin embargo, en los escenarios 2 y 3, todos son precisos con la matriz ARH, aunque, AIC, AICCR y HQICR lo hacen para TOEP y UN. Por otro lado, cuando la distribución no es normal, solo en el escenario 3 funcionan bien AIC y AICCR, matrices más heterogéneas y No Estructurada, con Casos Completo MAR y MCAR. Conclusiones: en consecuencia, para seleccionar la matriz correctamente se recomienda analizar la heterogeneidad, tamaño muestral y distribución de los datos.