شیدا مرادی - سنجش و اندازه گیری، دانشکده روان شناسی و علوم تربیتی، دانشگاه علامه طباطبائی، تهران، ایران
شبنم فانی - آمار، دانشکده علوم ریاضی و رایانه، دانشگاه علامه طباطبائی، تهران، ایران
فاطمه پورخاقان - سنجش و اندازه گیری، دانشکده روان شناسی و علوم تربیتی، دانشگاه علامه طباطبائی، تهران، ایران

مدل یابی معادلات ساختاری، یک رویکرد آماری چندمتغیری نیرومند جهت ارزیابی روابط پیچیده ی بین متغیرهای مکنون در بسیاری از حوزه های علوم انسانی و رفتاری است. یکی از چالش های رایج در برآورد مدل های معادلات ساختاری که بر مبنای آزمون فرضیه ها انجام می شود، وجود داده های گمشده است. شیوه ی معمول، حذف آزمودنی هایی با پاسخ های گمشده روی هر کدام از سوالات است که با افزایش درصد مقادیر گمشده در مجموعه داده ها، منجر به از دست رفتن حجم زیادی از اطلاعات نمونه و اریبی برآوردگرهای حاصل می شود. در تحلیل مدل های معادلات ساختاری با حضور مقادیر گمشده می توان از روش بیشینه درستنمایی با اطلاعات کامل استفاده کرد که در آن از تمام داده های موجود در نمونه به طور حداکثری استفاده می شود. در این مقاله، عملکرد روش بیشینه درستنمایی با اطلاعات کامل تحت هر سه مکانیسم داده های گمشده شامل گمشدن کاملا تصادفی، تصادفی و غیرتصادفی در یک مطالعه ی شبیه سازی مورد بررسی قرار می گیرد. بدین منظور، دو مدل تحلیل عاملی تاییدی را در نظر گرفته، داده ها تحت هر سه مکانیسم مذکور تولید و تاثیر دو شاخص حجم نمونه (100 و 500) و درصد مقادیر گمشده (2%، 5%، 10%، 15%، 20%، 25%، 30%، 35% و 40%) بر شاخص ریشه ی میانگین مجذورات خطاهای برآورد مورد بررسی قرار گرفته است. نتایج نشان می دهند که با افزایش درصد مقادیر گمشده، عملکرد مدل های معادلات ساختاری با استفاده از روش بیشینه درستنمایی با اطلاعات کامل در حضور مکانیسم های گمشدن کاملا تصادفی، تصادفی و غیرتصادفی به طور کلی بهتر از عملکرد آن بدون استفاده از این روش بر حسب برخی شاخص های نیکویی برازش است.

مدل یابی معادلات ساختاری (SEM), روش بیشینه درستنمایی با اطلاعات کامل (FIML), مکانیسم گمشدن کاملا تصادفی (MCAR), مکانیسم گمشدن تصادفی (MAR), مکانیسم گمشدن غیرتصادفی (MNAR)