fa ارزیابی براورد ماکسیمم درستنمایی مدل‌های معادلات ساختاری غیر خطی با داده‌های به‌طور تصادفی گم‌شده تحت نرخ‌های گم‌شدگی مختلف عمومى General پژوهشي Research <p dir="RTL" style="text-align: justify;"><span style="line-height: 1.6em;">&nbsp;در علوم رفتاری و اجتماعی برخورد با متغیرهای پنهان بسیار متداول است. یکی از بهترین روش‌ها برای مدل‌بندی این‌گونه متغیرها، مدل معادلات ساختاری است که از دو معادله‌ی اندازه‌گیری و ساختاری تشکیل یافته است و روابط بین متغیرهای پنهان با معادله‌ی ساختاری نشان داده می‌شوند. با وجود این، نظریه‌ی ماکسیمم درستنمایی و نرم‌افزارهای کامپیوتری موجود نظیر لیزرل [8] و </span><span dir="LTR" style="line-height: 1.6em;">EQS</span><span style="line-height: 1.6em;"> [1] که در مطالعات روان‌شناسی و اجتماعی برای ارزیابی ارتباطات بین متغیرهای پنهان به‌ کار می‌روند، بر اساس روابط خطی بین متغیرها و وجود داده‌های کامل بنا نهاده شده‌اند. وجود داده‌های گم‌شده‌ از یک طرف و از طرف دیگر وجود ارتباطات غیر خطی بین متغیرهای پنهان برای به دست آوردن مدل‌های معنی‌دار از اهمیت بسیاری برخوردار است. لی و همکاران [10] الگوریتمی از نوع&nbsp;</span><span style="line-height: 1.6em;">امیدگیری-ماکسیمم‌سازی </span><span dir="LTR" style="line-height: 1.6em;">(EM)</span><span style="line-height: 1.6em;"> را معرفی کردند که برای براورد ماکسیمم درستنمایی پارامترهای معادلات ساختاری غیر خطی با داده‌های به‌طور تصادفی گم‌شده </span><span dir="LTR" style="line-height: 1.6em;">(MAR)</span><span style="line-height: 1.6em;"> به ‌کار می‌رود. در این الگوریتم برای به دست آوردن انتگرال‌های پیچیده در امید شرطی، گام </span><span dir="LTR" style="line-height: 1.6em;">E</span><span style="line-height: 1.6em;"> به‌وسیله‌ی الگوریتم دورگه‌ای کامل می‌شود که نمونه‌گیر گیبس [6] و الگوریتم متروپلیس-هستینگس</span><span style="line-height: 1.6em;"> را ترکیب می‌کند درحالی‌که گام </span><span dir="LTR" style="line-height: 1.6em;">M</span><span style="line-height: 1.6em;"> به‌طور کارایی به‌وسیله‌ی ماکسیمم‌سازی شرطی [15] کامل می‌گردد. در این مقاله قصد داریم تا با استفاده از یک مطالعه‌ی شبیه‌سازی، کارایی این روش را زمانی که نرخ گم‌شدگی افزایش می‌یابد مورد بررسی قرار دهیم.</span></p> <p><strong style="line-height: 1.6em;">Abstract.</strong><span style="line-height: 1.6em;"> In behavioral and social sciences, it is very common to face latent variables. One of the best approaches to model these variables is using structural equation models which are constructed from a measurement equation and a structural equation. Relations between latent variables are taken into account by the structural equation. However, maximum likelihood theory and existing computer softwares such as LISREL (Joreskog and Sorbom, 1996, Scientific Software International: Hove and London) and EQS (Bentler, 1992, Los Angeles: BMDP Statistical Software) which are used in psychology and social studies to assess relations between variables, are based on a linear pattern and the assumption that complete data sets exist. On one side the presence of missing data and on the other side nonlinear relations between latent variables are very important to be considered to obtain significant models. Lee et al. (2003, </span><em style="line-height: 1.6em;">J. Educat. Behav. Statist.</em><span style="line-height: 1.6em;">, </span><strong style="line-height: 1.6em;">28</strong><span style="line-height: 1.6em;">,</span></p> <p>111-134) introduced an EM type algorithm which is used to obtain ML estimates of nonlinear structural equation models with missing at random data. In this algorithm to calculate complicated integrals in conditional expectation step, the E step is completed with a hybrid algorithm that combines Gibbs sampler (Geman and Geman, 1984, <em>IEEE Trans. Pattern Anal. Machie Intell.</em>, <strong>6</strong>, 721-741) and Metropolis-Hastings algorithm, while the M step is efficiently completed with conditional maximization. In this paper we assess the efficiency of this method in a simulation study with high missing rate.</p> <p></p> الگوریتم متروپلیس-هستینگس,داده‌های گم‌شده, معادلات ساختاری غیر خطی, نمونه‌گیر گیبس Gibbs sampler, Metropolis-Hastings algorithm, Missing data, Structural equation models 187 200 http://ijoss.srtc.ac.ir/browse.php?a_code=A-10-1-78&slc_lang=fa&sid=1 Zeinab Sanamnoo زینب صنم‌نو 1003194753284600191 1003194753284600191 No Mojtaba Ganjali مجتبی گنجعلی m-ganjali@sbu.ac.ir 1003194753284600192 1003194753284600192 Yes