초록 close

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 시계열과정이 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.


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.