본문 바로가기
KERD
논문KCI 등재

잠재프로파일 분석에서 결측값 처리를 위한 최근접이웃 대체법의 활용

Using k-Nearest Neighbor Imputation as a Method to Handle Missing Values in Latent Profile Analysis

조승빈|김수민
한국건강심리학회 (Korean Health Psychological Association)|2022.05|한국심리학회지: 건강 (Korean Journal of Health Psychology)|제27권 제3호|pp. 513-532|DOI 10.17315/kjhp.2022.27.3.005

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

시뮬레이션latent profile analysis잠재프로파일분석simulationk-최근접이웃대체법결측값k-nearest neighbor imputationmissing values
주제분류심리과학

초록

잠재프로파일분석(latent profile analysis: LPA)은 모집단에 존재하는 비슷한 특성을 공유하는 개인들로 구성된 하위집단을 확인하기 위해 심리학의 여러 분야에서 흔히 사용되는 모형이다. 결측값이 존재하는 자료에 잠재프로파일분석을 적용하기 위해 가장 권장되는 방법은 완전정보최대우도법(full information maximum likelihood: FIML)이다. 본 연구에서는 비교적 간단한 알고리즘으로 이루어진 k-최근접이웃(k-nearest neighbor: kNN) 대체법을 LPA에서 결측값을 처리하기 위한 효율적인 대안으로 제안하고 시뮬레이션 자료를 통해 kNN 대체법의 활용 가능성을 검증하였다. 결측값 생성 메커니즘, 결측률, 하위집단 간 거리, 표본 크기를 변화시켜 자료를 생성하고 생성된 자료에 kNN 대체법 적용하고 LPA를 수행한 결과와 FIML을 통한 결과를 추정한 하위집단 수, 하위집단 평균 프로파일의 정확도, 분류의 품질을 기준으로 비교하였다. 분석 결과, 하위집단 수의 추정은 대부분의 조건에서 kNN 대체법이 FIML과 비슷한 정확도를 보였으며 하위집단 간 거리가 가깝고 표본크기가 작은 조건에서는 더 우수한 결과를 보였다. 하위집단 프로파일의 정확도는 두 방법 간에 일관성 있는 차이를 발견할 수 없었다. 분류의 품질은 거의 모든 조건에서 kNN 대체법을 적용한 결과가 완전자료에서 얻어진 결과에 가까웠다. 본 연구는 LPA를 위한 kNN 대체법의 활용 가능성을 확인한 최초의 연구로서 의의를 가진다. 본 연구의 결과를 통해 FIML을 통한 분석이 어려운 조건에서 결측값 처리를 위한 대안으로서 kNN 대체법의 활용 뿐만 아니라 kNN 대체법과 FIML의 결과를 비교함으로써 LPA 결과의 신뢰도를 확인하는 방식으로 사용할 것을 제안한다.

Abstract

Latent profile analysis (LPA) is a method commonly used in psychology to identify subgroups of individuals who share common characteristics. To apply LPA on data with missing values, full information maximum likelihood (FIML) and multiple imputation (MI) are commonly recommended. In this study, we propose k-nearest neighbor (kNN) imputation, as an efficient alternative to handle missing data in LPA and examined its potential using simulated datasets. Datasets were generated with varying conditions: missing value generation mechanisms, missing rates, distances between subgroups, and sample sizes. Complete data were generated by kNN imputation from the simulated datasets and were used in LPA. Results were compared to the results from FIML in terms of the number of estimated subgroups, the accuracy of mean profiles, and the quality of classification. The accuracy of the number of subgroups from kNN imputation was comparable to the results from FIML in most conditions, and kNN imputation performed better in some conditions Neither method consistently performed better in terms of the accuracy of mean profiles. The quality of classification from kNN imputation was better in all conditions, and was closer to the results from complete data analyses. From the results, we suggest kNN imputation as an alternative to FIML to handle missing data in LPA, especially in conditions wherein FIML often fails. We also suggest using kNN imputation as well as FIML to compare results to check the stability of parameter estimates.

참고문헌 (44)

  1. 김시형, "사별 이후 지속비애 증상에 대한 잠재프로파일 분석", 한국심리학회지: 건강, 24(2), pp.371~391 (2019), 한국건강심리학회[DOI]
  2. 노민정, "사회과학 대용량 자료 분석을 위한 벌점회귀모형과 결측처리기법의 성능 비교: 몬테카를로 모의실험", 교육평가연구, 32(4), pp.755~776 (2019), 한국교육평가학회[DOI]
  3. 박경우, "한국어판 강박적 성행동 장애 척도(K-CSBD-19)의 타당화 연구", 한국심리학회지: 건강, 26(5), pp.859~879 (2021), 한국건강심리학회[DOI]
  4. 신택수, "결측자료 분석방법에 대한 고찰과 활용: 종단학업성취 자료를 중심으로", 교육평가연구, 27(3), pp.693~725 (2014), 한국교육평가학회
  5. 송주원, "결측자료 분석에서 결측 비율이 결측자료 k-평균 군집분석에 미치는 영향", Journal of The Korean Data Analysis Society, 19(3), pp.1273~1282 (2017), 한국자료분석학회[DOI]
  6. 염소란, "상사에 대한 정서노동의 잠재프로파일분석: 정서노동 유형에 따른 선행변인 및 직무효과성 차이", 한국심리학회지: 산업 및 조직, 30(3), pp.465~489 (2017), 한국산업및조직심리학회[DOI]
  7. 조다빈, "분노 경험과 COVID-19 예방수칙 준수행동 및 정신건강 문제의 관계", 한국심리학회지: 건강, 26(1), pp.55~71 (2021), 한국건강심리학회[DOI]
  8. 최현주, "형제자매의 장애 유무에 따른 청소년의 부모화 유형과 거부민감성 및 우울과의 관계", 한국심리학회지: 상담 및 심리치료, 33(4), pp.1715~1737 (2021), 한국상담심리학회
  9. 최현주, "학교조직풍토와 교사 소진의 관계: 특수교사가 지각한 학교조직풍토의 잠재프로파일을 중심으로", 한국심리학회지:학교, 18(3), pp.291~316 (2021), 한국심리학회산하학교심리학회[DOI]
  10. Ali, M. M., "Heart disease prediction using supervised machine learning algorithms : performance analysis and comparison", Computers in Biology and Medicine, 136, pp.104672~ (2021)
  11. Atkins, D. C., "Rethinking how family researchers model infrequent outcomes : a tutorial on count regression and zero-inflated models", Journal of Family Psychology, 21(4), pp.726~735 (2007)
  12. Batista, G. E., "An analysis of four missing data treatment methods for supervised learning", Applied Artificial Intelligence, 17(5-6), pp.519~533 (2003)
  13. Beretta, L., "Nearest neighbor imputation algorithms : a critical evaluation", BMC Medical Informatics and Decision Making, 16(3), pp.197~208 (2016)
  14. Blanca, M. J., "Skewness and kurtosis in real data samples", Methodology, 9(2), pp.78~84 (2013)
  15. Blevins, C. A., "Dissociation and posttraumatic stress disorder : A latent profile analysis", Journal of Traumatic Stress, 27(4), pp.388~396 (2014)
  16. Celeux, G., "An entropy criterion for assessing the number of clusters in a mixture model", Journal of Classification, 13, pp.195~212 (1996)
  17. Chen, J., "Nearest neighbor imputation for survey data", Journal of Official Statistics, 16(2), pp.113~131 (2000)
  18. Collins, L. M., "Latent class and latent transition analysis: With applications in the social, behavioral, and health sciences (Vol. 718)" (2009), John Wiley & Sons
  19. Enders, C. K., "The impact of nonnormality on full information maximum-likelihood estimation for structural equation models with missing data", Psychological Methods, 6(4), pp.352~370 (2001)
  20. Enders, C. K., "The relative performance of full information maximum likelihood estimation for missing data in structural equation models", Structural Equation Modeling, 8(3), pp.430~457 (2001)
  21. Goyal, S., "Spam detection using KNN and decision tree mechanism in social network", 2016 Fourth International Conference on Parallel, Distributed and Grid Computing (PDGC), pp.522~526 (2016), IEEE
  22. García-Laencina, P. J., "K nearest neighbours with mutual information for simultaneous classification and missing data imputation", Neurocomputing, 72(7-9), pp.1483~1493 (2009)
  23. Hagenaars, J. A., "Applied latent class analysis" (2002), Cambridge University Press
  24. James, G., "An introduction to statistical learning" (2013), Springer
  25. Jaccard, J., "Monte Carlo simulations using extant data to mimic populations: Applications to the modified linear probability model and logistic regression", Psychological Methods, 26(4), pp.450~465 (2021)
  26. Jonsson, P., "An evaluation of k-nearest neighbour imputation using likert data", 10th International Symposium on Software Metrics, 2004. Proceedings, pp.108~118 (2004), IEEE
  27. Keerin, P., "Cluster-based KNN missing value imputation for DNA microarray data", 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp.445~450 (2012), IEEE
  28. Kowarik, A., "Imputation with the R Package VIM", Journal of Statistical Software, 74(7), pp.1~16 (2016)
  29. Lazarsfeld, P. F., "Latent structure analysis" (1968), Houghton Mill
  30. Lee, T., "A comparison of full information maximum likelihood and multiple imputation in structural equation modeling with missing data", Psychological Methods, 26(4), pp.466~485 (2021)
  31. Little, T. D., "The Oxford handbook of quantitative methods (Vol. 1)" (2014), Oxford University Press
  32. McLachlan, G., "Finite mixture models" (2004), Wiley
  33. Micceri, T., "The unicorn, the normal curve, and other improbable creatures", Psychological Bulletin, 105(1), pp.156~166 (1989)
  34. Muthén, L. K., "Mplus user's guide: Statistical analysis with latent variables, user's guide" (2017), Muthén & Muthén
  35. Newman, D. A., "Missing data: Five practical guidelines", Organizational Research Methods, 17(4), pp.372~411 (2014)
  36. Nylund, K. L., "Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study", Structural Equation Modeling : A Multidisciplinary Journal, 14(4), pp.535~569 (2007)
  37. Park, J., "Comparison of machine learning algorithms to predict psychological wellness indices for ubiquitous healthcare system design", Proceedings of the 2014 International Conference on Innovative Design and Manufacturing (ICIDM), pp.263~269 (2014), IEEE
  38. Pujianto, U., "K-Nearest Neighbor (K-NN) based Missing Data Imputation", 2019 5th International Conference on Science in Information Technology (ICSITech) (2019), IEEE
  39. Schafer, J. L., "Missing data : our view of the state of the art", Psychological Methods, 7(2), pp.147~177 (2002)
  40. Schwarz, G., "Estimating the dimension of a model", The annals of statistics, 6(2), pp.461~464 (1978)
  41. Steinley, D., "Evaluating mixture modeling for clustering : recommendations and cautions", Psychological Methods, 16(1), pp.63~79 (2011)
  42. Tein, J. Y., "Statistical power to detect the correct number of classes in latent profile analysis", Structural Equation Modeling : a Multidisciplinary Journal, 20(4), pp.640~657 (2013)
  43. Troyanskaya, O., "Missing value estimation methods for DNA microarrays", Bioinformatics, 17(6), pp.520~525 (2001)
  44. Yung, Y. F., "Making use of incomplete observations inthe analysis of structural equation models: The CALIS procedure's fullinformation maximum likelihood method in SAS", STAT®9.3, 2011, 333~2011

관련 논문AI추천

잠재계층분석 및 잠재프로파일분석에서 지역독립성 가정의 이해와 가정 위배 시 탐지 및 모형화 방법김수영, 송민경한국심리학회 · 한국심리학회지:일반2025 · 제44권 제2호공분산 구조모형의 적합도 평가에 있어서 결측치 처리 방법 비교: 완전정보최대우도, 다중대체, 베이지안 접근법을 중심으로이태헌한국심리학회 · 한국심리학회지:일반2014 · 제33권 제2호종단자료 결측치의 대체방법 비교김현철, 양수경한국교육개발원 · 한국교육2009 · 제36권 제1호구조방정식 모형에서 정규성 가정 위배 시 ML의 대안 탐색신 은경, 김수영한국심리학회 · 한국심리학회지:일반2025 · 제44권 제4호잠재성장모형의 사용을 위한 표본크기 결정김수영, 석혜은한국심리학회 · 한국심리학회지:일반2015 · 제34권 제2호K대학의 비 대면 강의만족도에 대한 잠재프로파일 분석강승찬, 백승희한국실천공학교육학회 · 실천공학교육논문지2021 · 제13권 제1호

이 간행물의 다른 논문 (6건)

마약중독회복요인에 대한 초이론적 모델의 유형 고찰 : 국내 질적 연구의 내용 분석서경선, 장혜량, 김나미pp. 425-440명상-마음챙김-긍정심리 훈련(MMPT) 프로그램이 중년여성의 노화불안과 웰빙에 미치는 효과김정호, 이현숙, 김미리혜pp. 441-470성인애착이 분노억제에 미치는 영향: 내면화된 수치심을 통한 자기자비의 조절된 매개효과윤성민, 이성애pp. 471-493학업적 착수지연 및 완수지연 행동의 매개요인 탐색권석만, 조성하pp. 495-511성폭력 피해자에 대한 국내 연구 동향 및 집단상담 프로그램 효과에 대한 메타분석김진숙, 이아름pp. 533-561
원문 보기