Abstract:
งานวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบวิธีการประมาณค่าสูญหายของตัวแปรตามในตัวแบบประมาณค่าสมการทั่วไป (Generalized Estimating Equations) ของข้อมูลระยะยาว เมื่อตัวแปรตามเกิดอัตตสหสัมพันธ์อันดับที่หนึ่ง (First Order Autoregressive : AR(1)) โดยทำการประมาณค่าสูญหายด้วยวิธี Last Observation Carried Forward (LOCF) วิธี Previous Row Mean และวิธี Multiple Imputation (MI) ซึ่งการเปรียบเทียบกระทำภายใต้เงื่อนไขของค่าอัตตสหสัมพันธ์ 0.2, 0.5 และ 0.9 ขนาดตัวอย่าง 60 และ 90 ระยะเวลาที่ทำการเก็บข้อมูลซ้ำ 3 และ 5 คาบเวลา ร้อยละการสูญหายของตัวแปรเป็น 10 และ 15 ตามลำดับ ซึ่งข้อมูลที่ใช้ในการวิจัยครั้งนี้ได้จากการจำลองด้วยเทคนิคมอนติคาร์โลด้วยโปรแกรม R โดยใช้เกณฑ์การเปรียบเทียบด้วยวิธีค่าเฉลี่ยร้อยละความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Percentage Error : (MAPE)) ผลการวิจัยสรุปได้ดังนี้ กรณีที่อัตตสหสัมพันธ์ระดับต่ำ ( เท่ากับ 0.2) เมื่อร้อยละการสูญหายเป็น 10 วิธี Previous Row Mean จะให้ค่า MAPE ต่ำที่สุด ยกเว้นที่ขนาดตัวอย่าง 90 และระยะเวลาในการเก็บข้อมูลซ้ำ 5 คาบเวลา วิธี Multiple Imputation จะให้ค่า MAPE ต่ำที่สุด แต่เมื่อร้อยละการสูญหายเพิ่มขึ้นเป็น 15 วิธี Multiple Imputation จะให้ค่า MAPE ต่ำที่สุด กรณีที่อัตตสหสัมพันธ์ระดับปานกลาง ( เท่ากับ 0.5) เมื่อขนาดตัวอย่าง 60 วิธี Last Observation Carried Forward จะให้ค่า MAPE ต่ำที่สุด แต่เมื่อขนาดตัวอย่างเป็น 90 วิธี Multiple Imputation จะให้ค่า MAPE ต่ำที่สุด ยกเว้น ที่ระยะเวลาในการเก็บข้อมูลซ้ำ 3 คาบเวลา ร้อยละการสูญหายเป็น 10 ที่ทุกขนาดตัวอย่าง วิธี Previous Row Mean จะให้ค่า MAPE ต่ำที่สุด และกรณีที่อัตตสหสัมพันธ์ระดับสูง ( เท่ากับ 0.9 ) วิธี Multiple Imputation จะให้ค่า MAPE ต่ำที่สุด ทุกขนาดตัวอย่าง ทุกร้อยละการสูญหาย และทุกระยะ เวลาที่ทำการเก็บข้อมูลซ้ำ
