In che modo JMP gestisce i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali?Ciao!
Sto usando la modellazione di equazioni strutturali per fare alcune analisi. Ho 75 campioni e alcune variabili. Una variabile ha 7 valori mancanti. La modellazione dell'equazione strutturale può ancora funzionare con i valori mancanti. Qualcuno potrebbe dirmi quale tecnica utilizza JMP per gestire i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali (ad es. Eliminazione a coppie, Eliminazione a lista)? Grazie.
AnaliticaTabella datiMac OSfinestreRi: In che modo JMP gestisce i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali?Laura,
Grazie mille per le tue risposte dettagliate! Sono davvero utili. Lo apprezzo molto.
migliore,
Juncheng
Ri: In che modo JMP gestisce i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali?Ciao Juncheng,
Non sei solo nella confusione! Questa è una domanda molto comune perché le etichette MCAR, MAR e MNAR non sono intuitive. Sulla base della tua descrizione, sembra che le tue 7 osservazioni siano effettivamente MCAR. Finché non c'è nulla di particolare in questi 7 siti che si riferisca al tuo risultato di interesse, allora dovresti essere d'accordo con l'ipotesi MCAR.
Inoltre, ecco il mio tentativo di chiarire le differenze tra tutti questi meccanismi di dati mancanti (questo è eccessivamente semplificato, quindi consiglio vivamente di leggere più per ottenere la massima chiarezza):
MCAR : i dati mancanti sono un sottoinsieme casuale di ciò che avresti osservato se avessi perso zero.
MAR : I dati mancanti non sono casuali (totalmente controintuitivo data l'etichetta "MAR" - questo crea molta confusione!). C'è una relazione sistematica tra le osservazioni mancanti ei fattori che hai misurato.
MNAR : I dati mancanti sono sistematicamente correlati a fattori che non hai misurato (e che potresti anche non conoscere).
Ho fatto un'illustrazione che tenta di mostrare queste differenze:
Il primo set di dati mostra le risposte a tre ipotetiche domande di un sondaggio. L'immagine mostra come sarebbero i tuoi dati se non avessi valori mancanti. A destra, i dati mostrano uno schema di valori mancanti (in arancione) nel risultato (Y) che mancano completamente in modo casuale. Successivamente, puoi vedere il meccanismo MAR; cioè, i valori mancanti tendono ad essere correlati alle variabili Età e Sesso in modo tale che per lo più i maschi più giovani non sono riusciti a fornire una risposta al risultato. Infine, puoi vedere il modello MCAR, in cui i valori mancanti non sono correlati all'età né al sesso (sono distribuiti tra maschi/femmine più giovani/più grandi) - tuttavia, diciamo che non siamo riusciti a raccogliere dati sul reddito e se se avessi osservato quei dati non misurati, vedremmo una relazione tra i valori mancanti e la variabile non osservata (notare che sono le persone a basso reddito che non hanno risposto).
Craig Enders ha un eccellente libro intitolato "Applied Missing Data Analysis", quindi ti incoraggio a dargli un'occhiata se vuoi saperne di più su questi problemi.
Migliore,
~Laura
Ri: In che modo JMP gestisce i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali?Ciao Laura,
Grazie mille per la tua risposta. Ho una domanda su come determinare se i dati sono MAR, MCAR o MNAR. Ho cercato di capire le loro definizioni ma sono ancora confuso e non so a quale categoria appartengano i miei dati. Potresti per favore darmi la risposta?
Ho 75 campioni (75 siti di campionamento). La variabile con 7 valori mancanti è una metrica del flusso di flusso. Questa metrica viene calcolata utilizzando i dati del flusso di flusso continuo raccolti da un dispositivo specifico. Il motivo per cui ci sono 7 valori mancanti è che questo tipo di dispositivo non è riuscito o è stato spazzato via nei 7 siti di campionamento (il guasto o il lavaggio è stato casuale). Quindi non siamo stati in grado di raccogliere i dati. Mi chiedo che i dati siano MAR o MCAR ma non sono sicuro di quale sia giusto. Grazie.
Juncheng
Ri: In che modo JMP gestisce i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali?Ciao @lujc07 ,
Quando sono presenti dati mancanti, la piattaforma SEM utilizza tutti i dati disponibili per ottenere una stima di massima verosimiglianza. Questo metodo è noto in letteratura come massima verosimiglianza dell'informazione completa (FIML) e ha dimostrato di funzionare molto bene. Puoi vedere un confronto recente tra FIML e Multiple Imputation (MI) in questo articolo ( https://psycnet.apa.org/record/2021-12018-001 ), dove gli autori affermano che il loro studio " ha confermato la ben nota conoscenza che i due stimatori [FIML e MI] tendono a produrre risultati sostanzialmente equivalenti."
FIML è un metodo all'avanguardia per la gestione dei dati mancanti che ti darà stime imparziali ma, proprio come MI, richiede l'assunzione che i tuoi dati manchino a caso (noto come "MAR" in letteratura... ma se ' manca "completamente a caso" alias MCAR, è ancora meglio!). L'assunzione MAR significa che i dati mancanti possono presentare differenze sistematiche rispetto ai dati osservati, a condizione che tali differenze dipendano solo da altre variabili osservate che sono contabilizzate nel modello. Al contrario, l'ipotesi MCAR significa che i dati mancanti sono semplicemente un sottoinsieme casuale di quelli che sarebbero stati i dati completi.
Quando viene utilizzata l'eliminazione listwise o pairwise, gli analisti presuppongono che i loro dati siano MCAR. Tuttavia, se i dati sono MAR, le stime risultanti saranno inferiori. L'eliminazione a coppie ha anche altri potenziali problemi.
In sintesi, FIML e MI sono due metodi all'avanguardia per i dati mancanti, ma FIML è molto più facile da implementare ed è ciò che viene utilizzato nella nostra piattaforma SEM.
HTH,
~Laura
