構造方程式モデリングを実行するとき、JMPは欠損値をどのように処理しますか?やあ！
構造方程式モデリングを使用して分析を行っています。 75 個のサンプルといくつかの変数があります。 1 つの変数に 7 つの欠損値があります。 構造方程式モデリングは、欠損値を使用しても機能します。 構造方程式モデリングを実行する際に、JMP が欠損値を処理するためにどのような手法を使用するか教えていただけますか (ペアごとの削除、リストごとの削除など)。 ありがとう。
分析データ表マックOSウィンドウズRe: 構造方程式モデリングを実行するとき、JMP は欠損値をどのように処理しますか?ローラ、
詳細な回答をありがとうございました！ 彼らは本当に役に立ちます。 ほんとうにありがとう。
一番、
淳城
Re: 構造方程式モデリングを実行するとき、JMP は欠損値をどのように処理しますか?Juncheng さん、こんにちは。
混乱しているのはあなただけではありません！ MCAR、MAR、および MNAR というラベルは直感的ではないため、これはよくある質問です。 あなたの説明に基づくと、あなたの 7 つの観測は確かに MCAR のようです。 これらの 7 つのサイトに、関心のある結果に関連する特異な点がない限り、MCAR の仮定に問題はありません。
また、これらすべての欠落データメカニズムの違いを明確にするための私の試みは次のとおりです（これは単純化しすぎているため、完全に明確にするためにもっと読むことをお勧めします）：
MCAR : 欠落データは、欠落がゼロの場合に観測されたデータのランダムなサブセットです。
3月: 欠落データはランダムではありません (「MAR」というラベルを考えると、完全に直観に反します。これは多くの混乱につながります!)。 観測値の欠落と測定した要因との間には、体系的な関係があります。
MNAR : 欠落データは、測定していない (さらには知らないかもしれない) 要因に体系的に関連しています。
これらの違いを示すための図を作成しました。
最初のデータ セットは、調査からの 3 つの架空の質問に対する回答を示しています。 この画像は、欠損値がない場合にデータがどのようになるかを示しています。 右側のデータは、完全に無作為に欠損している結果 (Y) の欠損値 (オレンジ色) のパターンを示しています。 次に、MAR メカニズムを見ることができます。つまり、欠損値は年齢変数と性別変数に関連している傾向があり、ほとんどの若い男性は結果に答えられませんでした。 最後に、MCAR パターンを見ることができます。欠損値は年齢にも性別にも関連していません (若い/年上の男性/女性に広がっています)。しかし、収入に関するデータを収集できなかったとしましょう。これらの測定されていないデータを観察していた場合、欠落している値と観察されていない変数との間に関係があることがわかります (応答しなかったのは低所得者であることに注意してください)。
Craig Enders は「Applied Missing Data Analysis」という優れた本を出版しています。これらの問題について詳しく知りたい場合は、ぜひ読んでみてください。
一番、
〜ローラ
Re: 構造方程式モデリングを実行するとき、JMP は欠損値をどのように処理しますか?こんにちはローラ、
ご回答ありがとうございます。 データが MAR、MCAR、MNAR のいずれであるかの判断について質問があります。 それらの定義を理解しようとしましたが、まだ混乱しており、データがどのカテゴリに属しているかわかりません。 答えを教えてください。
75 のサンプル (75 のサンプリング サイト) があります。 7 つの欠損値を持つ変数は、ストリームフロー メトリックです。 このメトリックは、特定のデバイスによって収集された連続ストリームフロー データを使用して計算されます。 欠損値が 7 つある理由は、このタイプのデバイスが 7 つのサンプリング サイトで失敗または流失したためです (失敗または流失はランダムでした)。 そのため、データを収集できませんでした。 データが MAR なのか MCAR なのか疑問に思っていますが、どちらが正しいかわかりません。 ありがとう。
淳城
Re: 構造方程式モデリングを実行するとき、JMP は欠損値をどのように処理しますか?こんにちは@lujc07 、
欠損データが存在する場合、SEM プラットフォームは利用可能なすべてのデータを使用して最尤推定値を取得します。 この方法は文献では完全情報最尤法 (FIML) として知られており、非常にうまく機能することが示されています。 この記事 ( https://psycnet.apa.org/record/2021-12018-001 ）、著者は彼らの研究を断言します」 2 つの推定量 [FIML と MI] が本質的に同等の結果をもたらす傾向があるという周知の知識を確認しました。」
FIML は、偏りのない推定値を提供する欠落データを処理するための最先端の方法ですが、MI と同様に、データがランダムに欠落しているという仮定が必要です (文献では「MAR」として知られています... しかし、 「完全にランダムに」別名 MCAR が欠落している場合、それはさらに良いことです!)。 MAR 仮定は、モデルで説明されている他の観測変数のみに依存している限り、欠損データが観測データと系統的に異なる可能性があることを意味します。 対照的に、MCAR の仮定は、欠落しているデータが完全なデータのランダムなサブセットであることを意味します。
リスト単位またはペア単位の削除が使用される場合、アナリストはデータが MCAR であると想定しています。 ただし、データが 3 月の場合、結果の推定値は劣ります。 ペアごとの削除には、他の潜在的な問題もあります。
まとめると、FIML と MI は欠損データに対する最先端の 2 つの方法ですが、FIML は実装がはるかに簡単であり、それが当社の SEM プラットフォームで使用されているものです。
HTH、
〜ローラ
