JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕!
일부 분석을 수행하기 위해 구조 방정식 모델링을 사용하고 있습니다. 75개의 샘플과 일부 변수가 있습니다. 하나의 변수에 7개의 결측값이 있습니다. 구조 방정식 모델링은 여전히 결측값으로 작동할 수 있습니다. JMP가 구조 방정식 모델링(예: 쌍별 삭제, 목록별 삭제)을 실행할 때 누락된 값을 처리하기 위해 어떤 기술을 사용하는지 알려주실 수 있나요? 감사.
해석학데이터 테이블맥 OS창Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?로라,
자세한 답변 정말 감사합니다! 정말 도움이 됩니다. 정말 감사.
베스트,
준청
Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕하세요 Juncheng님
당신은 혼란에 혼자가 아닙니다! MCAR, MAR 및 MNAR 레이블이 직관적이지 않기 때문에 이것은 매우 일반적인 질문입니다. 귀하의 설명에 따르면 귀하의 7가지 관찰이 실제로 MCAR인 것처럼 들립니다. 관심 결과와 관련된 이 7개 사이트에 대해 특별한 것이 없다면 MCAR 가정에 문제가 없습니다.
또한 다음은 누락된 모든 데이터 메커니즘 간의 차이점을 명확히 하려는 시도입니다(이는 지나치게 단순화되었으므로 완전히 명확하게 이해하려면 더 많이 읽는 것이 좋습니다).
MCAR : 결측 데이터는 결측값이 0이면 관찰했을 것의 무작위 하위 집합입니다.
망치다 : 누락된 데이터는 무작위가 아닙니다("MAR" 레이블이 주어지면 완전히 반직관적입니다. 이는 많은 혼란을 야기합니다!). 누락된 관찰과 측정한 요인 사이에는 체계적인 관계가 있습니다.
MNAR : 누락된 데이터는 측정하지 않은(그리고 알지도 못하는) 요인과 체계적으로 관련됩니다.
나는 이러한 차이점을 보여주려는 그림을 만들었습니다.
첫 번째 데이터 세트는 설문조사의 세 가지 가상 질문에 대한 응답을 보여줍니다. 이미지는 누락된 값이 없는 경우 데이터가 어떻게 표시되는지 보여줍니다. 오른쪽에서 데이터는 무작위로 완전히 누락된 결과(Y)의 누락된 값(주황색) 패턴을 보여줍니다. 다음으로 MAR 메커니즘을 볼 수 있습니다. 즉, 결측값은 연령 및 성별 변수와 관련된 경향이 있어 대부분 젊은 남성이 결과에 대한 답변을 제공하지 못했습니다. 마지막으로 누락된 값이 연령이나 성별과 관련이 없는 MCAR 패턴을 볼 수 있습니다. 측정되지 않은 데이터를 관찰했다면 누락된 값과 관찰되지 않은 변수 사이의 관계를 볼 수 있습니다(응답하지 않은 것은 저소득층이라는 점에 유의하십시오).
Craig Enders는 "Applied Missing Data Analysis"라는 훌륭한 책을 가지고 있으므로 이러한 문제에 대해 더 알고 싶다면 이 책을 읽어보는 것이 좋습니다.
최고,
~로라
Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕 로라
답변해주셔서 감사합니다. 데이터가 MAR, MCAR 또는 MNAR인지 확인하는 방법에 대해 질문이 있습니다. 나는 그들의 정의를 이해하려고 노력했지만 여전히 혼란스럽고 내 데이터가 어떤 범주에 속하는지 모릅니다. 답을 알려주시겠습니까?
나는 75개의 샘플(75개의 샘플링 사이트)을 가지고 있습니다. 7개의 결측값이 있는 변수는 흐름 흐름 측정항목입니다. 이 메트릭은 특정 장치에서 수집한 지속적인 흐름 흐름 데이터를 사용하여 계산됩니다. 7개의 결측값이 있는 이유는 이러한 유형의 장치가 7개의 샘플링 사이트에서 실패하거나 유실되었기 때문입니다(실패 또는 유실은 무작위임). 그래서 데이터를 수집할 수 없었습니다. 데이터가 MAR 또는 MCAR인지 궁금하지만 어느 것이 맞는지 잘 모르겠습니다. 감사.
준청
Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕하십니까 @lujc07 ,
누락된 데이터가 있는 경우 SEM 플랫폼은 사용 가능한 모든 데이터를 사용하여 최대 가능성 추정치를 얻습니다. 이 방법은 문헌에서 전체 정보 최대 가능성(FIML)으로 알려져 있으며 매우 잘 수행되는 것으로 나타났습니다. 이 기사( https://psycnet.apa.org/record/2021-12018-001 ), 저자가 자신의 연구를 확인하는 경우 " 두 추정기[FIML 및 MI]가 본질적으로 동일한 결과를 산출하는 경향이 있다는 잘 알려진 지식을 확인했습니다."
FIML은 편향되지 않은 추정치를 제공하는 누락된 데이터를 처리하는 최첨단 방법이지만 MI와 마찬가지로 데이터가 무작위로 누락되었다는 가정이 필요합니다(문헌에서 "MAR"로 알려져 있지만... MCAR이라고도 하는 "완전히 무작위로"가 누락되어 더 좋습니다.). MAR 가정은 누락된 데이터가 모델에서 설명되는 다른 관찰된 변수에만 의존하는 한 관찰된 데이터와 체계적인 차이가 있을 수 있음을 의미합니다. 이와 대조적으로 MCAR 가정은 누락된 데이터가 전체 데이터의 무작위 하위 집합임을 의미합니다.
목록별 또는 쌍별 삭제를 사용하는 경우 분석가는 데이터가 MCAR이라고 가정합니다. 그러나 데이터가 MAR인 경우 결과 추정치는 열등합니다. 쌍별 삭제에는 다른 잠재적인 문제도 있습니다.
요약하자면, FIML과 MI는 누락된 데이터에 대한 두 가지 최첨단 방법이지만 FIML은 구현하기가 훨씬 쉽고 이것이 SEM 플랫폼에서 사용되는 것입니다.
HTH,
~로라
