运行结构方程建模时，JMP 如何处理缺失值？你好！
我正在使用结构方程建模进行一些分析。 我有 75 个样本和一些变量。 一个变量有 7 个缺失值。 结构方程建模仍然可以处理缺失值。 谁能告诉我在运行结构方程建模（例如，成对删除、逐列表删除）时，JMP 使用什么技术来处理缺失值？ 谢谢。
分析数据表苹果系统视窗回复：运行结构方程建模时，JMP 如何处理缺失值？劳拉，
非常感谢您的详细解答！ 他们真的很有帮助。 对此，我真的非常感激。
最好的，
俊城
回复：运行结构方程建模时，JMP 如何处理缺失值？你好俊成，
陷入困境的不止你一个人！ 这是一个非常常见的问题，因为标签 MCAR、MAR 和 MNAR 并不直观。 根据您的描述，听起来您的 7 个观察结果确实是 MCAR。 只要这 7 个站点没有任何与您感兴趣的结果相关的特殊之处，那么您应该可以接受 MCAR 假设。
此外，这是我试图澄清所有这些缺失数据机制之间的差异（这过于简单，所以我绝对建议您阅读更多内容以完全清楚）：
MCAR ：缺失数据是零缺失时观察到的随机子集。
三月：丢失的数据不是随机的（考虑到“MAR”标签，这完全违反直觉——这会导致很多混乱！）。 缺失的观察结果与您测量的因素之间存在系统关系。
MNAR ：丢失的数据与您未测量的因素系统相关（您甚至可能不知道）。
我做了一个插图，试图展示这些差异：
第一个数据集显示了对调查中三个假设问题的回答。 该图像显示了如果您没有任何缺失值，您的数据会是什么样子。 在右侧，数据显示了结果 (Y) 中完全随机缺失的缺失值（橙色）模式。 接下来，您可以看到MAR机制；也就是说，缺失值往往与年龄和性别变量相关，因此大多数年轻男性未能对结果提供答案。 最后，您可以看到 MCAR 模式，其中缺失值与年龄或性别无关（它们分布在年轻/年长的男性/女性中）——但是，假设我们未能收集有关收入的数据，如果我们观察了那些未测量的数据，我们会看到缺失的值与未观察到的变量之间的关系（请注意，没有回应的是低收入人群）。
Craig Enders 有一本很棒的书，名为“Applied Missing Data Analysis”，所以如果您想了解有关这些问题的更多信息，我鼓励您查看它。
最好的，
~劳拉
回复：运行结构方程建模时，JMP 如何处理缺失值？嗨劳拉，
非常感谢您的回答。 我有一个关于确定数据是 MAR、MCAR 还是 MNAR 的问题。 我试图理解他们的定义，但仍然感到困惑，不知道我的数据属于哪个类别。 你能给我答案吗？
我有 75 个样本（75 个采样点）。 具有 7 个缺失值的变量是流量度量。 该指标是使用特定设备收集的连续流量数据计算得出的。 有 7 个缺失值的原因是该类型的设备在 7 个采样点发生故障或被冲走（故障或冲走是随机的）。 所以我们无法收集数据。 我想知道数据是 MAR 还是 MCAR，但不确定哪个是正确的。 谢谢。
俊城
回复：运行结构方程建模时，JMP 如何处理缺失值？你好@lujc07 ,
当存在缺失数据时，SEM 平台使用所有可用数据来获得最大似然估计。 这种方法在文献中被称为全信息最大似然 (FIML)，并且已被证明表现得非常好。 您可以在本文 ( https://psycnet.apa.org/record/2021-12018-001 ），作者确认他们的研究“证实了众所周知的知识，即两个估计量 [FIML 和 MI] 往往会产生基本相同的结果。”
FIML 是一种处理缺失数据的尖端方法，可以为您提供无偏估计，但就像 MI 一样，它需要假设您的数据是随机缺失的（在文献中称为“MAR”......但如果他们'重新缺少“完全随机”又名 MCAR，那就更好了！）。 MAR 假设意味着您的缺失数据可能与您的观察数据存在系统差异，只要这些差异仅取决于您的模型中考虑的其他观察变量。 相反，MCAR 假设意味着丢失的数据只是完整数据的随机子集。
当使用逐列或成对删除时，分析师假设他们的数据是 MCAR。 但是，如果数据是 MAR，则结果估计值将较差。 成对删除还有其他潜在问题。
总而言之，FIML 和 MI 是缺失数据的两种前沿方法，但 FIML 更容易实现，这就是我们的 SEM 平台中使用的方法。
高温下，
~劳拉
