Wie geht JMP mit fehlenden Werten bei der Modellierung von Strukturgleichungen um?Hi!
Ich verwende die Strukturgleichungsmodellierung, um einige Analysen durchzuführen. Ich habe 75 Proben und einige Variablen. Eine Variable hat 7 fehlende Werte. Die Strukturgleichungsmodellierung kann auch mit fehlenden Werten arbeiten. Kann mir jemand sagen, welche Technik JMP verwendet, um mit fehlenden Werten umzugehen, wenn Strukturgleichungsmodelle ausgeführt werden (z. B. paarweises Löschen, listenweises Löschen)? Vielen Dank.
AnalytikDatentabelleMac OSWindowsBetreff: Wie geht JMP mit fehlenden Werten bei der Modellierung von Strukturgleichungen um?Laura,
Vielen Dank für eure ausführlichen Antworten! Sie sind wirklich hilfreich. Ich schätze es sehr.
Beste,
Juncheng
Betreff: Wie geht JMP mit fehlenden Werten bei der Modellierung von Strukturgleichungen um?Hallo Juncheng,
Du bist nicht allein in der Verwirrung! Dies ist eine sehr häufige Frage, da die Bezeichnungen MCAR, MAR und MNAR nicht intuitiv sind. Basierend auf Ihrer Beschreibung klingt es so, als wären Ihre 7 Beobachtungen tatsächlich MCAR. Solange es an diesen 7 Seiten nichts Besonderes gibt, das sich auf Ihr Interessensziel bezieht, sollten Sie mit der MCAR-Annahme einverstanden sein.
Hier ist auch mein Versuch, die Unterschiede zwischen all diesen fehlenden Datenmechanismen zu verdeutlichen (dies ist zu stark vereinfacht, daher empfehle ich definitiv mehr Lektüre, um vollständige Klarheit zu erhalten):
MCAR : Fehlende Daten sind eine zufällige Teilmenge dessen, was Sie beobachtet hätten, wenn Null fehlt.
BESCHÄDIGEN : Fehlende Daten sind nicht zufällig (völlig kontraintuitiv angesichts des "MAR"-Labels - dies führt zu viel Verwirrung!). Es besteht ein systematischer Zusammenhang zwischen den fehlenden Beobachtungen und den von Ihnen gemessenen Faktoren.
MNAR : Fehlende Daten beziehen sich systematisch auf Faktoren, die Sie nicht gemessen haben (und die Sie möglicherweise nicht einmal kennen).
Ich habe eine Illustration gemacht, die versucht, diese Unterschiede zu zeigen:
Der erste Datensatz zeigt Ihnen die Antworten auf drei hypothetische Fragen aus einer Umfrage. Das Bild zeigt, wie Ihre Daten aussehen würden, wenn Sie keine fehlenden Werte hätten. Rechts zeigen die Daten ein Muster fehlender Werte (in Orange) im Ergebnis (Y), die völlig zufällig fehlen. Als nächstes sehen Sie den MAR-Mechanismus; Das heißt, die fehlenden Werte hängen tendenziell mit den Variablen Alter und Geschlecht zusammen, sodass die meisten jüngeren Männer keine Antwort auf das Ergebnis geben konnten. Schließlich können Sie das MCAR-Muster sehen, bei dem die fehlenden Werte nicht mit Alter oder Geschlecht zusammenhängen (sie sind auf jüngere/ältere Männer/Frauen verteilt) – aber nehmen wir an, wir haben es versäumt, Daten zum Einkommen zu sammeln, und wenn wir es tun Wenn wir diese nicht gemessenen Daten beobachtet hätten, würden wir eine Beziehung zwischen den fehlenden Werten und der nicht beobachteten Variablen sehen (beachten Sie, dass die Leute mit niedrigem Einkommen nicht geantwortet haben).
Craig Enders hat ein ausgezeichnetes Buch mit dem Titel „Applied Missing Data Analysis“, also empfehle ich Ihnen, es sich anzusehen, wenn Sie mehr über diese Probleme erfahren möchten.
Am besten,
~ Laura
Betreff: Wie geht JMP mit fehlenden Werten bei der Modellierung von Strukturgleichungen um?Hallo Laura,
Vielen Dank für Ihre Antwort. Ich habe eine Frage zur Feststellung, ob es sich bei den Daten um MAR, MCAR oder MNAR handelt. Ich habe versucht, ihre Definitionen zu verstehen, bin aber immer noch verwirrt und weiß nicht, zu welcher Kategorie meine Daten gehören. Könntest du mir bitte die Antwort geben?
Ich habe 75 Proben (75 Probenahmestellen). Die Variable mit 7 fehlenden Werten ist eine Streamflow-Metrik. Diese Metrik wird anhand kontinuierlicher Streamflow-Daten berechnet, die von einem bestimmten Gerät erfasst wurden. Der Grund für die 7 fehlenden Werte liegt darin, dass dieser Gerätetyp an den 7 Probenahmestellen versagt oder weggespült wurde (das Versagen oder Wegspülen war zufällig). Daher konnten wir die Daten nicht erheben. Ich frage mich, ob die Daten MAR oder MCAR sind, bin mir aber nicht sicher, welche richtig sind. Vielen Dank.
Juncheng
Betreff: Wie geht JMP mit fehlenden Werten bei der Modellierung von Strukturgleichungen um?Hallo @lujc07 ,
Wenn fehlende Daten vorhanden sind, verwendet die SEM-Plattform alle verfügbaren Daten, um eine Maximum-Likelihood-Schätzung zu erhalten. Dieses Verfahren ist in der Literatur als Full Information Maximum Likelihood (FIML) bekannt und hat sich als sehr gut erwiesen. Einen aktuellen Vergleich zwischen FIML und Multiple Imputation (MI) finden Sie in diesem Artikel ( https://psycnet.apa.org/record/2021-12018-001 ), wo die Autoren bestätigen, dass ihre Studie " bestätigte bekannte Erkenntnisse, dass die beiden Schätzer [FIML und MI] dazu neigen, im Wesentlichen gleichwertige Ergebnisse zu liefern.
FIML ist eine hochmoderne Methode zum Umgang mit fehlenden Daten, die Ihnen unvoreingenommene Schätzungen liefert, aber genau wie MI erfordert es die Annahme, dass Ihre Daten zufällig fehlen (in der Literatur als "MAR" bekannt ... aber wenn sie re fehlt "völlig zufällig" alias MCAR, das ist sogar noch besser!). Die MAR-Annahme bedeutet, dass Ihre fehlenden Daten systematische Unterschiede zu Ihren beobachteten Daten aufweisen können, solange diese Unterschiede nur von anderen beobachteten Variablen abhängen, die in Ihrem Modell berücksichtigt werden. Im Gegensatz dazu bedeutet die MCAR-Annahme, dass die fehlenden Daten einfach eine zufällige Teilmenge dessen sind, was die vollständigen Daten gewesen wären.
Wenn listenweises oder paarweises Löschen verwendet wird, gehen Analysten davon aus, dass ihre Daten MCAR sind. Wenn die Daten jedoch MAR sind, sind die resultierenden Schätzungen schlechter. Das paarweise Löschen hat auch andere potenzielle Probleme.
Zusammenfassend sind FIML und MI zwei hochmoderne Methoden für fehlende Daten, aber FIML ist viel einfacher zu implementieren und genau das wird in unserer SEM-Plattform verwendet.
HTH,
~ Laura
