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. Cancellazione a coppie, cancellazione a liste)? Grazie.
Modellazione statistica avanzataConsumatori e ricerche di mercatoMac OSfinestreRi: In che modo JMP gestisce i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali?Laura,
Grazie mille per le 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 riferisce 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 troppo semplificato, quindi consiglio vivamente di leggere di più per ottenere piena 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 porta a gran parte della confusione!). C'è una relazione sistematica tra le osservazioni mancanti e i 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 alcun valore mancante. 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 la maggior parte dei maschi più giovani non è riuscita a fornire una risposta al risultato. Infine, puoi vedere il modello MCAR, in cui i valori mancanti non sono correlati all'età o al sesso (sono distribuiti tra maschi/femmine più giovani/più anziani)--tuttavia, supponiamo che non siamo riusciti a raccogliere dati sul reddito e se avessimo osservato quei dati non misurati, vedremmo una relazione tra i valori mancanti e la variabile non osservata (si noti 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 dare 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 provato a 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 dati di flusso continuo raccolti da un dispositivo specifico. Il motivo per cui ci sono 7 valori mancanti è che questo tipo di dispositivo si è guastato o è stato cancellato nei 7 siti di campionamento (il fallimento 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 quello giusto. Grazie.
Juncheng
Ri: In che modo JMP gestisce i valori mancanti durante l'esecuzione della modellazione di equazioni strutturali?Ciao @lujc07 ,
In presenza di 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 di informazioni complete (FIML) e ha dimostrato di funzionare molto bene. Puoi vedere un recente confronto 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 essenzialmente equivalenti."
FIML è un metodo all'avanguardia per la gestione dei dati mancanti che ti fornirà stime imparziali ma, proprio come MI, richiede il presupposto che i tuoi dati manchino a caso (noto come "MAR" in letteratura... ma se sono ti manca "completamente a caso" ovvero MCAR, è ancora meglio!). L'ipotesi MAR significa che i dati mancanti possono presentare differenze sistematiche rispetto ai dati osservati, purché 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 presumono che i loro dati siano MCAR. Tuttavia, se i dati sono MAR, le stime risultanti saranno inferiori. L'eliminazione a coppie presenta 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 quello che viene utilizzato nella nostra piattaforma SEM.
HTH,
~ Laura
