¿Cómo trata JMP los valores faltantes al ejecutar el modelo de ecuaciones estructurales?¡Hola!
Estoy usando modelos de ecuaciones estructurales para hacer algunos análisis. Tengo 75 muestras y algunas variables. Una variable tiene 7 valores faltantes. El modelado de ecuaciones estructurales aún puede funcionar con valores faltantes. ¿Alguien podría decirme qué técnica usa JMP para lidiar con los valores faltantes cuando se ejecuta el modelo de ecuación estructural (por ejemplo, eliminación por pares, eliminación por lista)? Gracias.
Modelado Estadístico AvanzadoInvestigación del Consumidor y del MercadoMac OSventanasRe: ¿Cómo trata JMP los valores faltantes al ejecutar el modelo de ecuaciones estructurales?Laura,
¡Muchas gracias por sus respuestas detalladas! Son realmente útiles. Realmente lo aprecio.
mejor,
Juncheng
Re: ¿Cómo trata JMP los valores faltantes al ejecutar el modelo de ecuaciones estructurales?Hola Juncheng,
¡No estás solo en la confusión! Esta es una pregunta muy común porque las etiquetas MCAR, MAR y MNAR no son intuitivas. Según su descripción, parece que sus 7 observaciones son de hecho MCAR. Siempre que no haya nada peculiar en estos 7 sitios que se relacione con su resultado de interés, entonces debería estar de acuerdo con la suposición de MCAR.
Además, aquí está mi intento de aclarar las diferencias entre todos estos mecanismos de datos faltantes (esto está demasiado simplificado, por lo que definitivamente recomiendo leer más para obtener una mayor claridad):
MCAR : Los datos que faltan son un subconjunto aleatorio de lo que habría observado si no tuviera cero.
MAR : Los datos que faltan no son aleatorios (totalmente contrario a la intuición dada la etiqueta "MAR", ¡esto genera gran parte de la confusión!). Hay una relación sistemática entre las observaciones que faltan y los factores que mediste.
MNAR : Los datos que faltan se relacionan sistemáticamente con factores que usted no midió (y que tal vez ni siquiera conozca).
Hice una ilustración que intenta mostrar estas diferencias:
El primer conjunto de datos le muestra las respuestas a tres preguntas hipotéticas de una encuesta. La imagen muestra cómo se verían sus datos si no tuviera ningún valor faltante. A la derecha, los datos muestran un patrón de valores faltantes (en naranja) en el resultado (Y) que faltan completamente al azar. A continuación, puede ver el mecanismo MAR; es decir, los valores que faltan tienden a estar relacionados con las variables Edad y Sexo, de modo que la mayoría de los hombres más jóvenes no dieron una respuesta al resultado. Por último, puede ver el patrón MCAR, donde los valores que faltan no están relacionados con la edad ni el sexo (están repartidos entre hombres y mujeres más jóvenes/mayores); sin embargo, supongamos que no recopilamos datos sobre los ingresos y si Si hubiera observado esos datos no medidos, veríamos una relación entre los valores que faltan y la variable no observada (observe que son las personas de bajos ingresos las que no respondieron).
Craig Enders tiene un excelente libro titulado "Análisis de datos faltantes aplicados", por lo que le recomiendo que lo consulte si desea obtener más información sobre estos temas.
Mejor,
~Laura
Re: ¿Cómo trata JMP los valores faltantes al ejecutar el modelo de ecuaciones estructurales?Hola, Laura,
Muchas gracias por tu respuesta. Tengo una pregunta sobre cómo determinar si los datos son MAR, MCAR o MNAR. Traté de entender sus definiciones, pero todavía estoy confundido y no sé a qué categoría pertenecen mis datos. ¿Podría por favor darme la respuesta?
Tengo 75 muestras (75 sitios de muestreo). La variable con 7 valores faltantes es una métrica de caudal. Esta métrica se calcula utilizando datos de flujo continuo que fueron recopilados por un dispositivo específico. La razón por la que faltan 7 valores es que este tipo de dispositivo falló o se lavó en los 7 sitios de muestreo (la falla o el lavado fue aleatorio). Por lo tanto, no pudimos recopilar los datos. Me pregunto si los datos son MAR o MCAR, pero no estoy seguro de cuál es el correcto. Gracias.
Juncheng
Re: ¿Cómo trata JMP los valores faltantes al ejecutar el modelo de ecuaciones estructurales?Hola @lujc07 ,
Cuando hay datos faltantes, la plataforma SEM utiliza todos los datos disponibles para obtener una estimación de máxima verosimilitud. Este método se conoce en la literatura como máxima verosimilitud de información completa (FIML) y se ha demostrado que funciona muy bien. Puede ver una comparación reciente entre FIML y la imputación múltiple (MI) en este artículo ( https://psycnet.apa.org/record/2021-12018-001 ), donde los autores afirman que su estudio " confirmó el conocimiento bien conocido de que los dos estimadores [FIML y MI] tienden a producir resultados esencialmente equivalentes".
FIML es un método de vanguardia para manejar datos faltantes que le dará estimaciones imparciales pero, al igual que MI, requiere la suposición de que sus datos faltan al azar (conocido como "MAR" en la literatura... pero si no falta "completamente al azar", también conocido como MCAR, ¡eso es aún mejor!). La suposición MAR significa que sus datos faltantes pueden tener diferencias sistemáticas de sus datos observados, siempre que esas diferencias dependan solo de otras variables observadas que se tengan en cuenta en su modelo. Por el contrario, la suposición MCAR significa que los datos que faltan son simplemente un subconjunto aleatorio de lo que habrían sido los datos completos.
Cuando se usa la eliminación por lista o por pares, los analistas asumen que sus datos son MCAR. Sin embargo, si los datos son MAR, las estimaciones resultantes serán inferiores. La eliminación por pares también tiene otros problemas potenciales.
En resumen, FIML y MI son dos métodos de vanguardia para los datos faltantes, pero FIML es mucho más fácil de implementar y eso es lo que se usa en nuestra plataforma SEM.
HH,
~Laura
