運行結構方程建模時，JMP 如何處理缺失值？你好！
我正在使用結構方程建模進行一些分析。 我有 75 個樣本和一些變量。 一個變量有 7 個缺失值。 結構方程建模仍然可以處理缺失值。 誰能告訴我在運行結構方程建模（例如，成對刪除、逐列表刪除）時，JMP 使用什麼技術來處理缺失值？ 謝謝。
分析數據表蘋果系統視窗回复：運行結構方程建模時，JMP 如何處理缺失值？勞拉，
非常感謝您的詳細解答！ 他們真的很有幫助。 對此，我真的非常感激。
最好的，
俊城
回复：運行結構方程建模時，JMP 如何處理缺失值？你好俊成，
陷入困境的不止你一個人！ 這是一個非常常見的問題，因為標籤 MCAR、MAR 和 MNAR 並不直觀。 根據您的描述，聽起來您的 7 個觀察結果確實是 MCAR。 只要這 7 個站點沒有任何與您感興趣的結果相關的特殊之處，那麼您應該可以接受 MCAR 假設。
此外，這是我試圖澄清所有這些缺失數據機制之間的差異（這過於簡單，所以我絕對建議您閱讀更多內容以完全清楚）：
MCAR ：缺失數據是零缺失時觀察到的隨機子集。
三月：丟失的數據不是隨機的（考慮到“MAR”標籤，這完全違反直覺——這會導致很多混亂！）。 缺失的觀察結果與您測量的因素之間存在系統關係。
MNAR ：丟失的數據與您未測量的因素系統相關（您甚至可能不知道）。
我做了一個插圖，試圖展示這些差異：
第一個數據集顯示了對調查中三個假設問題的回答。 該圖像顯示瞭如果您沒有任何缺失值，您的數據會是什麼樣子。 在右側，數據顯示了結果 (Y) 中完全隨機缺失的缺失值（橙色）模式。 接下來，您可以看到MAR機制；也就是說，缺失值往往與年齡和性別變量相關，因此大多數年輕男性未能對結果提供答案。 最後，您可以看到 MCAR 模式，其中缺失值與年齡或性別無關（它們分佈在年輕/年長的男性/女性中）——但是，假設我們未能收集有關收入的數據，如果我們觀察了那些未測量的數據，我們會看到缺失的值與未觀察到的變量之間的關係（請注意，沒有回應的是低收入人群）。
Craig Enders 有一本很棒的書，名為“Applied Missing Data Analysis”，所以如果您想了解有關這些問題的更多信息，我鼓勵您查看它。
最好的，
~勞拉
回复：運行結構方程建模時，JMP 如何處理缺失值？嗨勞拉，
非常感謝您的回答。 我有一個關於確定數據是 MAR、MCAR 還是 MNAR 的問題。 我試圖理解他們的定義，但仍然感到困惑，不知道我的數據屬於哪個類別。 你能給我答案嗎？
我有 75 個樣本（75 個採樣點）。 具有 7 個缺失值的變量是流量度量。 該指標是使用特定設備收集的連續流量數據計算得出的。 有 7 個缺失值的原因是該類型的設備在 7 個採樣點發生故障或被沖走（故障或沖走是隨機的）。 所以我們無法收集數據。 我想知道數據是 MAR 還是 MCAR，但不確定哪個是正確的。 謝謝。
俊城
回复：運行結構方程建模時，JMP 如何處理缺失值？你好@lujc07 ,
當存在缺失數據時，SEM 平台使用所有可用數據來獲得最大似然估計。 這種方法在文獻中被稱為全信息最大似然 (FIML)，並且已被證明表現得非常好。 您可以在本文 ( https://psycnet.apa.org/record/2021-12018-001 ），作者確認他們的研究“證實了眾所周知的知識，即兩個估計量 [FIML 和 MI] 往往會產生基本相同的結果。”
FIML 是一種處理缺失數據的尖端方法，可以為您提供無偏估計，但就像 MI 一樣，它需要假設您的數據是隨機缺失的（在文獻中稱為“MAR”......但如果他們'重新缺少“完全隨機”又名 MCAR，那就更好了！）。 MAR 假設意味著您的缺失數據可能與您的觀察數據存在系統差異，只要這些差異僅取決於您的模型中考慮的其他觀察變量。 相反，MCAR 假設意味著丟失的數據只是完整數據的隨機子集。
當使用逐列或成對刪除時，分析師假設他們的數據是 MCAR。 但是，如果數據是 MAR，則結果估計值將較差。 成對刪除還有其他潛在問題。
總而言之，FIML 和 MI 是缺失數據的兩種前沿方法，但 FIML 更容易實現，這就是我們的 SEM 平台中使用的方法。
HTH,
~勞拉
