JMP は構造方程式モデリングを実行するときに欠損値をどのように処理しますか?やあ！
構造方程式モデリングを使用していくつかの分析を行っています。 75 個のサンプルといくつかの変数があります。 1 つの変数に 7 つの欠損値があります。 構造方程式モデリングは欠損値でも機能します。 構造方程式モデリング (ペアごとの削除、リストごとの削除など) を実行するときに、JMP が欠損値を処理するためにどのような手法を使用しているかを誰か教えていただけますか? ありがとう。
高度な統計モデリング消費者および市場調査マックOSウィンドウズRe: JMP は構造方程式モデリングを実行するときに欠損値をどのように処理しますか?ローラ、
詳細な回答をありがとうございました! 本当に助かります。 ほんとうにありがとう。
一番、
順城
Re: JMP は構造方程式モデリングを実行するときに欠損値をどのように処理しますか?こんにちは、ジュンチェンさん
混乱しているのはあなただけではありません。 MCAR、MAR、MNAR というラベルが直感的ではないため、これは非常によくある質問です。 あなたの説明によると、あなたの 7 つの観察は確かに MCAR であるように思えます。 これら 7 つのサイトについて、関心のある結果に関連する特異な点がない限り、MCAR の仮定に問題はないはずです。
また、これらすべての欠落データ メカニズムの違いを明確にしようとする私の試みは次のとおりです (これは過度に単純化されているため、完全に明確にするためにさらに読むことを強くお勧めします)。
MCAR : 欠損データは、欠損がゼロの場合に観察されるデータのランダムなサブセットです。
3月: 欠損データはランダムではありません (「MAR」というラベルを考えると完全に直感に反します。これが多くの混乱を引き起こします!)。 欠落している観測値と測定した要因の間には体系的な関係があります。
MNAR : 欠損データは、測定していない (そして、気づいていない可能性がある) 要因に体系的に関連しています。
これらの違いを示す図を作成しました。
最初のデータ セットは、アンケートからの 3 つの仮説的な質問に対する回答を示しています。 この画像は、欠損値がない場合のデータがどのようになるかを示しています。 右側のデータは、完全にランダムに欠損している結果 (Y) の欠損値 (オレンジ色) のパターンを示しています。 次に、MAR メカニズムを見てみましょう。つまり、欠損値は年齢と性別の変数に関連する傾向があり、主に若い男性が結果に対する回答を提供できませんでした。 最後に、MCAR パターンを見ることができます。欠損値は年齢にも性別にも関連していません (欠損値は若年/高齢の男性/女性に広がっています)。ただし、収入に関するデータの収集に失敗したとします。これらの未測定データを観察していれば、欠損値と未観察の変数との間に関係があることがわかります (応答しなかったのは低所得層であることに注意してください)。
Craig Enders は、「Applied Missing Data Analysis」というタイトルの優れた本を出版しているので、これらの問題について詳しく知りたい場合は、それをチェックすることをお勧めします。
一番、
〜ローラ
Re: JMP は構造方程式モデリングを実行するときに欠損値をどのように処理しますか?こんにちは、ローラさん
ご回答ありがとうございました。 データが MAR、MCAR、または MNAR のいずれであるかを判断することについて質問があります。 それらの定義を理解しようとしましたが、まだ混乱しており、データがどのカテゴリに属しているのかわかりません。 答えていただけますか？
75 個のサンプル (75 個のサンプリング サイト) があります。 7 つの欠損値を持つ変数はストリームフロー メトリックです。 このメトリクスは、特定のデバイスによって収集された継続的なストリームフロー データを使用して計算されます。 欠損値が 7 つある理由は、このタイプの装置が 7 つのサンプリング サイトで失敗または流失したためです (失敗または流失はランダムでした)。 そのため、データを収集できませんでした。 データがMARかMCARなのか気になるのですが、どちらが正しいのかわかりません。 ありがとう。
順城
Re: JMP は構造方程式モデリングを実行するときに欠損値をどのように処理しますか?こんにちは@lujc07 、
欠損データが存在する場合、SEM プラットフォームは利用可能なすべてのデータを使用して最尤推定値を取得します。 この方法は文献では完全情報最尤法 (FIML) として知られており、非常に優れたパフォーマンスを示すことが示されています。 FIML と多重代入 (MI) の最近の比較については、この記事 ( https://psycnet.apa.org/record/2021-12018-001 )、ここで著者は自分たちの研究を次のように断言しています。 2 つの推定量 [FIML と MI] が本質的に同等の結果をもたらす傾向があるというよく知られた知識が確認されました。」
FIML は欠損データを処理するための最先端の方法であり、偏りのない推定値を提供しますが、MI と同様に、データがランダムに欠損している (文献では「MAR」として知られています) という前提が必要です。 「完全にランダム」、別名 MCAR がありません。それはさらに良いことです!)。 MAR 仮定は、その差異がモデルで考慮されている他の観測変数にのみ依存する限り、欠損データには観測データとの系統的な差異がある可能性があることを意味します。 対照的に、MCAR の仮定は、欠落しているデータが完全なデータの単なるランダムなサブセットであることを意味します。
リストごとまたはペアごとの削除が使用される場合、アナリストはデータが MCAR であると仮定します。 ただし、データが MAR の場合、結果の推定値は劣ります。 ペアごとの削除には他の潜在的な問題もあります。
まとめると、FIML と MI は欠損データに対する 2 つの最先端の方法ですが、FIML は実装がはるかに簡単であり、それが SEM プラットフォームで使用されています。
HTH、
〜ローラ
