JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕!
일부 분석을 수행하기 위해 구조 방정식 모델링을 사용하고 있습니다. 75개의 샘플과 몇 가지 변수가 있습니다. 하나의 변수에는 7개의 누락된 값이 있습니다. 구조 방정식 모델링은 여전히 누락된 값으로 작동할 수 있습니다. 구조 방정식 모델링(예: 쌍별 삭제, 목록별 삭제)을 실행할 때 누락된 값을 처리하기 위해 JMP에서 어떤 기술을 사용하는지 알려주실 수 있습니까? 감사해요.
고급 통계 모델링소비자 및 시장 조사맥 OS윈도우Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?로라,
자세한 답변 정말 감사합니다! 정말 도움이 됩니다. 정말 감사.
최상의,
준청
Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕 Juncheng,
당신은 혼란 속에서 혼자가 아닙니다! 이것은 MCAR, MAR 및 MNAR 레이블이 직관적이지 않기 때문에 매우 일반적인 질문입니다. 귀하의 설명에 따르면 귀하의 7가지 관찰이 실제로 MCAR인 것처럼 들립니다. 귀하의 관심 결과와 관련된 이 7개 사이트에 특이한 점이 없는 한 귀하는 MCAR 가정에 대해 괜찮을 것입니다.
또한 누락된 모든 데이터 메커니즘 간의 차이점을 명확히 하려는 시도가 있습니다(이는 지나치게 단순화되었으므로 완전한 명확성을 얻으려면 더 많은 읽기를 권장합니다).
엠카 : 누락 데이터는 누락이 0인 경우 관찰했을 데이터의 임의 하위 집합입니다.
망치다 : 누락된 데이터는 임의적이지 않습니다("MAR" 레이블이 주어지면 완전히 직관에 어긋납니다. 이로 인해 많은 혼란이 발생합니다!). 누락된 관찰과 측정한 요인 사이에는 체계적인 관계가 있습니다.
미나르 : 누락된 데이터는 측정하지 않은 요인과 체계적으로 관련되어 있습니다.
나는 이러한 차이점을 보여주기 위해 삽화를 만들었습니다.
첫 번째 데이터 세트는 설문 조사의 세 가지 가상 질문에 대한 응답을 보여줍니다. 이 이미지는 누락된 값이 없을 경우 데이터가 어떻게 표시되는지 보여줍니다. 오른쪽의 데이터는 완전히 무작위로 누락된 결과(Y)의 누락된 값 패턴(주황색)을 보여줍니다. 다음으로 MAR 메커니즘을 볼 수 있습니다. 즉, 누락된 값은 연령 및 성별 변수와 관련되어 대부분 젊은 남성이 결과에 대한 답을 제공하지 못하는 경향이 있습니다. 마지막으로 누락된 값이 연령이나 성별과 관련이 없는 MCAR 패턴을 볼 수 있습니다(연령/연령 남성/여성에 걸쳐 분산되어 있음). 측정되지 않은 데이터를 관찰했다면 누락된 값과 관찰되지 않은 변수 사이의 관계를 볼 수 있습니다(응답하지 않은 것은 저소득층이라는 점에 유의하십시오).
Craig Enders는 "Applied Missing Data Analysis"라는 훌륭한 책을 보유하고 있으므로 이러한 문제에 대해 자세히 알아보려면 이 책을 확인하시기 바랍니다.
최상의,
~로라
Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕 로라,
답장을 보내 주셔서 감사합니다. 데이터가 MAR, MCAR 또는 MNAR인지 확인하는 것과 관련하여 질문이 있습니다. 나는 그들의 정의를 이해하려고 노력했지만 여전히 혼란스럽고 내 데이터가 어떤 범주에 속하는지 모릅니다. 답을 알려주시겠어요?
75개의 샘플(샘플링 사이트 75개)이 있습니다. 누락된 값이 7개인 변수는 스트림 흐름 메트릭입니다. 이 메트릭은 특정 장치에서 수집한 연속 스트림 흐름 데이터를 사용하여 계산됩니다. 7개의 누락된 값이 있는 이유는 이러한 유형의 편차가 7개 샘플링 사이트에서 실패했거나 씻겨 나갔기 때문입니다(실패 또는 씻겨짐은 임의적임). 그래서 자료를 수집하지 못했습니다. 데이터가 MAR 또는 MCAR인지 궁금하지만 어느 것이 맞는지 확실하지 않습니다. 감사해요.
준청
Re: JMP는 구조 방정식 모델링을 실행할 때 누락된 값을 어떻게 처리합니까?안녕하세요 @lujc07 ,
누락된 데이터가 있는 경우 SEM 플랫폼은 사용 가능한 모든 데이터를 사용하여 최대 우도 추정치를 얻습니다. 이 방법은 문헌에서 FIML(Full Information Maximum Likelihood)로 알려져 있으며 매우 잘 수행되는 것으로 나타났습니다. 이 기사에서 FIML과 다중 대체(MI) 간의 최근 비교를 볼 수 있습니다( https://psycnet.apa.org/record/2021-12018-001 ), 여기서 저자는 그들의 연구가 " 두 추정기[FIML 및 MI]가 본질적으로 동일한 결과를 산출하는 경향이 있다는 잘 알려진 지식을 확인했습니다."
FIML은 편향되지 않은 추정치를 제공하는 누락된 데이터를 처리하기 위한 최첨단 방법이지만 MI와 마찬가지로 데이터가 무작위로 누락되었다는 가정이 필요합니다(문헌에서는 "MAR"로 알려짐... "완전히 무작위로" 일명 MCAR이 누락된 경우 더 좋습니다!). MAR 가정은 누락된 데이터가 관찰된 데이터와 체계적인 차이를 가질 수 있음을 의미합니다. 단, 이러한 차이는 모델에서 설명되는 다른 관측된 변수에만 의존합니다. 대조적으로, MCAR 가정은 누락된 데이터가 단순히 전체 데이터였을 것의 무작위 하위 집합임을 의미합니다.
목록별 또는 쌍별 삭제가 사용되는 경우 분석가는 데이터가 MCAR이라고 가정합니다. 그러나 데이터가 MAR인 경우 결과 추정치는 열등합니다. 쌍별 삭제에는 다른 잠재적인 문제도 있습니다.
요컨대, FIML과 MI는 누락된 데이터에 대한 두 가지 최첨단 방법이지만 FIML은 구현하기가 훨씬 쉽고 SEM 플랫폼에서 사용되는 것입니다.
HTH,
~로라
