Comment JMP gère-t-il les valeurs manquantes lors de l'exécution de la modélisation par équation structurelle ?Salut!
J'utilise la modélisation par équation structurelle pour effectuer certaines analyses. J'ai 75 échantillons et quelques variables. Une variable a 7 valeurs manquantes. La modélisation par équation structurelle peut toujours fonctionner avec des valeurs manquantes. Quelqu'un pourrait-il me dire quelle technique JMP utilise pour traiter les valeurs manquantes lors de l'exécution de la modélisation d'équations structurelles (par exemple, suppression par paires, suppression par liste) ? Merci.
Modélisation statistique avancéeÉtudes de consommation et de marchémacOSles fenêtresRe : Comment JMP traite-t-il les valeurs manquantes lors de l'exécution de la modélisation par équation structurelle ?Laura,
Merci beaucoup pour vos réponses détaillées ! Ils sont vraiment utiles. J'apprécie vraiment cela.
meilleur,
Juncheng
Re : Comment JMP traite-t-il les valeurs manquantes lors de l'exécution de la modélisation par équation structurelle ?Salut Juncheng,
Vous n'êtes pas seul dans la confusion ! C'est une question très courante car les étiquettes MCAR, MAR et MNAR ne sont pas intuitives. D'après votre description, il semble que vos 7 observations soient bien MCAR. Tant qu'il n'y a rien de particulier à propos de ces 7 sites qui se rapporte à votre résultat d'intérêt, alors vous devriez être d'accord avec l'hypothèse MCAR.
Aussi, voici ma tentative de clarifier les différences entre tous ces mécanismes de données manquantes (c'est trop simplifié, donc je recommande vraiment plus de lecture pour obtenir une clarté totale):
MCAR : Les données manquantes sont un sous-ensemble aléatoire de ce que vous auriez observé si vous n'aviez aucune donnée manquante.
MAR : Les données manquantes ne sont pas aléatoires (totalement contre-intuitif compte tenu de l'étiquette "MAR" - cela entraîne une grande partie de la confusion !). Il existe une relation systématique entre les observations manquantes et les facteurs que vous avez mesurés.
MNAR : Les données manquantes sont systématiquement liées à des facteurs que vous n'avez pas mesurés (et que vous ignorez peut-être même).
J'ai fait une illustration qui tente de montrer ces différences:
Le premier ensemble de données vous montre les réponses à trois questions hypothétiques d'une enquête. L'image montre à quoi ressembleraient vos données si vous n'aviez aucune valeur manquante. À droite, les données montrent un modèle de valeurs manquantes (en orange) dans le résultat (Y) qui manquent complètement au hasard. Ensuite, vous pouvez voir le mécanisme MAR ; c'est-à-dire que les valeurs manquantes ont tendance à être liées aux variables de l'âge et du sexe, de sorte que la plupart des jeunes hommes n'ont pas fourni de réponse au résultat. Enfin, vous pouvez voir le modèle MCAR, où les valeurs manquantes ne sont pas liées à l'âge ni au sexe (elles sont réparties entre les hommes/femmes plus jeunes/plus âgés) - cependant, disons que nous n'avons pas collecté de données sur le revenu et si nous avait observé ces données non mesurées, nous verrions une relation entre les valeurs manquantes et la variable non observée (notez que ce sont les personnes à faible revenu qui n'ont pas répondu).
Craig Enders a un excellent livre intitulé "Applied Missing Data Analysis" donc je vous encourage à le consulter si vous voulez en savoir plus sur ces questions.
Meilleur,
~Laura
Re : Comment JMP traite-t-il les valeurs manquantes lors de l'exécution de la modélisation par équation structurelle ?Salut Laura,
Merci beaucoup pour votre réponse. J'ai une question pour déterminer si les données sont MAR, MCAR ou MNAR. J'ai essayé de comprendre leurs définitions, mais je suis toujours confus et je ne sais pas à quelle catégorie appartiennent mes données. Pourriez-vous s'il vous plaît me donner la réponse?
J'ai 75 échantillons (75 sites d'échantillonnage). La variable avec 7 valeurs manquantes est une métrique de flux. Cette métrique est calculée à l'aide de données de flux continu qui ont été collectées par un appareil spécifique. La raison pour laquelle il y a 7 valeurs manquantes est que ce type de dispositif a échoué ou a été emporté sur les 7 sites d'échantillonnage (l'échec ou l'eau a été emporté au hasard). Nous n'avons donc pas pu collecter les données. Je me demande si les données sont MAR ou MCAR, mais je ne sais pas laquelle est la bonne. Merci.
Juncheng
Re : Comment JMP traite-t-il les valeurs manquantes lors de l'exécution de la modélisation par équation structurelle ?Bonjour @lujc07 ,
Lorsque des données manquantes sont présentes, la plateforme SEM utilise toutes les données disponibles pour obtenir une estimation du maximum de vraisemblance. Cette méthode est connue dans la littérature sous le nom de maximum de vraisemblance à information complète (FIML) et s'est avérée très performante. Vous pouvez voir une comparaison récente entre FIML et l'imputation multiple (MI) dans cet article ( https://psycnet.apa.org/record/2021-12018-001 ), où les auteurs affirment que leur étude " a confirmé la connaissance bien connue que les deux estimateurs [FIML et MI] ont tendance à donner des résultats essentiellement équivalents.
FIML est une méthode de pointe pour gérer les données manquantes qui vous donnera des estimations impartiales mais, tout comme MI, elle nécessite l'hypothèse que vos données manquent au hasard (appelées "MAR" dans la littérature... mais si elles ' il manque "complètement au hasard" alias MCAR, c'est encore mieux !). L'hypothèse MAR signifie que vos données manquantes peuvent avoir des différences systématiques par rapport à vos données observées, tant que ces différences ne dépendent que d'autres variables observées qui sont prises en compte dans votre modèle. En revanche, l'hypothèse MCAR signifie que les données manquantes sont simplement un sous-ensemble aléatoire de ce qu'auraient été les données complètes.
Lorsque la suppression par liste ou par paire est utilisée, les analystes supposent que leurs données sont MCAR. Cependant, si les données sont MAR, les estimations résultantes seront inférieures. La suppression par paires a également d'autres problèmes potentiels.
En somme, FIML et MI sont deux méthodes de pointe pour les données manquantes, mais FIML est beaucoup plus facile à mettre en œuvre et c'est ce qui est utilisé dans notre plateforme SEM.
HTH,
~Laura
