Wie geht JMP bei der Strukturgleichungsmodellierung mit fehlenden Werten um?Hallo!
Ich verwende Strukturgleichungsmodellierung, um einige Analysen durchzuführen. Ich habe 75 Proben und einige Variablen. Eine Variable hat 7 fehlende Werte. Die Strukturgleichungsmodellierung kann auch mit fehlenden Werten funktionieren. Kann mir jemand sagen, welche Technik JMP verwendet, um bei der Modellierung von Strukturgleichungen mit fehlenden Werten umzugehen (z. B. paarweises Löschen, listenweises Löschen)? Danke.
Erweiterte statistische ModellierungVerbraucher- und MarktforschungMac OSWindowsBetreff: Wie geht JMP mit fehlenden Werten um, wenn eine Strukturgleichungsmodellierung ausgeführt wird?Laura,
Vielen Dank für Ihre ausführlichen Antworten! Sie sind wirklich hilfreich. Ich schätze es wirklich.
am besten,
Juncheng
Betreff: Wie geht JMP mit fehlenden Werten um, wenn eine Strukturgleichungsmodellierung ausgeführt wird?Hallo Juncheng,
Du bist nicht allein in der Verwirrung! Dies ist eine sehr häufige Frage, da die Bezeichnungen MCAR, MAR und MNAR nicht intuitiv sind. Basierend auf Ihrer Beschreibung klingt es so, als ob Ihre 7 Beobachtungen tatsächlich MCAR sind. Solange diese sieben Websites keine Besonderheiten aufweisen, die sich auf das Ergebnis Ihres Interesses auswirken, sollten Sie mit der MCAR-Annahme einverstanden sein.
Hier ist außerdem mein Versuch, die Unterschiede zwischen all diesen fehlenden Datenmechanismen zu verdeutlichen (dies ist zu stark vereinfacht, daher empfehle ich auf jeden Fall mehr Lektüre, um vollständige Klarheit zu erlangen):
MCAR : Fehlende Daten sind eine zufällige Teilmenge dessen, was Sie beobachtet hätten, wenn keine Daten fehlen würden.
BESCHÄDIGEN : Fehlende Daten sind nicht zufällig (völlig kontraintuitiv angesichts der Bezeichnung „MAR“ – das führt zu großer Verwirrung!). Es besteht ein systematischer Zusammenhang zwischen den fehlenden Beobachtungen und den von Ihnen gemessenen Faktoren.
MNAR : Fehlende Daten hängen systematisch mit Faktoren zusammen, die Sie nicht gemessen haben (und von denen Sie möglicherweise nicht einmal wissen).
Ich habe eine Illustration angefertigt, die versucht, diese Unterschiede aufzuzeigen:
Der erste Datensatz zeigt Ihnen die Antworten auf drei hypothetische Fragen einer Umfrage. Das Bild zeigt, wie Ihre Daten aussehen würden, wenn keine Werte fehlen würden. Rechts zeigen die Daten ein Muster fehlender Werte (in Orange) im Ergebnis (Y), die völlig zufällig fehlen. Als nächstes sehen Sie den MAR-Mechanismus. Das bedeutet, dass die fehlenden Werte tendenziell mit den Variablen „Alter“ und „Geschlecht“ zusammenhängen, sodass vor allem jüngere Männer keine Antwort auf das Ergebnis lieferten. Schließlich können Sie das MCAR-Muster erkennen, bei dem die fehlenden Werte weder mit dem Alter noch mit dem Geschlecht in Zusammenhang stehen (sie verteilen sich auf jüngere/ältere Männer/Frauen) – nehmen wir jedoch an, dass wir es versäumt haben, Daten zum Einkommen zu sammeln und ob wir dies tun Hätten wir diese nicht gemessenen Daten beobachtet, würden wir einen Zusammenhang zwischen den fehlenden Werten und der nicht beobachteten Variablen sehen (beachten Sie, dass es die Leute mit niedrigem Einkommen sind, die nicht geantwortet haben).
Craig Enders hat ein ausgezeichnetes Buch mit dem Titel „Applied Missing Data Analysis“. Wenn Sie mehr über diese Themen erfahren möchten, empfehle ich Ihnen, es sich anzusehen.
Am besten,
~Laura
Betreff: Wie geht JMP mit fehlenden Werten um, wenn eine Strukturgleichungsmodellierung ausgeführt wird?Hallo Laura,
Vielen Dank für Ihre Antwort. Ich habe eine Frage zur Feststellung, ob es sich bei den Daten um MAR, MCAR oder MNAR handelt. Ich habe versucht, ihre Definitionen zu verstehen, bin aber immer noch verwirrt und weiß nicht, zu welcher Kategorie meine Daten gehören. Könnten Sie mir bitte die Antwort geben?
Ich habe 75 Proben (75 Probenahmestellen). Die Variable mit 7 fehlenden Werten ist eine Streamflow-Metrik. Diese Metrik wird anhand kontinuierlicher Streamflow-Daten berechnet, die von einem bestimmten Gerät erfasst wurden. Der Grund dafür, dass 7 Werte fehlen, liegt darin, dass dieser Gerätetyp an den 7 Probenahmestellen ausgefallen ist oder weggeschwemmt wurde (der Ausfall oder das Wegwaschen erfolgte zufällig). Daher konnten wir die Daten nicht sammeln. Ich frage mich, ob es sich bei den Daten um MAR oder MCAR handelt, bin mir aber nicht sicher, welches richtig ist. Danke.
Juncheng
Betreff: Wie geht JMP mit fehlenden Werten um, wenn eine Strukturgleichungsmodellierung ausgeführt wird?Hallo @lujc07 ,
Wenn fehlende Daten vorhanden sind, verwendet die SEM-Plattform alle verfügbaren Daten, um eine Maximum-Likelihood-Schätzung zu erhalten. Diese Methode ist in der Literatur als Full Information Maximum Likelihood (FIML) bekannt und hat sich als sehr gut erwiesen. Einen aktuellen Vergleich zwischen FIML und Multiple Imputation (MI) finden Sie in diesem Artikel ( https://psycnet.apa.org/record/2021-12018-001 ), wobei die Autoren bestätigen, dass ihre Studie „ bestätigte das bekannte Wissen, dass die beiden Schätzer [FIML und MI] dazu neigen, im Wesentlichen gleichwertige Ergebnisse zu liefern.“
FIML ist eine hochmoderne Methode zum Umgang mit fehlenden Daten, die Ihnen unvoreingenommene Schätzungen liefert, aber genau wie MI die Annahme erfordert, dass Ihre Daten zufällig fehlen (in der Literatur als „MAR“ bekannt … aber wenn sie „völlig zufällig“ alias MCAR fehlt, das ist sogar noch besser!). Die MAR-Annahme bedeutet, dass Ihre fehlenden Daten systematische Unterschiede zu Ihren beobachteten Daten aufweisen können, solange diese Unterschiede nur von anderen beobachteten Variablen abhängen, die in Ihrem Modell berücksichtigt werden. Im Gegensatz dazu bedeutet die MCAR-Annahme, dass die fehlenden Daten lediglich eine zufällige Teilmenge der vollständigen Daten sind.
Wenn listenweises oder paarweises Löschen verwendet wird, gehen Analysten davon aus, dass es sich bei ihren Daten um MCAR handelt. Wenn es sich jedoch um MAR-Daten handelt, sind die resultierenden Schätzungen schlechter. Das paarweise Löschen bringt auch andere potenzielle Probleme mit sich.
Zusammenfassend lässt sich sagen, dass FIML und MI zwei hochmoderne Methoden für fehlende Daten sind, aber FIML ist viel einfacher zu implementieren und wird in unserer SEM-Plattform verwendet.
HTH,
~Laura
