含缺失数据结构方程模型的效应.ppt

含缺失数据结构方程模型的效应 -- 呈现机制的复杂性及其解决策略 香港中文大学 教育心理系 李 晓煦 lixiaoxu@ http://lixiaoxu.googlepageS.com Rm 108, Chen Kou Bun Building, CUHK 24JUN2008, 13:00 呈现机制复杂性的认识论原理 …The fact then that many complex systems have a nearly decomposable, hierarchic structure is a major facilitating factor enabling us to understand, describe, and even see such systems and their parts. Or perhaps the proposition should be put the other way round. If there are important systems in the world that are complex without being hierarchic, they may to a considerable extent escape our observation and understanding. Analysis of their behavior would involve such detailed knowledge and calculation of the interactions of their elementary parts that it would be beyond our capacities of memory or computation. I shall not try to settle which is chicken and which is egg: whether we are able to understand the world because it is hierarchic or whether it appears hierarchic because those aspects of it which are not elude our understanding and observation… -- From The Sciences of the Artificial (3rd ed.) by Herbert Simon (1996, p. 207) 因为数据近似满足正态分布，数据缺失机制近似可忽略(MAR)，所以我们能用含缺失数据的结构方程方法得到分析结果 －－或者－－ 因为我们只擅长分析近似可忽略缺失机制下的近似正态数据，所以我们用含缺失数据的结构方程方法得到分析结果都认为/假定认为数据近似满足正态分布、缺失机制近似可忽略。 列删：可容忍的MNAR≈可容忍的抽样偏差 Non-ignorable Missing (MNAR) ≈Convenient Sampling Missing Completely at Random (MCAR)的特点： 任意组缺失模式下的完整观测变量样本都可以代表被研究的总体 观测到的分布图示与总体分布族假定吻合 Little(1988)给出多组均值的MCAR检验，没有一般情形下power计算方法，只能拒绝而不能支持MCAR假设。没有提供效应量，用显著性不能反应MCAR近似成立的程度。 Enders(2006)提供了SAS下的代码。 缺失值影响的图示 (MNAR)平均值 5% ? -0.109 ~ 0.109 (MNAR)标准差 5% ? 0.864 ~ 1.026 (MAR)相关系数 (MAR)回归系数 Missing at Random (MAR) 的框架 MAR特点： 是从全信息最大似然方法(FIML)逆推出来的理论条件(Rubin, 1976)；并非真实数据常见特性，而是模型所期待的特性。 虽然代数表达式简洁，但因为影响缺失率的函数形式是开放的，无法检验，无从图示； 实际中容易解释的情形是单调缺失，影响缺失率的函数形式限于很简单的情形(分段常数函数或者线性函数，或者已知而确定的函数)。 全信息最大似然方法(FIML) 基于每条样本的最大似然方法。求使所有样本联合概率密度乘积达到最大值的参数 任何缺失模式，在某种条件(MAR)仍然可以算出与似然函数正比例的某个数值 结构方程模型中通常的最大似然法(ML)是求使二阶矩样本的概率密度达到最大值的参数 ML效率高，基于正态分布与样本协方差，在条件满足时等价于FIML