|
|
使用缺失数据进行建模
Mplus有几个选项用于估计缺失数据的模型。Mplus在MCAR（完全随机缺失），MAR（随机缺失）和NMAR（随机缺失）下为连续，审查，二元，有序分类（序数），无序分类（名义），计数或这些变量类型的组合提供最大似然估计（Little& Rubin，2002）。MAR意味着缺失可以是观察到的协变量和观察到的结果的函数。对于使用加权最小二乘估计的删失和分类结果，允许缺失是观测协变量的函数，但不允许是观测到的结果。当模型中没有协变量时，这类似于成对存在分析。不可忽略缺失数据（NMAR）建模可以使用最大似然估计，其中分类结果是缺失的指标，并且缺失可以通过连续和分类潜在变量预测（Muthén，Jo，&Brown，2003;Muthén等人，2010）。 在所有模型中，观测到的协变量不允许缺失，因为它们不是模型的一部分。该模型以协变量为条件进行估计，并且不对协变量进行分布假设。如果将协变量引入模型中并对其进行正态性等分布假设，则可以对协变量缺失性进行建模。对于缺失的数据，参数估计的标准误差是使用观测到的信息矩阵计算的（Kenward & Molenberghs， 1998）。自举标准误差和置信区间也可用于缺失数据。 Mplus使用贝叶斯分析提供缺失数据的多重插补（Rubin，1987;舍费尔，1997年）。无限制的 H1 模型和受限制的 H0 模型都可用于插补。 使用多个插补生成的多个数据集可以使用Mplus的特殊功能进行分析。参数估计值在分析集上取平均值，并使用分析集上的标准误差平均值以及分析参数估计变化之间的平均值来计算标准误差（Rubin，1987;舍费尔，1997年）。提供了整体模型拟合的卡方检验（Asparouhov & Muthén， 2008c;Enders， 2010）。
在线留言尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
|
|
||||||||||||||||||||||||
400-621-1085
