缺失数据的结构方程建模:全息极大似然估计时辅助变量的作用

发布时间：2018-01-16 18:12

本文关键词：缺失数据的结构方程建模:全息极大似然估计时辅助变量的作用　出处：《心理学报》2016年11期 　论文类型：期刊论文

【摘要】：本研究通过蒙特卡洛模拟考查了采用全息极大似然估计进行缺失数据建模时辅助变量的作用。具体考查了辅助变量与研究变量的共缺机制、共缺率、相关程度、辅助变量数目与样本量等因素对参数估计结果精确性的影响。结果表明,当辅助与研究变量共缺时:(1)对于完全随机缺失的辅助变量,结果更容易出现偏差;(2)对于MAR-MAR组合机制,纳入单个辅助变量是有益的;对于MAR-MCAR或MAR-MNAR组合机制,纳入多于一个辅助变量的效果更好;(3)纳入与研究变量低相关的辅助变量对结果也是有益的。
[Abstract]:In this study, Monte Carlo simulation is used to examine the role of auxiliary variables in modeling missing data using holographic maximum likelihood estimation. The mechanism, rate and degree of correlation between auxiliary variables and research variables are investigated in detail. The effect of the number of auxiliary variables and sample size on the accuracy of parameter estimation. The results are more prone to deviation; 2) for the MAR-MAR combination mechanism, it is beneficial to include a single auxiliary variable; For the combination mechanism of MAR-MCAR or MAR-MNAR, it is better to include more than one auxiliary variable. 3) inclusion of auxiliary variables associated with low study variables is also beneficial to the results.
【作者单位】：广州大学心理系;广州大学心理测量与潜变量建模研究中心;
【基金】：国家自然科学基金(31400904) 广州大学“创新强校工程”(2014WQNCX069)项目资助
【分类号】：B841
【正文快照】： 1引言在对心理学等社科调查的数据进行建模时,常常遇到数据缺失的情况。例如,研究参与者拒绝接受调查、不愿意回答或遗漏某些问题。毫不夸张的说,数据缺失无法避免,因此如何处理缺失数据就成了摆在研究者面前重要而又无法回避的问题。全息极大似然估计(Full Information Maxim

【相似文献】