换一批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
The mechanism of auxiliary variables in full information maximum likelihood-based structural equation models with missing data
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.
更多相关知识
关键词
缺失数据缺失机制结构方程全息极大似然估计辅助变量蒙特卡洛模拟missing datamissing mechanismSEMfull information maximum likelihoodauxiliary variableMonte Carlo simulation
分类号
B841
栏目名称
DOI
10.3724/SP.J.1041.2016.01489
发布时间
2017-02-17（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（31400904）
广州大学创新强校工程项目（2014WQNCX069）
- 浏览7
- 被引8
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
