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-心理学报.PDFVIP

心理学报 2016, Vol. 48, No.11, 1489 Acta Psychologica Sinica DOI: 10.3724/SP.J.1041.2016.0 1489 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* 王孟成 邓俏文 (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, 广州 510006) 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。 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 分类号 B841 1 引言 Schafer, Kam, 2001; Graham, 2009)。然而, 当前 方法学领域对纳入辅助变量的研究还有些重要的 在对心理学等社科调查的数据进行建模时, 常 问题尚未探明。例如, 纳入自身就存在缺失的辅助 常遇到数据缺失的情况。例如, 研究参与者拒绝接 变量是否有益？因此, 本研究拟采用蒙特卡洛模拟 受调查、不愿意回答或遗漏某些问题。毫不夸张的 的方法对尚存的问题做进一步的探索, 希望为应用 说 , 数据缺失无法避免, 因此如何处理缺失数据就 研究者合理使用辅助变量提供有益的指引。 成了摆在研究者面前重要而又无法回避的问题。 1.1 数据的缺失机制与现代的处理方法 全息极大似然估计(Full Information Maximum 美国统计学家 Rubin (1976)最早将缺失机制分 Likelihood, FIML)和多重插补(Multiple Imputation, 为 3 类：完全随机缺失、随机缺失和非随机缺失。 MI) 是 目 前 缺 失 数 据 建 模 最 为 学 者 推 崇 的 方 法 完 全 随 机 缺 失 (Missing Completely at Random, (Graham, 2009; Schafer Graham, 2002) 。这两种方 MCAR)指变量缺失发生的可能性与变量自身及其 法在特定条件下所得结果是等价的, 但鉴于建模软 他变量都无关, 即变量出现缺失这一事件是随机事 件的可获得性、统计处理的便捷性以及结果的稳健 件。随机缺失(Missing at Random, MAR)指变量缺 性(e.g., Yuan, Yang-Wallentin, Bentler, 2012), 在 失发生的可能性与模型中某些观测变量有关而与 方法学实践中 FIML 更加方便和灵活(Yuan et al., 该变量自身无关, 即缺失发生的可能性与其他变量 2012; 王孟成, 叶浩生, 2014)。 有关。非随机缺失(Missing Not at Random, MNAR) 在缺失数据建模实践中, 方法学者通常会建议 指变量缺失发生的可能性只与自身相关。 纳入辅助变量(auxiliary variable)来提高结果的稳健 现代处理缺失数据的方法中, 最为研究者推崇 性。