结构方程中的缺失数据处理.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * Expectation-Maximization(EM) 算法的突破：Rubin等人(1977) 思想：已知模型参数时可以反过来计算缺失位置上观测值的分布?迭代 /wikipedia/en/wiki/Expectation-maximization_algorithm Multiple Imputation(MI) Rubin(1987)给出MI算法的关键基础 需要抽样多少次？如何汇总方差估计？ 思想：多次抽样，类似蒙特卡罗法。与常见的蒙特卡罗法相比，MI需要的抽样次数很小。 MI抽样环节是否最大似然法则抽样？是否抽均值估计点？ 否！ MI抽样是随机多次抽，每次抽样之间互相独立。不是只抽取似然函数最大值点。 MI不是将抽样作平均后代入模型，而是逐一代入。 SEM中的FIML 大约在1987年这个方法成熟了，在各软件中的具体实现不尽相同 思想 把数据按缺失模式分组，然后在组内建立子模型 应用SEM中的多组模型，约束各组的参数相等。 SEM中的比较：估计的无偏性与效率 EM FIML MI 对饱和模型是最大似然估计 趋近最大似然估计，但要求样本量大 非最大似然估计。但相对效率可以接近相等 *最大似然估计意味着最优效率和MAR下的无偏 软件界面的便利性 EM FI