摘要
多元imputation (MI)和完全信息最大似然(FIML)是缺失数据分析中最常见的两种方法。理论上，当使用相同的变量检验相同的模型时，MI和FIML是等价的，当米，用MI进行的归因次数趋于无穷大。然而，重要的是要知道有多少归因是必要的，在MI和FIML的方式上是足够等效的，这对预防科学家是重要的。MI理论认为米，即使是三到五次的归咎，也能产生极好的结果。以前的指导方针米是基于相对效率的，这涉及到丢失信息的比例(γ）对于估计的参数，和米．在本研究中，我们使用蒙特卡罗模拟在几个场景下测试MI模型γ和米是不同的。感兴趣的回归系数的标准误差和p值随米，但与相对效率的速度不同。最重要的是，小效应量的统计能力随着米变得更小，功率下降的速率比相对效率的变化所预测的要大得多。基于我们的研究结果，我们建议使用MI的研究人员进行比以前认为的足够多的归因。这些建议是基于γ，并考虑一个人对可预防的权力下降(与FIML相比)的容忍度，因为使用的归因太少。
这是订阅内容的预览，通过您的机构访问．
参考
科恩,j .(1977)。行为科学的统计功率分析．纽约:学术。
李志强，李志强(2001)。现代缺失数据处理中包容性策略和限制性策略的比较。心理方法,6330-351。
格雷厄姆，J. W.(2003)。在基于fiml的结构方程模型中加入缺失数据相关变量。结构方程建模，10, 80 - 100。
(2003)。处理丢失数据的方法。在:J. A. Schinka & W. F. Velicer (Eds.)，心理学研究方法(页87 - 114)。2卷心理学手册(主编韦纳i.b.)纽约:威利。
金，G.， Honaker, J.， Joseph, A.， & Scheve, K.(2001)。分析不完整的政治科学数据:多元归因的替代算法。美国政治科学评论，9549 - 69。
李国强(1987)。调查中无回应的多重归责．纽约:威利。
Schafer，J.L.（1997）。不完整多变量数据分析．纽约：查普曼和大厅。
谢福尔(2002)。缺失的数据:我们对技术现状的看法。心理的方法,7, 147 - 177。
张志强，张志强，张志强(1998)。多元缺失数据问题的多重归因:数据分析师的观点。多元行为研究，33, 545 - 571。
作者信息
从属关系
相应的作者
权利和权限
关于这篇文章
引用这篇文章
真正需要多少归罪?多重归责理论的若干实践澄清。Prev Sci8，206 - 213(2007)。https://doi.org/10.1007/s11121-007-0070-9
收到了：
接受：
发表：
发行日期：
关键字
- 多个归责
- 数量的罪名
- 完全信息最大似然
- 缺失的数据
- 统计权力