心理辅导缺失数据管理的最佳实践 加布里埃尔·l·Schlomer施瑞鲍曼和诺尔卡 亚利桑那大学
这篇文章敦促咨询心理学研究人员识别和报告丢失的数据 处理,因为消费者的研究不能准确地解释发现不知道数量 缺失的数据和模式或策略被用来处理这些数据。缺失的数据模式 综述了,和一些常见的策略来处理他们。作者
提供一个例子,数据模拟和评估3处理缺失数据的方法: 意味着替代,多个归罪,完整的信息极大似然。结果表明, 意味着替代是一个贫穷的方法处理缺失数据,而多个归责和完整 信息极大似然推荐这种方法。作者建议
,研究人员充分考虑并报告缺失数据的数量和模式和策略 在心理咨询研究和处理这些数据,编辑建议研究人员 期望。
关键词:缺失数据、最佳实践、咨询心理学、多个归罪,完整的信息 最大似然
缺失的数据出现在大多数研究行为科学
(翘起的,2005;埃里森,2005;Orme &里斯,1991;Pigott,2001; 史蒂文斯,1996;Streiner,1996),APA特遣部队在统计推断(威尔金森&特遣部队在统计推断, 1999)建议研究人员报告失踪的模式 数据和统计技术用来解决问题
这些数据创建。虽然适当的报告和处理 缺失的数据对于理解至关重要的结果,这个元素 从报告的研究数据分析通常省略(彭, 哈维尔,宾利,&伊曼,2006;桑德斯et al .,2006)。与 增加计算内存和处理速度、复杂
现在可以通过对缺失数据的分析研究人员 没有昂贵的专用软件。然而,许多
研究人员不知道报告的重要性和管理缺失的数据,和编辑基本上没有坚持
作者提供这些基本信息。
最佳实践与研究要求两个缺失的数据 项目的基本信息,应该在每一个报道 研究:(一)缺失数据的范围和性质和(b) 程序用于管理缺失的数据,包括使用方法选择的基本原理。 在本文中,我们首先检查 最近完成的《咨询
Psychologyto确定作者在这个杂志上有解决这两个项目。然后我们提出建议改善缺失数据报告的期刊文章。最后,我们 提供一个对几种常见的管理方法 缺失的数据为调整的方法和现在的指导方针 处理缺失数据的具体情况研究。 目前在网上的咨询 心理学
我们检查了所有的文章在最新的完整的卷(卷55 2008年)的《咨询Psychologyto定位文章 定量数据分析报告。我们发现37(这样的文章 46卷的文章),检查每一个决定 缺失数据的比例是否报道,是否 指定的方法来处理这些数据,是否
方法提供了理论基础。只有14个文章报道 缺失数据的百分比(其中一个指出没有失踪 数据),尽管三其他物品丢失的数据的数量 从其他资料可以推断。在11日的文章中, 方法(陈述或推断)listwise删除;病例 从分析与缺失的数据了。在一篇文章中, 10%以上的情况下缺失的数据被删除listwise,但是 中并未提及nonresponse项是如何处理的 剩余的病例。另外,作者(年代)listwise的合理使用 删除(9%的病例)指出,因为没有意义 排除变量和之间的关系被发现
感兴趣的其他变量,下降情况下没有偏见的结果。 Listwise删除被用在另一项研究与解释 缺失数据的数量并不可观,虽然
没有指定的数量。在另一项研究中,意味着替代 丢失的数据时使用小于预定的截止
加布里埃尔·l·Schlomer和诺埃尔卡,家庭研究和划分 亚利桑那大学人类发展,施瑞鲍曼 的残疾和心理教育研究,亚利桑那大学。
作者要感谢黛博拉·m·卡斯珀托马斯c .DeBaca和 阿什利·c·王对他们有用的评论本文的草稿。我们 还要感谢保罗Allison为他计算的建议吗 本文的早期版本。
通信有关这篇文章应该寄给雪莉
鲍曼,残疾和心理教育研究,210069年邮政信箱,图森市亚利桑那大学阿兹8572110 00223884),与这些多个执行很多常见的分析估算数据集和结合这些 结果提供无偏的参数估计与准确 标准错误。 Mplus Mplus(我们评估版本5.21)是一个统计建模 项目主要用于评估结构方程模型, 虽然足够灵活,能够执行最基本的(例如。(例如,回归)和复杂。分类数据,潜在类别分析) 分析(Muthe´n & Muthe´n,1998 -2007)。Mplus也有能力进行MI和FIML。从5.0版本开始, 当命令TYPEMISSING成为默认的过程 分析数据缺失值。在这种默认和使用 ESTIMATORML(最大似然),缺失的数据 FIML处理,这使得它容易的新用户 程序来实现。应该注意,Mplus不是
只有程序FIML功能;其他专门的软件如阿莫斯和采(结构方程建模)和高级别(多级建模)也可以与FIML估计参数。 免费下载软件
阿梅利亚II(Honaker、王&布莱克威尔,2009)和规范 (版本2.02;网站还包含包含在参考列表 类似的包miingne可能的其他类型的数据 在场)免费下载的程序,执行MI。 虽然有一些小的差异可用性和 潜在的污名算法这两个项目, 对于大多数用户来说非常相似的目的。两个程序都可以使用 创建多个估算数据集,并结合参数 估计这些多个数据集,但必须执行 大多数分析这些估算数据集(获得的参数 估计在每个估算数据集)在单独的程序。 阿梅利亚接口与R(免费),与S-Plus和标准接口 (必须购买),使这些多个分析合理 这些程序的简单用户。 总结
五个软件包,我们简要回顾了没有
捕获的全部范围的可能性。几乎每一个统计分析 包有一些功能总结的失踪
数据、评估miingne模式和执行某种类型的 缺失的数据归责。可能软件中最可变性 包来自归责过程。我们建议 使用软件,至少执行随机回归归责, 他们是更好的。最好的方法是MI和FIML 程序,虽然这些可以更难以使用和/或不是 包括在一些包(如。,SAS这些功能;SPSS MI选项添加到MVA模块版本17)。幸运的是, 免费下载的软件可以执行MI即使平常 软件的选择不。 一个说明 方法
为了说明上述方法之间的差异, 我们模拟一个数据集的60个参与者。相对较小的样本 大小选择反映了适度的样本大小的
咨询心理学的研究。提供上下文对于这个例子,我们可以想象,这些数据来自60岁以下的客户
21年大型大学心理咨询中心被称为
院长咨询的学生由于侵犯未成年人饮酒。虚拟咨询中心随机分配的学生
两种治疗方案之一,它使用的危害之一 还原方法,和其他基于12步 模型。(即结果。因变量)可能分数
衡量清醒的自我效能感。在这个虚构的示例中,我们 参与者的态度也有一个衡量权威 更高的分数代表更大尊重权威。
这些虚构的数据用SPSS,这样生成的特征数据。我们指定的大小产生影响
通常被认为是大型(r.50)组(伤害的影响 减少与12步)的结果(清醒的自我效能感)。 然而,我们也创造了协变量(态度) 与大型协会组(r .50)和一个非常大的 相关的结果(r.70)。这些参数估计可以 被确认的数据集可以在在线补充
这篇文章中,“说明样本的语法分析”(请参阅 在线补充材料)。我们接受这个虚构的数据集 各种模式和miingne率来说明不同 结果。具体来说,数据是(a)随机删除
(MCAR)利率为10%,10%,和50%或(b)删除概率的基础上协变量的值(MAR)的
缺失值的结果强烈的可能性负相关(r -.70)协变量,3月的利率 考虑miingne的10%、20%和10%。这3月的情况代表了一个似是而非的场景在我们的说明,它是可能的 学生用更少的尊重权威和强制 参加咨询不太可能完成的测量 这些项目的研究比那些有更多的尊重 权威。
数据被删除,之后失踪的数据处理
三个策略:意味着替换(一个贫穷的处理方法
缺失的数据),心肌梗死,FIML(MI和FIML推荐方法)。利用SPSS归咎于对的意思
替代分析。MI,10个罪名被用于SAS、协变量,占miingne的机制
包括在归责模式。因为FIML是基于模型的, 我们使用一个饱和关联建模技术 3 (见格雷厄姆, 2003年)包括协变量(权威)的态度 预测(条件)和结果变量在模型中。 使用FIML Mplus被用来估计参数。 2 马尔可夫链蒙特卡罗(采样)算法是数学 复杂,充分的描述超出了本文的范围(见SAS 研究所,2008年,页。2008 -3784)。获得优势超过他们 缺失的数据模式,是任意的,而不是单调(见SAS 研究所,2008年,p .3766)。 3 协变量是包含在模型通过允许它共变 预测和剩余的结果。 6 SCHLOMER、鲍曼和卡片
对于每个数据集,我们回归结果(清醒的自我效能感)到集团来评估不同的大小
参与者接受康复治疗(编码为0) 那些收到的伤害减少治疗(编码为1), 每组30参与者。请注意,这是回归分析 相当于执行一个独立samplest测试中 两组比较结果(见如。科恩, 1968);unstandardized回归系数在这里报道 int和相当于意味着差异测试。比较 每个方法在不同的相对有效性
(10%、20%、50%)和类型的miingne(MCAR MAR) 总结在表1。在表1和在随后的讨论中, 偏见在parametersis定义为不同的百分比 完整的数据结果失踪(0%)和使用结果 不同的方法处理缺失数据的六种不同
数据集与缺失的数据。差异转化为百分比来帮助读者当比较不同方法。 结果
意味着替代。表1中可以看出,意味着替代了回归系数和相当大的偏见 标准错误,即使在低水平的miingne,并系统地低估了平均值差异和标准错误。
令人惊讶的是,意味着替代倾向于执行更糟糕的是,平均而言,在MCAR(回归coefficient27.55%;标准 error13.42%)与3月相比(回归系数 25.00%;标准error9.59%)。这可以归因于 异常表现不佳MCAR 50%。条件下 极度缺失的数据(例如50%),意味着替代执行 极其糟糕的MCAR和3月的情况
整体导致45.31%的偏差计算回归系数和23.23%偏差在标准错误。此外,意味着
替换更常见的大量缺失的数据(如。,不含缺失数据50%)继续导致相当大的偏差
回归系数(16.76%)和标准错误(5.64%)。 多个归责。正如所料,MI表现良好 常见的大量缺失的数据,在严重的相当不错 大量的丢失的数据。在常见的大量缺失的数据 (如。、10%和20%),心肌梗死导致平均偏差为11.42% 回归系数和标准误差为7.3%。缺失的数据极端时,回归系数是有偏见的
12.05%和12.05%的标准误差平均水平。比较 MCAR下的偏见与3月透露,心肌梗死导致 估计回归系数在3月更多的偏见
(15.22%)与MCAR(8.03%)相比,同样是真的 估计标准误差(3月:15.34%;MCAR:15.34%)。 然而,这些差异很先进的
意味着替代。总的来说,心肌梗死导致11.63%的偏见回归 系数和标准偏差12.46%错误。最大的偏差 在3月的20%,回归系数为21.67% 结论对缺失的数据
我们强烈敦促作者遵循最佳实践报告 处理缺失数据,我们敦促编辑建立政策 坚持认为缺失的数据是出席在定量的文章。 如果不这样做,就意味着发现和解释
结果,可能很有偏见。结论(或确定政策)的基础上有偏见的结果不科学 事实上,可能需要在一个不合适的方向。 在心理咨询领域,scientist-practitioner 模型是培训和实践的基础
构造。如果科学准确地通知实践,它不得 忽视会计等良好的科学的一个重要元素 缺失的数据是如此常见的研究。就像 研究人员经常屏幕前和清洁他们的数据分析 和收集描述性数据的样本,他们应该 缺失的数据分析系统的第一步的一部分数据 分析。研究人员知道他们必须报告回应率 调查数据,包括统计上显著的影响大小 结果。准确的报道的相同的期望应该适用 缺失的数据管理。忽略这一步是可怜的科学, 和结果报告没有注意缺失的数据就误传我们科学理解和误导的政策和实践。我们相信心理咨询领域的努力 传播,因此必须高质量研究 报告缺失数据领域的最佳实践。 讨论
在本文中,我们研究了三种不同的方法来处理
缺失的数据:意味着替代,MI,FIML。独立samplesttests的结果表明,与此前许多一致 研究,意味着替代是一个可怜的处理的首选方法
缺失的数据(Allison,2001;班纳特,2001;格雷厄姆et al ., 2003;Pallant,2007)。在我们的例子,意味着替代
归责方法导致明显的偏见回归系数和标准误差即使的数量 缺失的数据是典型的(如。、10%和20%)。此外,意味着 当缺失的数据替换导致相当大的偏见 严重(50%)。观察到的偏见意味着替换时使用 咨询心理学家,应该是相当大的关注 因为标准的系统错误是高估了, 导致减少电力检测效果
礼物。因此,我们强烈建议不要使用的意思 替代的方法改动缺失的数据。在我们的虚构的 例子,意味着替换可能会引导我们得出这样的结论: 没有差异(或只有微小差别)之间的两个 咨询方法对学生自我效能感的清醒, 当事实上,实际上是一个温和的或者大的差异。在 实践中,这可能会导致一个错误的决定提供治疗 小的效果。
所以如果意味着替代是一个贫穷的选择,什么其他的选择 研究人员?我们这里显示,符合多 理论和仿真工作之前
文章中,心肌梗死和FIML方法都是可行的策略来处理缺失数据。在我们的示例中,两个小姐和FIML提供
可接受的估计回归系数和标准错误在两种类型的缺失数据(MCAR和MAR) 缺失的数据在10%和10%。虽然不是分析
这项研究中,心肌梗死和FIML也表明当数据执行的相当好NMAR和丢失的数据的数量
适中(如。,25%;Buhi,古德森& Neilands,2008)。尽管MI和FIML表现意味着替代,因为
他们介绍了足够的偏见时关注的数据 失踪在50%,我们建议,当严重的失踪 数据存在,咨询心理学家利用额外的 辅助变量,可能为了预测缺失值
改善缺失的数据模型和后续分析。这两个
这些方法(MI FIML)将允许更多的信息,更有效的治疗方法。
