邓居敏 陈 羽 关 颖

(南方医科大学公共卫生学院生物统计学系 广州 510515)

近年来，结构方程模型在心理、教育、医学等领域中被广泛使用[1]。在结构方程模型分析中，我们常依靠一些可直接测量的观测变量来预测不能准确、直接测量的潜变量(Latent Variable)。在结构方程模型统计分析中，缺失值的处理是不可避免的问题，而缺失数据的存在会对统计分析结果造成偏移，降低检验效能[2]。因此，我们需要充分分析缺失数据的信息，对缺失数据进行估计，寻求较为合理的处理方法。在结构方程模型中，缺失值的处理方法大致可以分为删除法(Listwise Deletion，LD)、填补法(Multiple Imputation，MI)，EM算法(Expectation Maximization Algorithm)和似然估计法(Full-formation Max-Likelihood，FIML)4种。国内外学者的研究主要采用单种方法对结构方程模型中的缺失数据进行处理[3～6]，缺少各方法间的比较。因此，对于结构方程模型中缺失数据的处理还未见较权威的方法，不同处理方法之间也缺少合理的评价标准。本研究旨在通过采用以上4种处理方法对缺失数据进行填补，比较其处理效果，为以后分析存在缺失值的结构方程模型提供方法学参考。

1 对象与方法

1.1 数据来源

本研究数据来自一项对于广东省某医学高校共计2503人在内的大学新生的学前调查。调查所用的量表是在美国高等教育研究机构(Cooperative Institutional Research Project，CIRP)所编制的大学新生调查表基础上根据中国的实际情况改编而成的[7]。我们将调查表与录取通知书一起邮寄给新生，并在学生到学校进行入学报到时回收调查表。调查表总共14个条目，分为4个维度：学术自我效能、学术目标、社会目标以及经济目标，各条目采用Likert 4～7点计分方式。……