On the Model-Based Bootstrap With Missing Data: Obtaining a <i>P</i>-Value for a Test of Exact Fit
Notice bibliographique
Résumé
Evaluating the fit of a structural equation model via bootstrap requires a transformation of the data so that the null hypothesis holds exactly in the sample. For complete data, such a transformation was proposed by Beran and Srivastava (1985) Beran, R. and Srivastava, M. S. 1985. Bootstrap tests and confidence regions for functions of a covariance matrix. The Annals of Statistics, 13: 95–115. [Crossref], [Web of Science ®] , [Google Scholar] for general covariance structure models and applied to structural equation modeling by Bollen and Stine (1992) Bollen, K. A. and Stine, R. A. 1992. Bootstrapping goodness-of-fit measures in structural equation models. Sociological Methods and Research, 21: 205–229. [Crossref], [Web of Science ®] , [Google Scholar]. An extension of this transformation to missing data was presented by Enders (2002) Enders, C. K. 2002. Applying the Bollen-Stine bootstrap for goodness-of-fit measures to structural equation models with missing data. Multivariate Behavioral Research, 37: 359–377. [Taylor & Francis Online], [Web of Science ®] , [Google Scholar], but it is an approximate and not an exact solution, with the degree of approximation unknown. In this article, we provide several approaches to obtaining an exact solution. First, an explicit solution for the special case when the sample covariance matrix within each missing data pattern is invertible is given. Second, 2 iterative algorithms are described for obtaining an exact solution in the general case. We evaluate the rejection rates of the bootstrapped likelihood ratio statistic obtained via the new procedures in a Monte Carlo study. Our main finding is that model-based bootstrap with incomplete data performs quite well across a variety of distributional conditions, missing data mechanisms, and proportions of missing data. We illustrate our new procedures using empirical data on 26 cognitive ability measures in junior high students, published in Holzinger and Swineford (1939) Holzinger, K. J. and Swineford, F. 1939. A study in factor analysis: The stability of a bi-factor solution. Supplementary Educational Monographs, 48: 1–91. [Google Scholar].
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,148 | 0,591 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,010 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,018 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».