采用WLSMV估计时，有序分类数据CFA缺失值处理策略咨询

针对你提到的两种结合WLSMV估计的缺失值处理方法，优劣对比和建议如下：

1. WLSMV + 列表删除法 #

• 优势：操作简单直接，仅保留完全观测的案例，无需额外复杂假设，和WLSMV适配性好，主流SEM软件（如Mplus、AMOS）处理逻辑清晰，结果解释无额外复杂度。
• 劣势：会损失约5%的样本量——如果原始样本量偏小，可能削弱统计效力；若缺失并非完全随机（MCAR），可能引入潜在偏差。

2. WLSMV + 成对删除法 #

• 优势：最大化利用所有可用的成对观测数据，样本信息保留更充分，在缺失为MCAR或随机缺失（MAR）时，参数估计效率通常高于列表删除。
• 劣势：成对计算得到的协方差矩阵可能出现非正定问题，而WLSMV依赖稳定的协方差结构，可能导致估计失败或结果不稳定；此外，不同参数的估计基于不同样本量，统计推断（如标准误、模型拟合指标）可能存在偏差，尤其当缺失机制偏离MCAR时。

建议 #

• 若已确认数据为**完全随机缺失（MCAR）**且原始样本量充足：优先尝试成对删除，但需提前检查协方差矩阵的正定性，若出现矩阵异常，切换回列表删除。
• 若缺失为**随机缺失（MAR）**或无法明确缺失机制：更推荐列表删除，5%的缺失率带来的样本损失在可接受范围内，能避免成对删除的潜在推断偏差和估计不稳定问题。
• 额外补充：对于有序分类数据的缺失处理，多重插补（MI）结合WLSMV是更优的进阶方案——5%的缺失率下，MI能有效保留数据信息，同时适配有序分类变量特性，估计结果更稳健，若所用软件支持（如Mplus），建议优先考虑。

内容的提问来源于stack exchange，提问作者alyx