Discussion :

[Noiram94]

Bonjour,
En utilisant la PROC LCA, j'ai le message d'erreur suivant :

WARNING: The estimation engine was not able to fit the saturated model
in order to adjust G-squared to account for missing data.
This may be due to having a large number of response items.
The G-squared, AIC and BIC fit statistics will NOT be provided in the output.
WARNING: The estimation engine was not able to compute standard errors.
Standard errors may not be supported for the kind of model
and/or the kinds of parameter constraints which you are
using, but may be available in future software releases.
Please see the users' guide for details.

Je n'ai pas de données manquantes en revanche je me demande si je n'ai pas mis trop de variables dans la procédure (40).
C'est une méthode que je ne connais pas trop donc tous commentaires, informations... sont les bienvenus!
Merci
Marion

[Guyguy La Tambouille]

Salut Marion,

Je n'ai pas de réponse... et je rencontre actuellement les mêmes problèmes (les deux mêmes WARNING), avec mes 49 variables ^^.
Par contre de mon côté j'ai quelques valeurs manquantes !

J'ai tenté plusieurs astuces, dont celle qui consistait à rajouter l'option "RHO PRIOR=1" mais rien n'y fait...

Quelqu'un aurait-il une idée svp ???

Merci d'avance,

[Guyguy La Tambouille]

Pour essayer de faire gagner du temps aux suivants, voici comment j'ai procédé :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
proc lca data=data_guyguy OUTPARAM=VAR_param_5CLASSES/*paramètres*/ outpost=IND_5CLASSES/*probabilité a posteriori des indiv*/;
	nclass 5;
	id NUM;
	items Var01R...Var49R;/*liste des noms de mes 49 variables que je souhaite utiliser pour classifier (en 5 classes donc)*/
	categories 2...2/*j'ai 49 variables binaires, il faut donc ici 49 "2"*/;
	RHO PRIOR=5;/*if WARNING = "Standard errors could not be computed"!! We can fix this problem by adding a weak but adequete stabilizing prior on RHO(s)*/
	BETA PRIOR=5;/*To stabilize the beta parameters in a model with covariates and sparse data, beta prior=nclass*/
	covariates COV1 COV2 COV3 COV4;/*ici 4 covariables d'intérêt*/
	seed 123741;
	maxiter 20000;/*on peut l'augmenter si WARNING "null hypothesis did not converge"*/
run;

J'obtiens bien les "Rho estimates (item response probabilities)", les probabilités à posteriori de chaque individu d'appartenir à chacune des 5 classes, ainsi que les Beta estimates (paramètres pour les covariables mentionnées, puis leur Odds Ratio ainsi que leur test Type III).

Je n'ai dorénavant plus qu'un seul "WARNING: The estimation engine was not able to compute standard errors. Standard errors may not be supported for the kind of model and/or the kinds of parameter constraints which you are using, but may be available in future software releases. Please see the users' guide for details."
Cependant la seule information que j'ai dans "Fit statistics" est : Log-likelihood = -53536.81. Pas d'AIC/BIC/SSBIC/Entropy...qui m'auraient permis de mieux comparer les modèles à 3/5/7 classes, pour choisir un nombre de classes optimal.

En tout cas un ami qui travaille sous Mplus trouve bien les mêmes résultats ce qui est déjà bien (lui a même pu obtenir des AIC/BIC/SSBIC/Entropy et à pu utiliser les tests VLMR, LMRa-LRT, ou BLRT qui testent si le choix de k classes ajuste mieux que k-1 classes).

Bon courage à tous,

Guyguy