Multiple Imputation — MICE
Multiple Imputation (MI), formelt introduceret af Donald B. Rubin i 1987, er en principiel statistisk procedure til håndtering af manglende data. I stedet for at erstatte hver manglende værdi én gang, udfylder MI hullerne m gange — hver gang ved at trække plausible værdier fra den posteriore prædiktive fordeling af de manglende data — hvilket producerer m komplette datasæt. Hvert datasæt analyseres uafhængigt, og resultaterne kombineres til et enkelt sæt estimater ved hjælp af Rubins pooling-regler. MICE-varianten (Multivariate Imputation by Chained Equations), populariseret af van Buuren og Groothuis-Oudshoorn (2011), udvider tilgangen til blandede variabeltyper ved at imputere hver variabel efter tur gennem en sekvens af betingede regressionsmodeller.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- Rubin, D.B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley. DOI: 10.1002/9780470316696 ↗
- van Buuren, S. & Groothuis-Oudshoorn, K. (2011). mice: Multivariate Imputation by Chained Equations in R. Journal of Statistical Software, 45(3), 1–67. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Multiple Imputation by Chained Equations (MICE). ScholarGate. https://scholargate.app/da/statistics/multiple-imputation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Propensity Score MatchingForskningsstatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →