Daudzveida imputācija — MICE
Daudzveida imputācija (MI), ko oficiāli 1987. gadā ieviesa Donalds B. Rubins, ir principializēta statistikas procedūra trūkstošo datu apstrādei. Tā vietā, lai vienreiz aizstātu katru trūkstošo vērtību, MI aizpilda nepilnības m reizes — katru reizi izvelkot ticamas vērtības no trūkstošo datu aizmugurējās prognozēšanas sadalījuma —, radot m pilnus datu kopumus. Katrs datu kopums tiek analizēts neatkarīgi, un rezultāti tiek apvienoti vienā novērtējumu kopā, izmantojot Rubina apvienošanas noteikumus. MICE variants (daudzveidīga imputācija, izmantojot ķēdes vienādojumus), ko popularizēja van Buurens un Groothuis-Udshūns (2011), paplašina pieeju jauktiem mainīgo tipiem, imputējot katru mainīgo pēc kārtas, izmantojot nosacītu regresijas modeļu secību.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Multiple Imputation by Chained Equations (MICE). ScholarGate. https://scholargate.app/lv/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 MatchingPētniecības statistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →