यह बताने का कोई तरीका नहीं कि कौन से मान गायब होंगे
Missing data को हटा सकते हैं
MAR
Missing at Random
Missingness डेटासेट के वैरिएबल्स पर निर्भर है
Missing मानों का अनुमान लगाने के लिए multiple imputation का उपयोग करें
MNAR
Missing Not at Random
न MCAR, न MAR
वैरिएबल्स के बीच नियतात्मक संबंध
इस कोर्स में missing data से निपटना
Missingness का पूरा उपचार इस कोर्स के दायरे से बाहर है
हम जाँचेंगे कि डेटा MCAR होना संभव है या नहीं, और फिर missing मान हटा देंगे
MAR के लिए एक त्वरित जाँच
किसी कॉलम को recode करें: डेटा missing हो तो one, अन्यथा zero
उस पर अन्य वैरिएबल्स को logistic regression से regress करें
Significant p-value MAR दर्शाती है
Missingness वाले अन्य कॉलम्स के लिए दोहराएँ
कुछ p-values संयोग से significant हो सकते हैं, इसलिए regressions की संख्या के आधार पर significance cutoff समायोजित करें
MAR त्वरित जाँच उदाहरण
# Our dependent variable
is_missing <- rbinom(1000, 1, 0.5)
# Our independent variables
data_matrix <- matrix(rnorm(1000*10), nrow = 1000,
ncol = 10)
# A vector of p-values we'll fill in
p_vals <- rep(NA, ncol(data_matrix))
MAR त्वरित जाँच उदाहरण
# Perform logistic regression
for (j in 1:ncol(data_matrix)) {
s <- summary(glm(is_missing ~ data_matrix[, j]),
family = binomial)
p_vals[j] <- s$coefficients[2, 4]
}
# Show the p-values
p_vals
Preparing Video For Download...
