遺漏資料的相依性

在 R 中處理遺漏值

Nicholas Tierney

Statistician

大綱

• MCAR Missing Completely at Random（完全隨機遺漏）

• MAR Missing At Random（隨機遺漏）

• MNAR Missing Not At Random（非隨機遺漏）

MCAR：是什麼？

遺漏與你已觀察或未觀察到的任何資料都無關。

test	vacation
NA	TRUE
11.533340	FALSE
10.126115	TRUE
NA	FALSE
NA	TRUE
8.551881	FALSE
NA	FALSE
NA	TRUE
10.608264	TRUE

MCAR：有何影響

影響

• 建議進行插補
• 刪除觀測會減少樣本量、限制推論，但不會產生偏誤
• 你應該進行資料插補

MAR：是什麼？

遺漏取決於已觀察到的資料，但不取決於未觀察到的資料。

影響：

• 進行插補
• 不宜刪除觀測，可能導致偏誤

test	vacation	depression
NA	TRUE	87.93109
11.533340	FALSE	40.02708
10.126115	TRUE	48.62883
NA	FALSE	88.21743
NA	TRUE	90.29282
8.551881	FALSE	44.77343
NA	FALSE	89.48865
NA	TRUE	89.99209
10.608264	TRUE	45.56832

MNAR：是什麼？

回應的遺漏與一個未觀察、但與評估重點相關的值有關。

影響：

• 無論刪除或插補，資料都會有偏誤
• 推論受限，需審慎進行。

test	vacation	depression
NA	TRUE	NA
11.533340	FALSE	11.533340
10.126115	TRUE	10.126115
NA	FALSE	NA
NA	TRUE	NA
8.551881	FALSE	8.551881
NA	FALSE	NA
NA	TRUE	NA
10.608264	TRUE	10.608264

範例：MCAR

vis_miss(mt_cars, cluster = TRUE)

範例：MAR

oceanbuoys %>% arrange(year) %>% vis_miss()

範例：MNAR

vis_miss(ocean, cluster = TRUE)

一起來練習吧！

在 R 中處理遺漏值