İstatistik – Sosyal Bilimlerde İstatistik (51) – Eksik Verileri Dahil Etme – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

0 (312) 276 75 93 @ İletişim İçin Whatsapp Mesajı + 90 542 371 29 52 - Ödev Yaptırma, Proje Yaptırma, Tez Yaptırma, Makale Yaptırma, Essay Yaptırma, Literatür Taraması Yaptırma, Vaka İncelemesi Yaptırma, Research Paper Yaptırma, Akademik Makale Yaptırma, İntihal Oranı Düşürme, İstatistik Ödev Yaptırma, İstatistik Proje Yaptırma, İstatistik Tez Yaptırma, İstatistik Makale Yaptırma, İstatistik Essay Yaptırma, Edebiyat Ödev Yaptırma, Edebiyat Proje Yaptırma, Edebiyat Tez Yaptırma, İngilizce Ödev Yaptırma, İngilizce Proje Yaptırma, İngilizce Tez Yaptırma, İngilizce Makale Yaptırma, Her Dilde Ödev Yaptırma, Hukuk Ödev Yaptırma, Hukuk Proje Yaptırma, Hukuk Tez Yaptırma, Hukuk Makale Yaptırma, Hukuk Essay Yaptırma, Hukuk Soru Çözümü Yaptırma, Psikoloji Ödev Yaptırma, Psikoloji Proje Yaptırma, Psikoloji Tez Yaptırma, Psikoloji Makale Yaptırma, İnşaat Ödev Yaptırma, İnşaat Proje Yaptırma, İnşaat Tez Yaptırma, İnşaat Çizim Yaptırma, Matlab Yaptırma, Spss Yaptırma, Spss Analizi Yaptırmak İstiyorum, Ücretli Spss Analizi, İstatistik Ücretleri, Spss Nedir, Spss Danışmanlık, İstatistik Hizmeti, Spss Analizi ve Sonuçların Yorumlanması, Spss Ücretleri, Tez Yazdırma, Ödev Danışmanlığı, Ücretli Ödev Yaptırma, Endüstri Mühendisliği Ödev Yaptırma, Tez Yazdırma, Matlab Ödev Yaptırma, Tez Danışmanlığı, Makale Danışmanlığı

1 Star2 Stars3 Stars4 Stars5 Stars (Bu yazıya oy vermek ister misiniz?)
Loading...

İstatistik – Sosyal Bilimlerde İstatistik (51) – Eksik Verileri Dahil Etme – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

30 Eylül 2020 arka dağılımdan örnekleme Eksik Verileri Dahil Etme  eksik verileri dahil etmek eksik verileri dahil ettikten sonra Gibbs örnekleyicisinin eksik verileri kolayca ele alabildiği gözlemlenen sonuç verisi gözlemlenen vakaların bağımsız olduğu İstatistik – Sosyal Bilimlerde İstatistik (51) – Eksik Verileri Dahil Etme – İstatistik Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma Ödevcim Akademik regresyon parametreleri ve hata varyansı Veriler MAR olduğunda genel bir Bayesci yaklaşım 0
İstatistik – Sosyal Bilimlerde İstatistik (51) – Eksik Verileri Dahil Etme – İstatistik Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

 

On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


Eksik Verileri Dahil Etme 

Eksik veri mekanizmasının göz ardı edilebilir mi yoksa göz ardı edilemez mi olduğuna karar vermek için bir tür önceki, örneklem dışı bilgiye güvenmeliyiz. Örneğin, GSS verilerinde, gelirde eksik 302 kişi vardı. Gelirin bizim sonuç değişkenimiz olduğunu varsayalım ve eğitimin gelir maddesinde eksikliği öngördüğü bir probit modeli tahmin ettik.

Bu analizin sonucu (burada sunulmamaktadır), eğitimin gelir eksikliğiyle güçlü bir şekilde ilişkili olduğunu göstermiştir, öyle ki daha eğitimli kişilerin gelir kaybı olma olasılığı daha düşüktür (tersine, daha az eğitimli kişilerin gelirde eksik olma olasılığı daha yüksektir).

Bu sonuç bize basitçe gelirin OAR olmadığını söylüyor. Bununla birlikte, daha eğitimli bireylerin daha yüksek gelirlere sahip olma eğiliminde olduğunu gösteren önceden (örneklem dışı) bilgiye sahipsek, o zaman gelirle ilgili eksik verilerin MAR olmadığı sonucuna varabiliriz: Düşük gelir, gelir eksikliğini öngörür.

Eksik veri mekanizmasının göz ardı edilebilir olduğuna karar verirsek, o zaman liste bazında silme işleminin tek maliyeti – yani, bir veya daha fazla değişken eksik olduğunda bir vakanın tamamının silinmesi – örneklem büyüklüğündeki azalma ve buna karşılık gelen standart hataları tahmin etmedeki verimsizliktir ( veya parametrelerin arka standart sapmaları). Aslında, bu ortamda bir tür isnat etme girişiminde bulunursak, parametrelerde önyargı üretme veya belirsizliği hafife alma olasılığımız artar.

Öte yandan, eksik veri mekanizması önemsiz ise, liste bazında silme önyargılı parametre tahminleri üretecektir, ancak eksik verileri üreten süreci doğru bir şekilde yakalayamayan basit isnat veya modelleme stratejilerinin çoğu biçimi de aynı şekilde olacaktır. Örneğin, sözde “tam bilgi maksimum olasılık” (FIML) tahmini (bazen “doğrudan maksimum olasılık tahmini” olarak da adlandırılır), EM algoritmasına dayalı tahmin, çoklu isnat yöntemleri ve diğer popüler çağdaş yöntemler işe yarar. eksik veri mekanizmasının önemsizliğini çözmez.

Bunun yerine, tipik uygulamalarında, bu yaklaşımlar, eksik verilerin gözlemlenen verilerle aynı dağılımı (veya modeli) izlediğini varsayar. Bu nedenle, popülerliklerinin artmasına rağmen, eksik veriler MAR olmadığında bu yöntemler sonuçta çok az kullanılır.

Veriler MAR olduğunda genel bir Bayesci yaklaşım

Bayesian paradigması (MCMC yöntemleriyle birleştiğinde), eksik veri mekanizması göz ardı edilebilir olduğunda eksik verileri ele almak için basit bir yaklaşım sunar; bu, genellikle;

(1) kullandığınız pakette anahtarlama yazılımı veya tahmin edicilerden daha kolaydır. eksik bir veri yöntemine sahip değildir (örneğin, bir yapısal denklem modelleme paketinden diğerine geçerek eksik verileri işleyebilir) veya

(2) parametreleri hesaplamak ve eksik veri modelleri için standart hataları ayarlamak için çok adımlı prosedürler gerçekleştirir (örn. çoklu isnat yapılırken standart hataları ayarlamak için ikincil paket).

Gibbs örnekleyicisinin eksik verileri kolayca ele alabildiğini gösteren bir örnek olarak, önceki örnekteki ilk sonuca (empati) dönüyorum. Orijinal örneklem büyüklüğünün 2.696 olduğunu, ancak gelirde veya sonuç değişkenlerinden birinde bazı kişilerin eksik olduğunu ve bize eksiksiz bilgi veren 2.313 kişinin kaldığını hatırlayın. Şimdilik geliri olmayan kişileri görmezden gelmeye devam edeceğiz, ancak empati maddesine kayıp kişileri de dahil etmek istediğimizi varsayalım. Örnekte bu tür 34 kişi vardı. Bu sonuca odaklanmak, yalnızca diğer sonuçları eksik olan kişileri dahil etmemize izin verir ve bu nedenle örneklem büyüklüğümüz 2.394’tür.

Y gözlemlenen sonuç verisi ve Z de eksik sonuç verisi olsun. Eksik veri olmayan OLS regresyon modelinde, aradığımız arka dağılım, regresyon parametre vektörünü β ve hata varyans parametresi σe2’yi içeriyordu. Bununla birlikte, eksik veriye sahip olduğumuzda, eksik veriler de bilinmeyen olarak değerlendirilebilir ve bu nedenle, arka dağılım Z’yi de içerebilir. Böylece (X’e bağımlılığı bastırarak), posteriorumuz:

  • p (β, σe2, Z | Y) ∝ p (Y | β, σe2, Z) p (β, σe2, Z).

Bu posteriordaki ikinci terim, eksik veriler, regresyon parametreleri ve hata varyansı ve şu şekilde ayrıştırılabilir:

p (β, σe2, Z) ∝ p (Z | β, σe2) p (β, σe2).

Ayrıca, gözlemlenen vakaların bağımsız olduğu varsayıldığı gibi, gözlemlenen ve eksik durumların bağımsız olduğunu da varsayabiliriz ve bu nedenle sondaki ilk terim p (Y | β, σe2) ‘ye indirgenir. Tam posterior dağılım şu şekildedir:

  • p (β, σe2, Z | Y) ∝ p (Y | β, σe2) p (Z | β, σe2) p (β, σe2).

Burada son terim, regresyon parametreleri ve hata varyansı için basitçe ortak bir öncesidir. Tam verilerle (1 / σe2) örnekte yaptığımızla aynı referansı varsayalım.

Bu arka dağılımdan örnekleme için bir Gibbs örnekleyicisi, basitçe β, σe2 ve Z için koşullu arka dağılımlardan sıralı örnekleme içerir. Β | Z, σe2, Y için koşullu posterior dağılım, Z için verilen değerlerdir. Aslında, Z için değerlerimiz olduğunu varsayalım, böylece Y ∗ = [Y, Z] tam bir veri kümesidir. Bu durumda:

  • (β | Y ∗, σe2) ∼ N ((XT X) −1 (XT Y ∗), σe2 (XT X) −1),

Bu daha önce elde ettiğimiz sonuçla aynıdır, ancak şimdi eksik verileri dahil ettik.

Benzer şekilde, Y ∗ verildiğinde, hata varyansının koşullu posterioru:

  • (σ e2 | Y ∗, β) ∼ I G (α = n ∗ / 2, β = e ∗ T e ∗ / 2),

Burada n ∗ örneklem boyutudur ve e ∗ T e ∗ eksik verileri dahil ettikten sonra karelerin hata toplamıdır (e ∗ = Y ∗ – Xβ).
Geriye kalan, eksik veriler Z için koşullu posterior spesifikasyonudur, böylece Y ∗ oluşturabiliriz. Y ve Z’nin bağımsız olduğu, Z’nin her birinin bağımsız olduğu ve Z için Y ile aynı modeli varsaydığımız (eksik veri mekanizmasının göz ardı edilebilir olduğu; veriler MAR olduğu) göz önüne alındığında, hakkında hiçbir bilgimiz yok her bir Z için, gözlenen Y verilerinden β ve σe2 hakkında bilinenin ötesinde arka dağılım söz konusudur. 

Sonuç olarak, eksik verileri dahil etmek, orijinal (tam koşullu) Gibbs örnekleyicimize yalnızca birkaç satırlık programlama kodunun eklenmesini içerir. Aşağıda Gibbs örnekleyicisinin “eti” için bazı değiştirme kodları verilmiştir. Orijinal değişken, y, 999 kodlu eksik veriye sahip sonuç vektörüdür. İlk olarak, ystar, y değerine eşit olarak ayarlanır, ancak eksik veriye sahip her kişi için, y, ortalama XiT olan normal bir rastgele değişkenle değiştirilir β ve bu parametrelerin mevcut değerlerini kullanan bir σe2 varyansı içerir.


On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Sosyal Bilimlerde İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Analiz Yaptırma, Veri Analizi Yaptırma aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz ve projeleriniz ile ilgili destek alabilirsiniz.


 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir