تعطیلات نوروزی مجله- ضمن تبریک فرارسیدن بهار و شروع سال جدید به اطلاع میرساند این نشریه از تاریخ ۲۵ اسفندماه ۱۴۰۲ لغایت ۱۳ فروردین ۱۴۰۳ تعطیل می باشد.

دوره 1، شماره 1 - ( پاییز و زمستان 1390 )                   ‫جلد (1): 52 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Kazemi E, Karimlo M, Rahgozar M. A review of missing data. MEJDS 2011; 1 (1) :47-52
URL: http://jdisabilstud.org/article-1-317-fa.html
کاظمی الهه، کریملو مسعود، رهگذر مهدی. مروری بر داده‌های گم‌شده. مجله مطالعات ناتوانی. 1390; 1 (1) :47-52

URL: http://jdisabilstud.org/article-1-317-fa.html


1- دکترای آمار حیاتی، دانشیار دانشگاه علوم بهزیستی و توانبخشی
چکیده:   (13183 مشاهده)
در این مقاله سعی شده است که مفاهیم گم‌شدگی داده به صورت ساده و کاربردی توضیح داده شود.گم‌شدگی داده در تمامی پژوهش‌های علوم اجتماعی، رفتاری، پزشکی وجود دارد. در آمار ، گم‌شدن داده به وضعیتی گفته می‌شود که بخشی از مجموعه داده‌ها گزارش نشده باشند. گم‌شدگی داده باعث کاهش تطابق جامعه نمونه با جامعه کل شده و می‌تواند منجر به نتیجه‌گیری اشتباه در مورد جمعیت اصلی شود.گم‌شدگی داده یک اتفاق معمول بوده و بسته به میزان آن، می‌تواند اثر قابل توجهی در نتیجه‌گیری به دست آمده از داده‌ها داشته باشد. تمامی روش‌های برآورد پارامترها بر پایه فرض کامل بودن مجموعه داده‌ها استوار است و تحت برقراری این شرایط منجر به برآوردهایی نااریب می‌شوند؛ و البته با افزایش نسبت گم‌شدگی، مقدار اریبی نیز افزایش خواهد یافت.برای دهه‌ها، محققین از روش‌های قدیمی استفاده می‌کرده‌اند، این روش‌ها متکی به تصحیح مجموعه داده‌ها با صرف‌نظر کردن از موردهای دارای مقادیر گم‌شده و یا جایگزینی مقادیری تخمینی با مقادیر گم‌شده بودند. متأسفانه اکثر این روش‌ها وابسته به برقراربودن فرض دلایل گم‌شدگی داده و نوع سازوکار گم‌شدگی است؛ و در صورت عدم برقراری این فرض منجر به اریبی نتایج می‌شود.
متن کامل [PDF 453 kb]   (6799 دریافت)    
نوع مطالعه: مقاله پژوهشی اصیل | موضوع مقاله: توانبخشی

فهرست منابع
1. Satten GA, Carroll RJ. Conditional and Unconditional Categorical Regression Models with Missing Covariates. Biometrics 2000;56:384-388. [10.1111/j.0006-341X.2000.00384.x]
2. Fleiss J.L, Levin B, Paik M.C. Statistical Methods for Rates and Proportions. 3rd Edition. New York:John Wiley & Sons 2002. ISBN 0-471-52629-0.
3. Enders CK. Applied Missing Data Analysis. New York and London: Guilford Press 2010. ISBN 978-1-60623-639-0.
4. Hosmer DW, Lemeshow S. Applied Logistic Regression. 2nd Edition. New York: John Wiley & Sons; 2000. ISBN: 0-471-72214-6. [10.1002/0471722146]
5. Chen HY, Little R. A. test of missing completely at random for generalised estimating equations with missing data. Biometrika 1999;86:1-13. [10.1093/biomet/86.1.1]
6. Diggle P.J. Testing for random dropouts in repeated measurement data. Biometrics 1989;45:1255-1258. [10.2307/2531777]
7. Dixon W.J. BMDP statistical software. Los Angeles: University of California Press 1988.
8. Kim K. H, Bentler P. M. Tests of homogeneity of means and covariance matrices for multivariate incomplete data. Psychometrika 2002:67:609-624. [10.1007/BF02295134]
9. Little R. J. A. A test of missing completely at random for multivariate data with missing values. Journal of the American Statistical Association 1988;83:1198-1202. [10.1080/01621459.1988.10478722]
10. Muthén B, Kaplan D, Hollis M. On structural equation modeling with data that are not missing completely at random. Psychometrika 1987;52:431-462. doi: [10.1007/BF02294365]
11. Park T, Lee S-Y. A test of missing completely at random for longitudinal data with missing observations.Statistics in Medicine 1997;16:1859-1871. https://doi.org/10.1002/(SICI)1097-0258(19970830)16:16<1859::AID-SIM593>3.0.CO;2-3 [DOI:10.1002/(SICI)1097-0258(19970830)16:163.0.CO;2-3]
12. Thoemmes F, Enders C. K. A structural equation model for testing whether data are missing completely at random. Paper presented at the annual meeting of the American Educational Research Association, Chicago, IL 2007 April.
13. SPSS Missing Value Analysis™ 17. SPSS Inc 2007. Printed in the United States of America. http://www.spss.com
14. Longford NT. Missing data and small area estimation. Springer 2005 ISBN-13: 978-185233-760-5.
15. Karimlou M.Jandaghi G.R. Mohammad K.Wolfe R.Azam K. A Comparison of Parameter Estimates in Standard Logistic Regressin Using WinBUGS MCMC and MLE Methods in R for Different Sample Size.Far East J.Theo.stat 2006.
16. Ibrahim J G, Chen MH, Lipsitz SR. Bayesian methods for generalized linear models with covariates missing at random. Canadian Journal of Statistics 2008 DEC 10;2307/3315865.
17. Marwala T. Computational Intelligence for Missing Data Imputation, Estimation, and Management: Knowledge Optimization Techniques. South Africa: University of Witwatersrand IGI Global; 2009 ISBN 978-1-60566-336-4. [DOI:10.4018/978-1-60566-336-4]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله مطالعات ناتوانی (علمی- پژوهشی) می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Middle Eastern Journal of Disability Studies

Designed & Developed by : Yektaweb