اشکالات درج مقادیر گمشده با میانگین چیست؟

2024 نویسنده: Fiona Howard | [email protected]. آخرین اصلاح شده: 2024-01-10 06:36

انتزاع میانگین روابط بین متغیرها را مخدوش می کند اما انتساب میانگین نیز روابط چند متغیره را مخدوش می کند و بر آمارهایی مانند همبستگی تأثیر می گذارد. برای مثال، فراخوانی زیر به PROC CORR همبستگی بین متغیر Orig_Height و متغیرهای Weight و Age را محاسبه می‌کند.

چرا استفاده از یک وسیله برای داده های از دست رفته ایده بدی است؟

میانگین واریانس داده‌ها را کاهش می‌دهد با عمیق‌تر رفتن به ریاضیات، واریانس کوچک‌تر منجر به فاصله اطمینان باریک‌تر در توزیع احتمال می‌شود[3]. این منجر به چیزی جز معرفی یک سوگیری به مدل ما نمی شود.

چرا مقادیر از دست رفته یک مشکل هستند؟

داده های از دست رفته مشکلات مختلفی را ایجاد می کند. اول، عدم وجود داده، قدرت آماری را کاهش می دهد، که به احتمال رد فرضیه صفر در صورت نادرست بودن آن اشاره دارد. دوم، داده های از دست رفته می تواند باعث سوگیری در تخمین پارامترها شود. سوم، می تواند نماینده بودن نمونه ها را کاهش دهد.

چرا انتساب میانگین بد است؟

مسئله 1: میانگین تخلیه روابط بین متغیرهای را حفظ نمی کند. درست است، نسبت دادن میانگین، میانگین داده های مشاهده شده را حفظ می کند. بنابراین اگر داده ها به طور تصادفی از دست رفته باشند، تخمین میانگین بی طرف باقی می ماند.

آیا باید داده های از دست رفته را با میانگین جایگزین کنید؟

نقاط داده Outliers تأثیر قابل توجهی بر میانگین خواهد داشت و بنابراین، در چنین مواردی، توصیه نمی شود از میانگین برای جایگزینی مقادیر از دست رفته استفاده کنید. استفاده از مقادیر میانگین برای جایگزینی مقادیر از دست رفته ممکن است یک مدل عالی ایجاد نکند و از این رو رد می شود.