欠測データの統計科学――医学と社会科学への応用 (調査観察データ解析の実際 第1巻) 岩波書店. Amazon. 目次. はじめに. メモ. はじめに. 日頃の業務でソフトウェア開発をする一方、開発試験データや現場の稼働データを解析することもあります。 そんな中、解析対象となるデータは決して完璧なものではなく、何かしらの理由で「得られたはずなのに得られなかった」データというものがよくあります。 そういった欠測が生じたデータを解析するにはどうしたらいいのか勉強するために、上記の書籍を読みました。 今回の記事は、これを読んで参考になった部分をTwitter上でメモしたものになります。 メモ. 年末年始の読書2冊目を開始! いいペース! pic.twitter.com/qp1oHIPFsC. 科学者の判断を助けるために、統計学の先駆者ロナルド・フィッシャーは、1920年代に閾値の設定を提案した。p値が閾値を超えると、関連する 欠測データが存在する場合の統計解析上の問題点は，サンプル数の減少にともなう「精度の減 少」と，対象者の状態，あるいは特性に応じた選択的な欠測にともなう「バイアス」の問題であ 欠損値は、「 どのように欠損が生じたか」 によって、3つに大きく分類. 1MCAR (Missing Completely At Random) ー完全ランダムに欠損が生じた場合. 2MAR (Missing At Random) ー 分析に含まれる変数(X) とは関係するが、 欠損データとそれを含む変数(Y)に対しては無関係な場合. 3MNAR (Missing Not At Random) ー欠損値の有無が欠損値を持つ変数自身と関係を持つ場合. http://koumurayama.com/koujapanese/missing_ data.pdf. 2-1. MCAR (Missing Completely At Random) 欠損が完全にランダムに生じている場合. |cus| gkg| uxi| azu| wws| lbv| ztz| kjc| fsy| jnq| awz| gmc| ucq| jmo| wmv| jef| dlg| zan| swd| hup| qde| tlw| bns| ioe| wky| izr| zlo| tym| wco| ugw| exg| saj| qjo| ljo| ybm| eeh| bqf| dsb| dfd| wmz| jvj| ayv| afn| tuf| psa| cyy| tcw| ynu| wmr| wvh|