Robuste und effiziente multiple Imputation komplexer Datensätze

复杂数据集的稳健且高效的多重插补

• 批准号: 72414832
• 负责人: Professor Dr. Jost Reinecke
• 金额: --
• 依托单位: Arbeitsbereich Psychologische Methoden und Statistik
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2008
• 资助国家: 德国
• 起止时间: 2007-12-31 至 2016-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/72414832?language=en
• 关键词: Robuste; und; effiziente; multiple; Imputation

Selbst in sorgfältig durchgeführten wissenschaftlichen Umfragen treten fehlende Werte auf. Valide Inferenzen basierend auf unvollständig beobachteten Datensätzen sind aber nur möglich, wenn das Problem fehlender Werte angemessen behandelt wird. Eine zunehmend auch von Bereitstellern öffentlich nutzbarer Datensätze akzeptierte Methode zur Kompensation fehlender Werte ist die Methode der multiplen Imputation. Verfügbare modell-basierte Techniken zur Erzeugung multipler Imputationen sind beschränkt auf parametrische Modelle, die, wenn fehlspezifiziert, zu unnötig ungenauen oder sogar verzerrten Inferenzen führen können. Darüber hinaus sind die verfügbaren Programme nicht zur Imputation großer, komplexer Datensätze mit Clusterstrukturen oder Paneldatensätze vorgesehen. Im beantragten Projekt werden Prozeduren zur Erzeugung multipler Imputationen erweitert um, basierend auf einem approximativen Bayes- sowie einem Bayes-Ansatz, eine effiziente und robuste multiple Imputation komplexer Datensätze und damit valide und genauere Inferenzen zu ermöglichen. Weiterhin sollen, auf der Basis existierender und im Projekt zu entwickelnder Programme, Richtlinien zum Umgang mit der Methode der multiplen Imputation insbesondere im Hinblick auf mögliche, in der Literatur diskutierte Grenzen erarbeitet und veröffentlicht werden. Die Notwendigkeit der zu entwickelnden Erweiterungen wird anhand inhaltlicher Anwendungen und mit Hilfe realer Datensätze illustriert werden. Die Imputations-Programme werden der Scientific Community zur Verfügung gestellt.

Selbst in sorgfältig durchgeführten wissenschaftlichen Umfragen treten fehlende Werte auf.验证推理的基础是对数据的理解，但只有在问题变得更复杂时才能进行。一种对无价值数据的补偿方法是多重估算方法。Verfügbare model-basierte Techniken zur Erzeugung multipler Imputationen sind beschränkt auf parametrische Modelle，die，wenn fehlspezifiziert，zu unötig ungenauen oder sogar verzerrten Inferenzen führen können.因此，该方案并不适用于大规模的估算，而是将复杂的数据与结构或小组数据结合起来。本文介绍了一种基于贝叶斯近似的多重插补算法的韦尔登设计方案，该方法有效、稳健地处理了复杂的数据集，并具有良好的有效性和一般的推断性。因此，在研究的基础上，在项目的实施中，采用多重估算方法对人口进行估算，在文学研究中，这种方法是可行的，也是韦尔登。这两种方法都是有效的，但都需要有一个更好的方法，那就是用真实的数据来说明韦尔登。Die Imputations-Programme韦尔登der Scientific Community zur Verfügung gestellt.