In multiple imputation (MI), each m

In multiple imputation (MI), each missing value is replaced by a set of m > 1 plausible values drawn from their predictive distribution. hi multiply imputed dataset is depicted in Figure 1. The variation among the m
imputations reflects the uncertainty with which the missing values can be predicted from the observed ones. After performing MI there are m apparently complete datasets, each of which can be analyzed by completedata methods. After performing identical analyses on each of the m datasets, the results (estimates and standard errors) are combined, using simple rules provided by Rubin (1987) and others, to produce overall estimates and standard errors thal reflect missing-data uncertainty.

ผลลัพธ์ (ไทย) 1:

ในหลาย imputation (MI), แต่ละค่าที่หายไปถูกแทนที่ ด้วยชุดของ m > 1 ค่าเป็นไปได้มาจากการกระจายการคาดการณ์ สวัสดีครับ คูณควาบชุดข้อมูลจะแสดงในรูปที่ 1 การเปลี่ยนแปลงระหว่างมimputations สะท้อนให้เห็นถึงความไม่แน่นอนซึ่งค่าหายไปสามารถคาดการณ์จากสิ่งที่สังเกต หลังจากดำเนินการ MI มี m datasets สมบูรณ์เห็นได้ชัด ซึ่งสามารถนำมาวิเคราะห์ โดยวิธี completedata หลังจากดำเนินการวิเคราะห์เหมือนกันในแต่ละชุดข้อมูล m ผล (การประเมินและข้อผิดพลาดมาตรฐาน) รวมกัน โดยใช้กฎง่าย ๆ โดย Rubin (1987) และคนอื่น ๆ การผลิตการประเมินโดยรวมและข้อผิดพลาดมาตรฐาน thal สะท้อนความไม่แน่นอนของข้อมูลขาดหายไป

ผลลัพธ์ (ไทย) 2:

ในหลายใส่ร้าย (MI) แต่ละค่าที่หายไปจะถูกแทนที่ด้วยชุดของ M> 1 ค่าที่เป็นไปได้ที่มาจากการกระจายการคาดการณ์ของพวกเขา Hi ชุดข้อมูลที่กล่าวหาคูณเป็นที่ปรากฎในรูปที่ 1 การเปลี่ยนแปลงในหมู่เมตร
imputations สะท้อนให้เห็นถึงความไม่แน่นอนด้วยซึ่งค่าที่ขาดหายสามารถคาดการณ์ได้จากคนที่ตั้งข้อสังเกต หลังจากดำเนินการ MI มี M ชุดข้อมูลที่เห็นได้ชัดสมบูรณ์ซึ่งแต่ละสามารถวิเคราะห์โดยวิธี completedata หลังจากดำเนินการวิเคราะห์เหมือนกันในแต่ละชุดข้อมูลเมตรผล (ประมาณการและข้อผิดพลาดมาตรฐาน) จะรวมกันโดยใช้กฎง่ายๆให้โดยรูบิน (1987) และคนอื่น ๆ ในการผลิตโดยรวมประมาณการและข้อผิดพลาดมาตรฐาน Thal สะท้อนให้เห็นถึงความไม่แน่นอนที่ขาดหายไปข้อมูล