In an attempt to establish the miss

In an attempt to establish the missing data, the rule of thumb for missing data has been applied here, i.e. data under 10% for an individual case or observation can generally be ignored. Moreover, Tabachnick & Fidell (2007, p. 63) point out that, if only few data points are missing in a random pattern from a large data set – such as 5% or less – the problem is then not considered to be serious. As a result, no cases were deleted from our data set. Notably, however, outliers cannot be characterized as either beneficial or problematic (Hair et al., 2010), although they can bias the mean and therefore inflate the standard deviations (Field & Hole, 2003). Thus, we should be aware of such values as they can bias the model fit to data (Field, 2010).

ผลลัพธ์ (ไทย) 1:

ในความพยายามในการสร้างข้อมูลหายไป มีการใช้กฎของหัวแม่มือขาดหายไปข้อมูลที่นี่ เช่นข้อมูลภายใต้ 10% สำหรับแต่ละกรณีหรือสังเกตโดยทั่วไปจะถูกละเว้น นอกจากนี้ Tabachnick & Fidell (2007, p. 63) ชี้ว่า ถ้าเพียงไม่กี่จุดข้อมูลจะหายไปในรูปแบบสุ่ม จากชุดข้อมูลขนาดใหญ่– เช่น 5% หรือน้อยกว่า – ปัญหาแล้วไม่ถือว่าร้ายแรง เป็นผล กรณีไม่ถูกลบออกจากชุดข้อมูลของเรา โดยเฉพาะอย่างยิ่ง อย่างไรก็ตาม outliers ไม่สามารถจะมีลักษณะเป็นประโยชน์ หรือมีปัญหา (ผมและ al. 2010), แม้ว่าพวกเขาสามารถหมายถึงอคติ และจึง ขยายส่วนเบี่ยงเบนมาตรฐาน (ฟิลด์และหลุม 2003) ดังนั้น เราควรจะทราบถึงค่าดังกล่าว ตามที่พวกเขาสามารถอคติแบบพอดีกับข้อมูล (เขตข้อมูล 2010)

ผลลัพธ์ (ไทย) 2:

ในความพยายามที่จะสร้างข้อมูลที่ขาดหายกฎของหัวแม่มือสำหรับข้อมูลที่หายไปได้ถูกนำมาใช้ที่นี่คือข้อมูลที่อายุต่ำกว่า 10% สำหรับกรณีที่บุคคลหรือข้อสังเกตโดยทั่วไปจะสามารถละเว้น นอกจากนี้ Tabachnick & Fidell (. 2007 P 63) ชี้ให้เห็นว่าถ้าเพียงไม่กี่จุดข้อมูลที่ขาดหายไปในรูปแบบสุ่มจากชุดข้อมูลขนาดใหญ่ - เช่น 5% หรือน้อยกว่า - ปัญหาก็จะไม่ถือว่าเป็นที่ร้ายแรง เป็นผลให้ไม่มีกรณีถูกลบออกจากชุดข้อมูลของเรา สะดุดตา แต่ค่าผิดปกติไม่สามารถจะมีลักษณะเป็นทั้งประโยชน์หรือมีปัญหา (ผม et al., 2010) แม้ว่าพวกเขาจะสามารถอคติเฉลี่ยและดังนั้นจึงขยายส่วนเบี่ยงเบนมาตรฐาน (& ฟิลด์ Hole, 2003) ดังนั้นเราจึงควรจะตระหนักถึงคุณค่าเช่นที่พวกเขาสามารถมีอคติแบบพอดีกับข้อมูล (ฟิลด์, 2010)

ผลลัพธ์ (ไทย) 3:

ในความพยายามที่จะสร้างข้อมูลที่หายไป , กฎของหัวแม่มือสำหรับข้อมูลที่ขาดหายไปถูกนำมาใช้ที่นี่ เช่น ข้อมูลต่ำกว่า 10% สำหรับแต่ละกรณีหรือการสังเกตโดยทั่วไปจะถูกละเว้น นอกจากนี้ tabachnick & fidell ( 2550 , หน้า 63 ) ชี้ให้เห็นว่า ถ้าจุดข้อมูลเพียงไม่กี่จะหายไปในรูปแบบการสุ่มจากชุดข้อมูลที่มีขนาดใหญ่ ( เช่น 5% หรือน้อยกว่า–ปัญหาก็ไม่ถือเป็นจริงจัง ผลคือ ไม่มีรายจะถูกลบจากข้อมูลชุดของเรา โดยเฉพาะ อย่างไรก็ตาม เมื่อไม่สามารถลักษณะเป็นประโยชน์หรือมีปัญหา ( ผม et al . , 2010 ) , แม้ว่าพวกเขาจะ อคติ ค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐาน ( จึงขยายสนาม & หลุม , 2003 ) ดังนั้นเราจึงควรตระหนักถึงคุณค่า เช่น พวกเขาสามารถตั้งค่ารูปแบบพอดีกับข้อมูล ( ฟิลด์ , 2010 )