• Global imputation based on a miss

• Global imputation based on a missing attribute
If we look at the other values taken by a variable with a missing item, and we find that some of them are more
frequent than others, then we may decide to use this fact to assign the most frequent value to a missing one. We fill
the missing attribute values with a measure of central tendency (see [9–11] for a comparison of mean imputation
and the most common imputation attribute value). These methods are usually regarded as inadequate, because the
standard deviation of the sample is underestimated even when data are MCAR.

ผลลัพธ์ (ไทย) 1:

•โลก imputation อิงแอตทริบิวต์หายไปถ้าเรามองไปที่ค่าอื่น ๆ โดยตัวแปรสินค้าขาดหายไป และเราพบว่า บางส่วนของพวกเขาเพิ่มเติมบ่อยกว่าคนอื่น แล้วเราอาจตัดสินใจใช้ความจริงนี้เพื่อกำหนดค่าบ่อย ๆ ให้หายไป เราเติมค่าแอตทริบิวต์หายไปกับการวัดของ tendency กลาง (ดู [9-11] การเปรียบเทียบค่าเฉลี่ย imputationและค่าแอตทริบิวต์ imputation ทั่วไป) วิธีการเหล่านี้มักจะถือเป็นไม่เพียงพอ เนื่องจากการส่วนเบี่ยงเบนมาตรฐานของตัวอย่างอยู่ตลอดแม้ว่าข้อมูลจะ MCAR

ผลลัพธ์ (ไทย) 2:

•ใส่ร้ายทั่วโลกขึ้นอยู่กับคุณลักษณะที่หายไป
ถ้าเราดูที่ค่าอื่น ๆ ที่ถ่ายโดยตัวแปรที่มีรายการที่ขาดหายไปและเราพบว่าบางส่วนของพวกเขามากขึ้น
บ่อยกว่าคนอื่น ๆ แล้วเราอาจตัดสินใจที่จะใช้ความเป็นจริงนี้จะกำหนดให้บ่อยที่สุด คุ้มค่าที่จะหายไปอย่างใดอย่างหนึ่ง เรากรอก
หายไปค่าแอตทริบิวต์ที่มีตัวชี้วัดแนวโน้มเข้าสู่ส่วนกลาง (ดู [9-11] สำหรับการเปรียบเทียบการใส่ค่าเฉลี่ย
และค่าแอตทริบิวต์การใส่ร้ายที่พบมากที่สุด) วิธีการเหล่านี้มักจะได้รับการยกย่องในฐานะที่ไม่เพียงพอเพราะ
ส่วนเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างที่มีการประเมินแม้กระทั่งเมื่อข้อมูล MCAR

ผลลัพธ์ (ไทย) 3:

บริการระดับโลกใส่ความตามคุณลักษณะที่หายไปถ้าเราดูที่ค่าอื่น ๆที่ถ่ายโดยตัวแปรที่มีรายการที่ขาดหายไปและเราพบว่าบางส่วนของพวกเขามากขึ้นบ่อยกว่าคนอื่น เราก็อาจตัดสินใจที่จะใช้นี้ความจริงต้องกำหนดมูลค่าบ่อยที่สุด ที่จะขาดไปหนึ่ง เราเติมค่าแอตทริบิวต์ที่ขาดหายไป ด้วยการวัดแนวโน้มเข้าสู่ส่วนกลาง ( ดู [ 9 – 11 ] สำหรับการเปรียบเทียบหมายถึงการใส่ความและที่พบมากที่สุดการใส่ความค่าแอตทริบิวต์ ) วิธีการเหล่านี้มักจะถือว่าไม่เพียงพอ เพราะค่าเบี่ยงเบนมาตรฐานของตัวอย่างเป็น underestimated เมื่อข้อมูลถูก mcar .