3.3.3. Data imputationIf there are

3.3.3. Data imputation
If there are any missing data points identified, imputation techniques
may be applied to fill the missing points, particularly for the
vital parameters in reliability modeling. In most situations, simple
imputation techniques, such as mean imputation, using information
from related observation, or adding indicator variables for
missingness of categorical or continuous variables, are adequately
used to complement the missing data. For example the mean imputation may be the easiest way to impute where each missing
value is replaced with the mean of the historically observed values
for that variable. However, this strategy should be used only with
proper justification since it may severely distort the distribution
for this variable, leading to complications with summary measures,
including notably underestimates of the standard deviation. Moreover,
mean imputation intends to distort relationships between
variables by ‘‘pulling’’ estimates of the correlation toward zero.
The analyst should use this strategy only if the standard deviation
of the corresponding variable does not play a critical role in the risk
modeling. Refer to Gelman and Hill (2006) for advanced imputation
techniques.

ผลลัพธ์ (ไทย) 1:

3.3.3 ข้อมูล imputationถ้ามีจุดข้อมูลขาดระบุ imputation เทคนิคใด ๆอาจใช้การเติมจุดที่ขาดหายไป โดยเฉพาะอย่างยิ่งสำหรับการพารามิเตอร์ที่สำคัญในการสร้างแบบจำลองความน่าเชื่อถือ ในกรณีส่วนใหญ่ เรียบง่ายเทคนิค imputation เช่น imputation หมายถึง การใช้ข้อมูลจากการสังเกตที่เกี่ยวข้อง หรือเพิ่มตัวแปรบ่งชี้สำหรับmissingness ตัวแปรต่อเนื่อง หรือแน่ชัด อยู่พอเพียงใช้เพื่อเติมเต็มข้อมูลที่ขาดหายไป เช่น imputation หมายถึง อาจเวิร์ด impute แต่ละคนไม่ค่าจะถูกแทนที่ ด้วยค่าเฉลี่ยของค่าสังเกตในอดีตตัวแปรที่ อย่างไรก็ตาม ควรใช้กลยุทธ์นี้ด้วยเท่านั้นเหตุผลที่เหมาะสมเนื่องจากมันอาจบิดเบือนการกระจายรุนแรงสำหรับตัวแปรนี้ นำไปสู่ภาวะแทรกซ้อนสรุปมาตรการรวมยวด underestimates ของส่วนเบี่ยงเบนมาตรฐาน นอกจากนี้หมายความว่า imputation ตั้งใจจะบิดเบือนความสัมพันธ์ระหว่างตัวแปร โดยการประมาณการของความสัมพันธ์ไปหาศูนย์ ''ดึง ''นักวิเคราะห์ควรใช้กลยุทธ์นี้เฉพาะในกรณีส่วนเบี่ยงเบนมาตรฐานของตัวแปรที่สอดคล้องกันไม่มีบทบาทสำคัญในความเสี่ยงการสร้างโมเดล ดู Gelman และฮิลล์ (2006) สำหรับ imputation ขั้นสูงเทคนิคการ

ผลลัพธ์ (ไทย) 2:

3.3.3 ใส่ข้อมูล
หากมีจุดข้อมูลที่ขาดหายไปใด ๆ ระบุเทคนิคการใส่ร้าย
อาจนำมาใช้เพื่อเติมเต็มจุดที่ขาดหายไปโดยเฉพาะอย่างยิ่งสำหรับ
พารามิเตอร์สำคัญในการสร้างแบบจำลองความน่าเชื่อถือ ในสถานการณ์ส่วนใหญ่ที่เรียบง่าย
เทคนิคการใส่ร้ายเช่นหมายถึงการใส่ร้ายโดยใช้ข้อมูล
จากการสังเกตที่เกี่ยวข้องหรือการเพิ่มตัวแปรตัวบ่งชี้สำหรับ
missingness ของตัวแปรเด็ดขาดหรือต่อเนื่องจะเพียงพอ
ใช้ในการเติมเต็มข้อมูลที่ขาดหายไป ยกตัวอย่างเช่นการใส่ร้ายหมายถึงอาจเป็นวิธีที่ง่ายที่สุดในการกล่าวหาที่แต่ละหายไป
มูลค่าจะถูกแทนที่ด้วยค่าเฉลี่ยของค่าสังเกตในอดีต
สำหรับตัวแปรที่ อย่างไรก็ตามกลยุทธ์นี้ควรจะใช้เฉพาะกับ
เหตุผลที่เหมาะสมเพราะมันรุนแรงอาจบิดเบือนการกระจาย
สำหรับตัวแปรนี้นำไปสู่ภาวะแทรกซ้อนมาตรการสรุป
รวมทั้งสะดุดตาดูถูกของส่วนเบี่ยงเบนมาตรฐาน นอกจากนี้ยัง
หมายถึงการใส่ร้ายตั้งใจที่จะบิดเบือนความสัมพันธ์ระหว่าง
ตัวแปรโดย '' ดึง '' ประมาณการความสัมพันธ์ที่มีต่อศูนย์.
นักวิเคราะห์ควรใช้กลยุทธ์นี้เฉพาะในกรณีที่ค่าเบี่ยงเบนมาตรฐาน
ของตัวแปรที่เกี่ยวข้องไม่ได้มีบทบาทสำคัญในความเสี่ยง
การสร้างแบบจำลอง อ้างถึง Gelman และฮิลล์ (2006) สำหรับการใส่ร้ายขั้นสูง
เทคนิค

ผลลัพธ์ (ไทย) 3:

3.3.3 . ส่วนบุคคลข้อมูลหากมีข้อมูลใดขาดหายไปจุดที่ระบุเทคนิคส่วนบุคคลอาจใช้เพื่อเติมเต็มจุดที่ขาดหายไป โดยเฉพาะอย่างยิ่งสำหรับที่สำคัญค่าพารามิเตอร์ในแบบจำลองความน่าเชื่อถือ ในสถานการณ์ส่วนใหญ่ ง่าย ๆเทคนิคส่วนบุคคลเช่นหมายถึงการใส่ความ การใช้ข้อมูลจากการสังเกต หรือการเพิ่มตัวบ่งชี้สำหรับmissingness ตัวแปรเชิงกลุ่ม หรือต่อเนื่องเป็นอย่างเพียงพอเคยเติมเต็มที่ขาดหายไปข้อมูล ตัวอย่างเช่นหมายถึงส่วนบุคคลอาจเป็นวิธีที่ง่ายที่สุดที่จะตำหนิแต่ละที่ขาดหายไปค่าจะถูกแทนที่ด้วยของค่าเฉลี่ยในอดีตพบว่าค่าสำหรับตัวแปร อย่างไรก็ตาม กลยุทธ์นี้ควรใช้เฉพาะกับที่เหมาะสมที่สมควรเพราะอาจบิดเบือนการอย่างรุนแรงสำหรับตัวแปรนี้ ทำให้เกิดภาวะแทรกซ้อนกับมาตรการรุปรวมทั้งยวด underestimates ของส่วนเบี่ยงเบนมาตรฐาน นอกจากนี้หมายถึง การใส่ความตั้งใจบิดเบือนความสัมพันธ์ระหว่างตัวแปร โดย 'pulling ' ' ' การประเมินความสัมพันธ์ที่มีต่อศูนย์นักวิเคราะห์ควรใช้กลยุทธ์นี้เท่านั้นถ้าส่วนเบี่ยงเบนมาตรฐานของตัวแปรที่ไม่ได้มีบทบาทสำคัญในความเสี่ยงการสร้างโมเดล อ้างถึง เกลแมนและเนินเขา ( 2006 ) สำหรับส่วนบุคคลขั้นสูงเทคนิค