17.4.2 Handling Missing ValuesUnfor

17.4.2 Handling Missing Values
Unfortunately, the Poisson regression model cannot cope with missing values in
an integrated way. Missings are in general a problem in GLMs and Imbrahim et
al. [20] recently compared different techniques that can be used to handle missing
values in combination with GLMs. One of the best methods (leading to unbiased
estimates and reliable standard errors) in their comparison was multiple imputation
(MI) [41]. MI methods create a number of ‘complete’ data sets in which values for
originally missing values are drawn from a distribution conditionally on the nonmissing
values. These imputed data sets can be created using two different methods:
data augmentation [43] and sampling importance/resampling [26]. Although both methods lead to results having the same quality, the second method computes
these results much faster. Therefore, an algorithm based on the second approach,
namely the Amelia algorithm [26] which is available as a package [19] for the statistical
software environment R, is used in our approach. For a discussion about how
the regression coefficients and standard errors of these imputed datasets can be used
to estimate the parameters and standard errors of the Poisson regression model, we
refer to [22].

ผลลัพธ์ (ไทย) 1:

17.4.2 การจัดการขาดค่าอับ แบบจำลองถดถอยปัวไม่สามารถรับมือกับค่าหายไปวิธีการรวม มีอยู่ในปัญหาใน GLMs และ Imbrahim missings ร้อยเอ็ดal. [20] เมื่อเร็ว ๆ นี้เปรียบเทียบเทคนิคต่าง ๆ ที่สามารถใช้เพื่อจัดการกับการขาดหายไปค่าร่วมกับ GLMs วิธีการดีที่สุด (นำไปคนหนึ่งการประเมินและข้อผิดพลาดมาตรฐานน่าเชื่อถือ) ในการเปรียบเทียบมีหลาย imputation(MI) [41] MI วิธีสร้างจำนวนชุดข้อมูล 'สมบูรณ์' ค่าใดเดิม ออกค่าหายไปจากการกระจาย conditionally ในการ nonmissingค่า ชุดข้อมูลควาบเหล่านี้สามารถสร้างขึ้นโดยใช้สองวิธี:ข้อมูลเพิ่มเติม [43] และสุ่มตัวอย่างความสำคัญ/เปลี่ยนความละเอียดของ [26] แม้ว่าทั้งสองวิธีนำไปสู่ผลลัพธ์ที่มีคุณภาพเดียวกัน วิธีสองจะผลลัพธ์เหล่านี้เร็วขึ้น ดังนั้น เป็นอัลกอริทึมตามวิธีที่สองคืออาเมเลียเบอัลกอริทึม [26] ซึ่งมีลักษณะเป็นแพคเกจ [19] ในทางสถิติที่สภาพแวดล้อมซอฟต์แวร์ R ใช้ในวิธีการของเรา สำหรับการสนทนาเกี่ยวกับวิธีสามารถใช้ค่าสัมประสิทธิ์การถดถอยและข้อผิดพลาดมาตรฐานของ datasets ควาบเหล่านี้การประมาณพารามิเตอร์และข้อผิดพลาดมาตรฐานของแบบจำลองถดถอยปัว เราถึง [22]

ผลลัพธ์ (ไทย) 2:

17.4.2 ค่าจัดการที่ขาดหายไป
แต่น่าเสียดายที่ตัวแบบการถดถอยปัวซองไม่สามารถรับมือกับค่าที่ขาดหายไปใน
ทางแบบบูรณาการ Missings โดยทั่วไปปัญหาในการ GLMs และ Imbrahim et
al, [20] เมื่อเร็ว ๆ นี้เมื่อเทียบกับเทคนิคที่แตกต่างที่สามารถนำมาใช้ในการจัดการที่ขาดหายไป
ค่าในการรวมกันกับ GLMs หนึ่งในวิธีที่ดีที่สุด (ที่นำไปสู่เป็นกลาง
ประมาณการและข้อผิดพลาดมาตรฐานเชื่อถือได้) ในการเปรียบเทียบของพวกเขาคือการใส่ร้ายหลาย
(MI) [41] วิธีการสร้าง MI จำนวนของ 'สมบูรณ์' ชุดข้อมูลที่มีค่าสำหรับ
ค่าที่ขาดหายไป แต่เดิมมาจากการกระจายตามเงื่อนไขใน nonmissing
ค่า ชุดข้อมูลเหล่านี้ถือว่าสามารถสร้างขึ้นโดยใช้สองวิธีที่แตกต่างกัน:
การเสริมข้อมูล [43] และความสำคัญสุ่มตัวอย่าง / resampling [26] แม้ว่าทั้งสองวิธีนำไปสู่ผลลัพธ์ที่มีคุณภาพเดียวกันวิธีที่สองคำนวณ
ผลลัพธ์เหล่านี้ได้เร็วขึ้นมาก ดังนั้นขั้นตอนวิธีการขึ้นอยู่กับแนวทางที่สอง,
คืออัลกอริทึม Amelia [26] ซึ่งมีอยู่เป็นแพคเกจ [19] สำหรับสถิติ
สภาพแวดล้อมของซอฟต์แวร์ R, ถูกนำมาใช้ในแนวทางของเรา สำหรับการอภิปรายเกี่ยวกับวิธี
สัมประสิทธิ์การถดถอยและข้อผิดพลาดมาตรฐานของชุดข้อมูลกล่าวหาเหล่านี้สามารถนำมาใช้
ในการประมาณค่าพารามิเตอร์และข้อผิดพลาดมาตรฐานของรูปแบบการถดถอยปัวซองเรา
หมายถึง [22]

ผลลัพธ์ (ไทย) 3:

17.4.2 การจัดการค่าสูญหาย
ขออภัย พารามิเตอร์การถดถอยแบบไม่สามารถรับมือกับค่าสูญหายใน
วิธีบูรณาการ คนหายอยู่ในทั่วไปและปัญหาใน glms imbrahim et
อัล [ 20 ] เมื่อเร็ว ๆนี้เมื่อเทียบกับเทคนิคที่แตกต่างกันที่สามารถใช้เพื่อจัดการค่าหายไป
ร่วมกับ glms . หนึ่งในวิธีที่ดีที่สุดที่จะเป็นกลาง
( ชั้นนําประมาณการที่เชื่อถือได้และข้อผิดพลาดมาตรฐาน ) ในการเปรียบเทียบของพวกเขาหลายส่วนบุคคล
( MI ) [ 41 ] วิธีการ มี สร้างหมายเลขของชุดข้อมูลที่สมบูรณ์ในที่ค่า
ตอนแรกค่าสูญหายวาดจากการกระจายแบบมีเงื่อนไขใน nonmissing
ค่า เหล่านี้ชุดข้อมูลใดๆสามารถสร้างขึ้นโดยใช้สองวิธีที่แตกต่างกัน :
ข้อมูลเพิ่มเติม [ 43 ] และความสำคัญ / สุ่มซ้ำ [ 26 ] ตัวอย่างแม้ว่าทั้งสองวิธีนำไปสู่ผลลัพธ์ที่มีคุณภาพเดียวกัน วิธีที่สอง คำนวณ
ผลลัพธ์เหล่านี้ได้เร็วขึ้นมาก ดังนั้น วิธีการตามแนวทางที่สอง
คืออมีเลียขั้นตอนวิธี [ 26 ] ซึ่งสามารถใช้ได้เป็นแพคเกจ [ 19 ] สำหรับสถิติ
สภาพแวดล้อมซอฟต์แวร์ R ใช้ในแนวทางของเรา สำหรับการอภิปรายเกี่ยวกับวิธีการ
สัมประสิทธิ์ถดถอยและข้อผิดพลาดมาตรฐานใดๆของข้อมูลเหล่านี้สามารถใช้เพื่อประมาณค่าพารามิเตอร์
และข้อผิดพลาดมาตรฐานของปัวซงสมการถดถอยแบบเรา

) [ 22 ]