Amelia II performs multiple imputat

Amelia II performs multiple imputation, a general-purpose approach to data with missing values. This method creates multiple "fill in" or rectangularized versions of the incomplete data set so that analyses which require complete bservations can appropriately use all the information present in a data set with missingness. Multiple imputation has been shown
to reduce bias and increase eciency compared to listwise deletion. Furthermore, ad-hoc methods of imputation, such as mean imputation, can lead to serious biases in variances and covariances. Unfortunately, creating multiple imputations can be a burdensome process due to the technical nature of algorithms involved. Amelia II provides users with a simple way to create and implement an imputation model, generate imputed datasets, and check its fit using diagnostics.

ผลลัพธ์ (ไทย) 1:

อาเมเลียเบ II ทำหลาย imputation วิธีวัตถุข้อมูลที่มีค่าที่หายไป วิธีการนี้สร้างหลาย "กรอก" หรือ rectangularized รุ่นของชุดข้อมูลไม่สมบูรณ์เพื่อให้วิเคราะห์ที่จำเป็นต้องสมบูรณ์ bservations สามารถใช้ข้อมูลทั้งหมดในชุดข้อมูลอย่างเหมาะสมกับ missingness มีการแสดงหลาย imputationเพื่อลดอคติ และเพิ่มขึ้นเมื่อเทียบกับการลบ listwise ciency e นอกจากนี้ กิจ imputation เช่น imputation หมายถึง วิธีสามารถนำไปสู่การยอมรุนแรงต่างและ covariances อับ การสร้างหลาย imputations สามารถเป็นกระบวนการที่เป็นภาระเนื่องจากเทคนิคของอัลกอริทึมที่เกี่ยวข้อง อาเมเลียเบ II ช่วยให้ผู้ใช้ ด้วยวิธีง่าย ๆ ที่จะสร้าง และใช้แบบจำลอง imputation สร้าง datasets ควาบ และตรวจสอบโดยใช้เครื่องมือวินิจฉัยที่เหมาะสม

ผลลัพธ์ (ไทย) 2:

Amelia ครั้งที่สองดำเนินการใส่ร้ายหลายวิธีวัตถุประสงค์ทั่วไปข้อมูลที่มีค่าที่ขาดหายไป วิธีการนี้จะสร้างหลาย "กรอก" หรือ rectangularized รุ่นของข้อมูลที่ไม่สมบูรณ์ที่กำหนดเพื่อให้การวิเคราะห์ที่ต้องการ bservations สมบูรณ์เหมาะสมสามารถใช้ข้อมูลทั้งหมดที่อยู่ในชุดข้อมูลที่มี missingness ใส่ร้ายหลายได้รับการแสดง
เพื่อลดอคติและเพิ่มอี? เมื่อเทียบกับประสิทธิภาพในการลบ listwise นอกจากนี้วิธีการเฉพาะกิจของใส่ร้ายเช่นหมายถึงการใส่ร้ายสามารถนำไปสู่อคติอย่างรุนแรงในความแปรปรวนและ covariances แต่น่าเสียดายที่การสร้าง imputations หลายอาจจะเป็นกระบวนการภาระเนื่องจากลักษณะทางเทคนิคของขั้นตอนวิธีการมีส่วนร่วม Amelia ครั้งที่สองให้ผู้ใช้มีวิธีง่ายๆในการสร้างและใช้รูปแบบการใส่ร้ายสร้างชุดข้อมูลนัยและตรวจสอบพอดีโดยใช้การวินิจฉัย

ผลลัพธ์ (ไทย) 3:

อมีเลีย II แสดงหลายส่วนบุคคลเป็นแนวทางเอนกประสงค์ข้อมูลที่มีค่าสูญหาย . วิธีนี้จะสร้างหลาย " กรอก " หรือ rectangularized รุ่นสมบูรณ์ชุดข้อมูลเพื่อวิเคราะห์ ซึ่งต้องมี bservations สมบูรณ์เหมาะสมสามารถใช้ข้อมูลทั้งหมดที่มีอยู่ในชุดข้อมูลที่มี missingness . หลายส่วนบุคคลได้รับการแสดง
เพื่อลดอคติ และเพิ่มประสิทธิภาพ  e เมื่อเทียบกับ listwise ลบ . นอกจากนี้ วิธีการ ผลของการใส่ความ เช่นหมายถึงการใส่ความสามารถนำปัญหาและอคติในความ covariances . แต่น่าเสียดายที่การสร้างหลายการใส่ความสามารถเป็นกระบวนการยุ่งยาก เนื่องจากลักษณะทางเทคนิคของขั้นตอนวิธีที่เกี่ยวข้องอมีเลีย II ให้ผู้ใช้เป็นวิธีที่ง่ายในการสร้างและใช้แบบจำลองการใส่ความใดๆ สร้างข้อมูล และตรวจสอบการ  พอดีใช้แก้ปัญหา