منذ 4 أشهر
الاستكمال المتعدد باستخدام المعادلات المتسلسلة: قضايا وتوجيهات لممارسة عملية
{Ian R. White Patrick Royston Angela M. Wood}
الملخص
يُعدّ الاستبدال المتعدد بالمعادلات المتسلسلة (MICE) نهجًا مرنًا وعمليًا لمعالجة البيانات المفقودة. نُقدّم المبادئ الأساسية لهذا الأسلوب ونُظهِر كيفية استبدال المتغيرات الكمية والتصنيفية، بما في ذلك المتغيرات المُنحرفة. ونُقدّم إرشادات حول كيفية تحديد نموذج الاستبدال، وكذلك عدد الاستبدالات الضرورية. كما نصف التحليل العملي للبيانات التي تم استبدالها بشكل متعدد، بما في ذلك بناء النماذج ومراجعة نماذج التحقق. ونُبرز القيود المفروضة على هذا الأسلوب ونناقش المزالق المحتملة. ونُظهر هذه المفاهيم باستخدام مجموعة بيانات في مجال الصحة النفسية، مع تقديم قطع كود لبرنامج Stata.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| multivariate-time-series-imputation-on | MICE | MAE (PM2.5): 27.42 |
| multivariate-time-series-imputation-on-1 | MICE | MAE (10% of data as GT): 0.634 |
| multivariate-time-series-imputation-on-kdd | MICE | MSE (10% missing): 0.468 |
| multivariate-time-series-imputation-on-uci | MICE | MAE (10% missing): 0.477 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.
البرمجة المشتركة بالذكاء الاصطناعي
وحدات معالجة رسومات جاهزة
أفضل الأسعار
Hyper Newsletters
اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp