Tỷ lệ thiếu và nhiều lần cắt cụt

Có giới hạn nào ít được chấp nhận nhất khi sử dụng nhiều lần cắt ngang (MI) không?

Ví dụ: tôi có thể sử dụng MI nếu các giá trị bị thiếu trong một biến là 20% các trường hợp trong khi và các biến khác có các giá trị bị thiếu nhưng không ở mức cao như vậy không?

Từ các bình luận, bạn tự tin rằng bạn trong tình huống MAR hoặc MCAR. Sau đó, nhiều lần cắt bỏ ít nhất là hợp lý. Vì vậy, mất tích bao nhiêu là dễ dàng? Nghĩ theo cách này:

Về cơ bản, nhiều lần cắt ngang làm cho tất cả các ước tính tham số mô hình của bạn ít chắc chắn hơn như là một hàm của độ chính xác mà dữ liệu bị thiếu có thể dự đoán được với mô hình cắt bỏ của bạn, điều này sẽ phụ thuộc, trong số những điều khác, vào mức độ thiếu cần xử lý và số lượng các thuật ngữ bạn sử dụng.

Mất bao nhiêu 'quá nhiều' do đó phụ thuộc vào mức độ chênh lệch / không chắc chắn được thêm vào mà bạn sẵn sàng đưa ra. Một đại lượng hữu ích cho bạn có thể là hiệu quả tương đối ( ) của phân tích MI. Điều này phụ thuộc vào 'phần thông tin bị thiếu' (không phải là tỷ lệ thiếu đơn giản), thường được gọi là và số lần cắt bỏ, thường được gọi là , như .λ m R E ≈ 1 / ( 1 + λ / m $RE$$\lambda$$m$$RE \approx 1/(1+\lambda/m)$

Thay vì tạo ra các định nghĩa về thông tin bị thiếu, v.v. ở đây, bạn có thể chỉ cần đọc Câu hỏi thường gặp về MI , điều này đặt mọi thứ rất rõ ràng. Từ đó bạn sẽ biết liệu bạn có muốn giải quyết các nguồn gốc: Rubin, v.v.

Thực tế, có lẽ bạn chỉ nên thử phân tích thôi miên và xem nó hoạt động ra sao.

Bạn có thể tìm thấy

Rubin, Donald B. và Nathaniel Schenker. 1986. Từ chối nhiều lần để ước lượng khoảng thời gian từ các mẫu ngẫu nhiên đơn giản với phản hồi không đáng tin cậy. Tạp chí của Hiệp hội Thống kê Hoa Kỳ 81 (394): 366 Chân374.

Hữu ích.