Normal, multinomial, üssel (exponential) ve gamma dağılım gösteren veri yapıları ve eksik veri tiplerinde (MCAR, MAR, MNAR) tamamlama algoritmalarının parametre tahminleri üzerine etkileri

Abstract

Eksik veri problemi araştırmacıların istatiksel analiz yaparken sürekli karşılaştıkları sorunlardan biridir. Eksik veri, çalışmayı yürüten bireyden, verisi toplanan kişilerin bilerek cevap vermemesinden, verilerin gözlenememesinden, veriyi kaydetmek için kullanılan ekipmanlardan ve bunun gibi nedenlerden kaynaklanabilmektedir. Verinin eksik olmasındaki en büyük sorun hemen hemen tüm istatistiksel analizler için eksiksiz bir veri setine ihtiyaç duyulmasıdır.Çalışmada dört dağılım türüne göre veriler üretilmiş, bu veriler eksik veri mekanizmaları olan MCAR, MAR ve MNAR tiplerine göre belli oranlarda eksiltilmiş ve bu eksiltilen veriler eksik veri analiz yöntemlerine göre tamamlanmışlardır. Türetilen veri, eksiltilen veri ve tamamlanan verilerin parametreleri hesaplanmış ve çıkan bu değerlerin karşılaştırmaları yapılmıştır. Sonuçta çoklu atama yönteminin diğer yöntemlere göre daha etkin ve tarafsız parametre tahminleri yaptığı tespit edilmiştir.

The missing data problem is one of the main problems that researchers constantly encounter when performing statistical analysis. Missing data may result from the individual conducting the work, the inability of the data to be collected, the inability to observe the data, the equipment used to record the data, and the like. The biggest problem with the lack of data is the need for a complete set of data for almost all statistical analyses.In this study, data were produced according to four types of distribution, these data were decreased in certain ratios according to MCAR, MAR and MNAR types which are incomplete data mechanisms and these minimized data were completed according to missing data analysis methods. Calculated data, deducted data and parameters of the completed data were calculated and compared with these values. As a result, it has been determined that multiple imputation method makes more effective and neutral parameter estimation compared to other methods.