Imputation pour les données nominalesBonjour à tous.
Je voudrais savoir s'il est possible d'imputer des données pour les données manquantes nominales.
Je sais comment le faire pour les données continues, mais pour les catégories, je n'ai rien trouvé dans le logiciel.
Merci d'avance!
AnalytiqueTableau de donnéesAutreObjet : Imputation pour les données nominalesje suis d'accord avec tous les @Mark_Bailey a partagé. Pour ajouter mes deux cents, si vous n'avez pas JMP Pro, voici une idée à considérer où vous n'avez pas à invoquer l'information manquante sur une fenêtre de spécification de boîte de dialogue de plate-forme, mais obtenez l'équivalent moral de ladite invocation dans la modélisation analyse... le "manquant" sera en quelque sorte caché et ne sera pas affiché aussi efficacement/nettement dans les tableaux ou les visualisations de données... mais ce sera là.
Tout d'abord, une petite explication de la façon dont JMP gère les "manquants" pour les variables/effets nominaux. En général, le concept est appelé "informations manquantes" dans l'ensemble de l'écosystème JMP. La principale présomption en ce qui concerne les informations manquantes est qu'il existe des INFORMATIONS dans le système d'étude qui conduisent à l'absence d'observation. Peut-être une cause sous-jacente ? Point en commun? Ou une variable commune cachée qui mène à l'observation manquante ?
Par exemple, supposons que l'on sonde un groupe de pêcheurs sur le nombre de poissons qu'ils ont capturés et que vous essayiez de modéliser les effets qui influencent le nombre de poissons capturés. Dans l'enquête, l'une des questions est la «méthode de pêche». Et il y a trois options parmi lesquelles les répondants peuvent choisir ; 1. pêche à la traîne, 2. spin casting, 3. pêche au coup. Les répondants ont la possibilité de laisser un champ vide... c'est-à-dire qu'il est maintenant "manquant" dans l'observation. Supposons maintenant que, pour une raison quelconque, les répondants qui ont tendance à avoir le plus grand nombre de poissons capturés soient également ceux qui ont choisi de NE PAS RÉPONDRE À LA QUESTION. Et cela a du sens n'est-ce pas ? Les pêcheurs sont connus pour garder leurs secrets, il y a donc des informations concernant l'étude lorsque les répondants omettent la réponse. Alors maintenant, on voudrait essayer de comprendre le mécanisme sous-jacent derrière pourquoi les données manquent pour mieux comprendre l'ensemble du système.
Voici maintenant ma suggestion dans JMP. Si vous êtes prêt à supposer qu'il y a des informations dans le "manquant"... et c'est une grande présomption... alors vous pouvez remplacer les cellules manquantes par une valeur nominale de pseudo-valeur commune à chaque cellule manquante. À des fins d'analyse, les informations manquantes dans JMP/JMP Pro traitent généralement l'absence comme un autre niveau de la variable nominale. Par conséquent, il sera inclus dans tous les effets qui incluent ce terme. Voici la documentation de JMP concernant les informations manquantes dans la plate-forme de partition qui ne font PAS partie de JMP Pro. Assurez-vous donc d'examiner attentivement chaque boîte de spécification de dialogue de la plate-forme de modélisation que vous envisagez d'utiliser... vous n'aurez peut-être PAS à vous soucier de votre table de données après tout :
https://www.jmp.com/support/help/en/15.2/#page/jmp/informative-missing-2.shtml
Objet : Imputation pour les données nominalesJe ne connais pas avec certitude les différences entre JMP et JMP Pro en ce qui concerne la prise en charge de l'imputation ou de la gestion des valeurs manquantes. Je suis sûr de ce que j'ai posté précédemment. Vous pouvez contacter le support technique JMP ( support@jmp.com ) pour des réponses plus détaillées.
Vous voudrez peut-être voir ceci ajouter à , aussi.
Note : clairement je n'ai pas écrit la documentation !
Objet : Imputation pour les données nominalesMerci pour la réponse, @Mark_Bailey
Donc .. à l'intérieur de la boîte de dialogue Ajuster le modèle, j'utiliserais probablement celles-ci :
- régression linéaire simple et multiple
- régression logistique nominale et ordinale
- moindres carrés partiels
Ma version JMP n'est pas la version Pro, donc c et la version JMP 15.1 impute des données pour les valeurs manquantes nominales, sur la base des plates-formes décrites ici ?
Remarque : J'ai compris votre point de vue sur le dialogue par rapport à la plate-forme, mais dans la section d'aide que vous avez partagée, c'est écrit
"En utilisant le Plate-forme Fit Model , vous pouvez spécifier efficacement des modèles complexes".
Meilleures salutations
Objet : Imputation pour les données nominalesFit Model n'est pas une plateforme. Il s'agit d'une boîte de dialogue utilisateur pour spécifier le lancement de nombreuses plates-formes différentes. Tu peux commencer ici dans le système d'aide de JMP et recherchez la plate-forme que vous avez l'intention d'utiliser. Il doit indiquer soit dans la section pour le lancer, soit dans la section sur les options comment il traite les valeurs manquantes.
La plate-forme Neural de JMP Pro prend en charge les "informations manquantes" au lieu de l'imputation. La plateforme est documentée ici .
La plate-forme de processus gaussien de JMP Pro permet d'utiliser des prédicteurs catégoriels, mais ne fournit ni imputation ni informations manquantes. Ces observations sont donc exclues.
Objet : Imputation pour les données nominalesMerci, @Mark_Bailey
Je n'en avais aucune idée!
En fait j'ai différentes options pour analyser mes données et j'aimerais comparer les réponses fournies par différentes plateformes comme :
Ajuster le modèle
Modèle prédictif - Neural
Modélisation spécialisée - Processus gaussien
Savez-vous s'il est possible d'imputer à l'aide de ces plateformes ?
Si oui, merci de me dire comment. 
Merci encore!
Objet : Imputation pour les données nominalesJMP impute les valeurs catégorielles manquantes. Les méthodes d'imputation peuvent dépendre de l'analyse ou du modèle des données. JMP ne fournit donc pas de fonction d'imputation distincte pour le tableau de données. L'imputation est effectuée par les plateformes d'analyse. Quelle plateforme comptez-vous utiliser ?
