Imputation für NominaldatenHallo zusammen.
Ich würde gerne wissen, ob es möglich ist, Daten für nominell fehlende Daten zu imputieren.
Ich weiß, wie es für kontinuierliche Daten geht, aber für kategorische Daten habe ich nichts in der Software gefunden.
Danke im Voraus!
AnalytikDatentabelleSonstigesBetr.: Imputation für NominaldatenIch stimme allen zu @Mark_Bailey geteilt hat. Um meinen Senf hinzuzufügen, wenn Sie JMP Pro nicht haben, hier ist eine Idee, die Sie in Betracht ziehen können, wo Sie nicht auf fehlende Informationen in einem Plattformdialog-Spezifikationsfenster zugreifen müssen, sondern das moralische Äquivalent dieses Aufrufs in der Modellierung erhalten Analyse ... das "Fehlen" wird irgendwie versteckt und nicht so effizient/sauber in tabellarischen oder Datenvisualisierungen angezeigt ... aber es wird da sein.
Zuerst eine kleine Erklärung, wie JMP mit 'Fehlen' bei nominalen Variablen/Effekten umgeht. Im Allgemeinen wird das Konzept im gesamten JMP-Ökosystem als „informatives Fehlen“ bezeichnet. Die primäre Vermutung bezüglich fehlender Informationen ist, dass es INFORMATIONEN innerhalb des Studiensystems gibt, die dazu führen, dass die Beobachtung fehlt. Vielleicht eine zugrunde liegende Ursache? Gemeinsamkeit? Oder eine lauernde gemeinsame Variable, die zu der fehlenden Beobachtung führt?
Angenommen, Sie würden eine Gruppe von Fischern darüber befragen, wie viele Fische sie gefangen haben, und Sie versuchen, Effekte zu modellieren, die die Anzahl der gefangenen Fische beeinflussen. In der Umfrage lautet eine der Fragen „Fangmethode“. Und es gibt drei Optionen, aus denen die Befragten auswählen können; 1. Trolling, 2. Spincasting, 3. Stillangeln. Die Befragten haben die Möglichkeit, ein Feld leer zu lassen ... das heißt, es „fehlt“ jetzt in der Beobachtung. Nehmen wir nun an, aus irgendeinem Grund sind die Befragten mit den meisten gefangenen Fischen auch diejenigen, die sich dafür entschieden haben, DIE FRAGE NICHT ZU BEANTWORTEN. Und das macht einen Sinn, nicht wahr? Fischer sind berüchtigt dafür, ihre Geheimnisse zu bewahren, daher gibt es Informationen bezüglich der Studie, wenn die Befragten die Antwort auslassen. Jetzt möchte man also versuchen, den zugrunde liegenden Mechanismus hinter dem Fehlen der Daten zu verstehen, um das gesamte System besser zu verstehen.
Hier ist nun mein Vorschlag in JMP. Wenn Sie bereit sind anzunehmen, dass das „Fehlen“ Informationen enthält ... und das ist eine große Vermutung ... dann können Sie die fehlenden Zellen durch einen Pseudo-Wert-Nennwert ersetzen, der in jeder fehlenden Zelle gemeinsam ist. Zu Analysezwecken behandelt das informative Fehlen in JMP/JMP Pro das Fehlen im Allgemeinen als eine weitere Ebene der nominalen Variablen. Daher wird es in allen Effekten enthalten sein, die diesen Begriff enthalten. Hier ist die JMP-Dokumentation bezüglich fehlender Informationen innerhalb der Partitionsplattform, die NICHT Teil von JMP Pro ist. Stellen Sie also sicher, dass Sie jedes Spezifikationsfeld für die Modellierungsplattform, das Sie verwenden möchten, genau untersuchen ... Sie müssen sich vielleicht doch nicht mit Ihrer Datentabelle herumschlagen:
https://www.jmp.com/support/help/en/15.2/#page/jmp/informative-missing-2.shtml
Betr.: Imputation für NominaldatenIch kenne die Unterschiede zwischen JMP und JMP Pro in Bezug auf die Unterstützung für die Imputation fehlender Werte oder die Handhabung nicht genau. Ich bin mir sicher, was ich zuvor gepostet habe. Sie können den technischen Support von JMP kontaktieren ( support@jmp.com ) für ausführlichere Antworten.
Vielleicht möchten Sie das sehen Zusatz , zu.
Hinweis: Offensichtlich habe ich die Dokumentation nicht geschrieben!
Betr.: Imputation für NominaldatenDanke für Ihre Antwort, @Mark_Bailey
Also ... im Dialogfeld "Modell anpassen" würde ich wahrscheinlich diese verwenden:
- einfache und multiple lineare Regression
- Nominale und ordinale logistische Regression
- teilweise kleinste Quadrate
Meine JMP-Version ist nicht die Pro-Version, also c und die imputierten Daten der Version JMP 15.1 für nominell fehlende Werte, basierend auf den hier beschriebenen Plattformen?
Hinweis: Ich habe Ihren Standpunkt zu Dialog versus Plattform verstanden, aber im von Ihnen geteilten Hilfeabschnitt steht es geschrieben
"Verwendung der Modellplattform anpassen können Sie komplexe Modelle effizient spezifizieren".
Mit freundlichen Grüßen
Betr.: Imputation für NominaldatenFit Model ist keine Plattform. Es ist ein Benutzerdialog, um den Start vieler verschiedener Plattformen festzulegen. Du kannst anfangen hier im JMP-Hilfesystem und suchen Sie die Plattform, die Sie verwenden möchten. Es sollte entweder im Abschnitt zum Starten oder im Abschnitt über Optionen angeben, wie es mit fehlenden Werten umgeht.
Die neurale Plattform in JMP Pro unterstützt „informatives Fehlen“ anstelle von Imputation. Die Plattform ist dokumentiert hier .
Die Gaussian Process-Plattform in JMP Pro lässt kategorische Prädiktoren zu, liefert jedoch weder Imputation noch informatives Fehlen, sodass diese Beobachtungen ausgeschlossen werden.
Betr.: Imputation für NominaldatenVielen Dank, @Mark_Bailey
Ich hatte keine Ahnung!
Tatsächlich habe ich verschiedene Möglichkeiten, meine Daten zu analysieren, und ich möchte die von verschiedenen Plattformen bereitgestellten Antworten wie folgt vergleichen:
Modell anpassen
Vorhersagemodell - Neural
Spezialisierte Modellierung – Gaußscher Prozess
Wissen Sie, ob es möglich ist, die Nutzung dieser Plattformen zu unterstellen?
Wenn ja, sagen Sie mir bitte wie. 
Danke noch einmal!
Betr.: Imputation für NominaldatenJMP imputiert fehlende kategoriale Werte. Die Imputationsmethoden können von der Analyse oder dem Modell der Daten abhängen, sodass JMP keine separate Imputationsfunktion für die Datentabelle bereitstellt. Die Imputation wird von den Analyseplattformen durchgeführt. Welche Plattform möchten Sie verwenden?
