Imputation für NominaldatenHallo an alle.
Ich würde gerne wissen, ob es möglich ist, Daten für nominell fehlende Daten zu unterstellen.
Ich weiß, wie man das für kontinuierliche Daten macht, aber für kategoriale Daten habe ich in der Software nichts gefunden.
Vielen Dank im Voraus!
Datenmischung und -bereinigungBetreff: Imputation für NominaldatenIch stimme dem alles zu @Mark_Bailey hat geteilt. Um meine Anmerkungen hinzuzufügen: Wenn Sie nicht über JMP Pro verfügen, finden Sie hier eine Idee, die Sie in Betracht ziehen können, wenn Sie in einem Plattformdialog-Spezifikationsfenster nicht den Befehl „Information Missing“ aufrufen müssen, sondern das moralische Äquivalent dieses Aufrufs in der Modellierung erhalten Analyse ... das „Fehlen“ wird irgendwie versteckt und in Tabellen- oder Datenvisualisierungen nicht so effizient/sauber angezeigt ... aber es wird da drin sein.
Zunächst eine kleine Erklärung, wie JMP mit „Fehlen“ für nominale Variablen/Effekte umgeht. Im Allgemeinen wird das Konzept im gesamten JMP-Ökosystem als „fehlende Information“ bezeichnet. Die primäre Vermutung in Bezug auf das Fehlen von Informationen besteht darin, dass es im Studiensystem INFORMATIONEN gibt, die zum Fehlen der Beobachtung führen. Vielleicht eine zugrunde liegende Ursache? Gemeinsamkeit? Oder lauert eine gemeinsame Variable, die zur fehlenden Beobachtung führt?
Angenommen, man würde eine Gruppe von Fischern dazu befragen, wie viele Fische sie gefangen haben, und Sie würden versuchen, Effekte zu modellieren, die die Anzahl der gefangenen Fische beeinflussen. Eine der Fragen in der Umfrage ist die „Fangmethode“. Und es gibt drei Optionen, aus denen die Befragten wählen können; 1. Schleppangeln, 2. Spinnwerfen, 3. Stillfischen. Den Befragten wird die Möglichkeit gegeben, ein Feld leer zu lassen. Das bedeutet, dass es nun in der Beobachtung „fehlt“. Nehmen wir nun an, dass die Befragten, die tendenziell die meisten gefangenen Fische haben, aus irgendeinem Grund auch diejenigen sind, die sich dafür entschieden haben, die Frage NICHT zu beantworten. Und das macht durchaus Sinn, nicht wahr? Fischer sind dafür berüchtigt, ihre Geheimnisse für sich zu behalten, daher gibt es Informationen zur Studie, wenn die Befragten die Antwort weglassen. Nun möchte man versuchen, den zugrunde liegenden Mechanismus zu verstehen, der hinter dem Fehlen der Daten steckt, um das gesamte System besser zu verstehen.
Hier ist mein Vorschlag innerhalb von JMP. Wenn Sie bereit sind anzunehmen, dass im „Fehlen“ Informationen enthalten sind ... und das ist eine große Vermutung ... dann können Sie die fehlenden Zellen durch einen Pseudowert-Nominalwert ersetzen, der in jeder fehlenden Zelle üblich ist. Zu Analysezwecken behandelt informatives Fehlen in JMP/JMP Pro das Fehlen im Allgemeinen als eine weitere Ebene der nominalen Variablen. Daher wird es in allen Wirkungen enthalten sein, die diesen Begriff enthalten. Hier ist die JMP-Dokumentation zu fehlenden Informationen in der Partitionsplattform, die NICHT Teil von JMP Pro ist. Stellen Sie also sicher, dass Sie jedes Spezifikationsfeld für den Modellierungsplattformdialog, das Sie verwenden möchten, genau prüfen. Möglicherweise müssen Sie sich schließlich NICHT mit Ihrer Datentabelle herumschlagen:
https://www.jmp.com/support/help/en/15.2/#page/jmp/informative-missing-2.shtml
Betreff: Imputation für NominaldatenIch kenne die Unterschiede zwischen JMP und JMP Pro im Hinblick auf die Unterstützung der Imputation oder Handhabung fehlender Werte nicht genau. Ich bin mir bei dem, was ich zuvor gepostet habe, sicher. Sie können den technischen Support von JMP kontaktieren ( support@jmp.com ) für detailliertere Antworten.
Vielleicht möchten Sie das sehen Add-in , zu.
Hinweis: Offensichtlich habe ich die Dokumentation nicht geschrieben!
Betreff: 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 Gibt es in der JMP 15.1-Version imputierte Daten für nominelle fehlende Werte, basierend auf den hier beschriebenen Plattformen?
Hinweis: Ich habe Ihren Standpunkt bezüglich Dialog versus Plattform verstanden, aber in dem von Ihnen geteilten Hilfeabschnitt steht es geschrieben
"Verwendung der Fit Model-Plattform „können Sie komplexe Modelle effizient spezifizieren“.
Mit freundlichen Grüßen
Betreff: Imputation für NominaldatenFit Model ist keine Plattform. Es handelt sich um einen 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 angegeben werden, wie mit fehlenden Werten umgegangen wird.
Die neuronale Plattform in JMP Pro unterstützt „informatives Fehlen“ statt Imputation. Die Plattform ist dokumentiert Hier .
Die Gaußsche Prozessplattform in JMP Pro ermöglicht kategoriale Prädiktoren, stellt jedoch weder Imputation noch fehlende Informationen bereit, sodass diese Beobachtungen ausgeschlossen sind.
Betreff: Imputation für NominaldatenDanke schön, @Mark_Bailey
Ich hatte keine Ahnung!
Eigentlich habe ich verschiedene Möglichkeiten, meine Daten zu analysieren, und ich würde gerne die Antworten verschiedener Plattformen vergleichen:
Modell anpassen
Vorhersagemodell – neuronal
Spezialisierte Modellierung – Gaußscher Prozess
Wissen Sie, ob eine Imputation über diese Plattformen möglich ist?
Wenn ja, sagen Sie mir bitte wie. 
Danke noch einmal!
Betreff: Imputation für NominaldatenJMP unterstellt fehlende kategoriale Werte. Die Imputationsmethoden können von der Analyse oder dem Modell der Daten abhängen, daher stellt JMP keine separate Imputationsfunktion für die Datentabelle bereit. Die Imputation erfolgt durch die Analyseplattformen. Welche Plattform beabsichtigen Sie zu nutzen?
