Missing Data: Analysis and Design

داده‌های گمشده مدت‌هاست که کسانی را که تحقیقات کاربردی در علوم اجتماعی، رفتاری و بهداشتی انجام می‌دهند آزار می‌دهد. راه حل های خوبی برای تجزیه و تحلیل داده های از دست رفته موجود است، اما اطلاعات عملی در مورد اجرای این راه حل ها وجود ندارد. هدف داده های گمشده: تجزیه و تحلیل و طراحی این است که محققین غیرآمار را قادر سازد تا روش های مدرن داده های گمشده را به درستی در تحقیقات خود اجرا کنند و از مزایای آن از نظر دقت و قدرت آماری بهبود یافته بهره ببرند.< /p>

داده های گمشده: تجزیه و تحلیل و طراحی حاوی اطلاعات ضروری برای خوانندگان مبتدی و پیشرفته است. برای محققانی که تجربه تحلیل داده‌های گمشده محدودی دارند، این کتاب مقدمه‌ای آسان و خواندنی برای مبانی نظری تحلیل داده‌های از دست رفته ارائه می‌دهد. دستورالعمل های واضح و گام به گام برای انجام تجزیه و تحلیل های انتساب چندگانه به روز ارائه می دهد. و توصیه های عملی را بر اساس تجربه بیش از 20 سال برای اجتناب از مشکلات و عیب یابی ارائه می دهد. برای خوانندگان پیشرفته تر، بحث های منحصر به فرد در مورد ساییدگی، تکنیک های غیر مونت کارلو برای شبیه سازی شامل داده های از دست رفته، ارزیابی مزایای متغیرهای کمکی، و طرح های داده های گمشده برنامه ریزی شده بسیار مقرون به صرفه ارائه شده است.

< /p>

نویسنده نظریه داده های گمشده را به سبک انگلیسی ساده و قابل دسترس و دقیق ارائه می دهد. بیشتر تجزیه و تحلیل توصیف شده در کتاب با استفاده از بسته های نرم افزار آماری معروف SAS و SPSS، تکمیل شده توسط نرم افزار 2.03 و ابزارهای اتوماسیون مبتنی بر جاوا انجام شده است. یک وب سایت مرتبط حاوی دانلود رایگان نرم افزار تکمیلی، و همچنین مجموعه داده های تجربی نمونه و انواع تمرین های عملی شرح داده شده در کتاب برای تقویت و تقویت تجربه یادگیری خواننده است. داده‌های گمشده: تجزیه و تحلیل و طراحی و وب‌سایت آن با هم کار می‌کنند تا مبتدیان را قادر می‌سازد تا به توانایی خود در انجام تجزیه و تحلیل داده‌های از دست رفته اعتماد کنند و خوانندگان پیشرفته‌تر مجموعه مهارت‌های خود را گسترش دهند.

Missing data have long plagued those conducting applied research in the social, behavioral, and health sciences. Good missing data analysis solutions are available, but practical information about implementation of these solutions has been lacking. The objective of Missing Data: Analysis and Design is to enable investigators who are non-statisticians to implement modern missing data procedures properly in their research, and reap the benefits in terms of improved accuracy and statistical power.

Missing Data: Analysis and Design contains essential information for both beginners and advanced readers. For researchers with limited missing data analysis experience, this book offers an easy-to-read introduction to the theoretical underpinnings of analysis of missing data; provides clear, step-by-step instructions for performing state-of-the-art multiple imputation analyses; and offers practical advice, based on over 20 years' experience, for avoiding and troubleshooting problems. For more advanced readers, unique discussions of attrition, non-Monte-Carlo techniques for simulations involving missing data, evaluation of the benefits of auxiliary variables, and highly cost-effective planned missing data designs are provided.

The author lays out missing data theory in a plain English style that is accessible and precise. Most analysis described in the book are conducted using the well-known statistical software packages SAS and SPSS, supplemented by Norm 2.03 and associated Java-based automation utilities. A related web site contains free downloads of the supplementary software, as well as sample empirical data sets and a variety of practical exercises described in the book to enhance and reinforce the reader’s learning experience. Missing Data: Analysis and Design and its web site work together to enable beginners to gain confidence in their ability to conduct missing data analysis, and more advanced readers to expand their skill set.