Eksik verilerin yönetilmesi, büyük psikolojik anketlerde en yaygın zorluklardan biridir. Katılımcılar tüm anket öğelerini tamamlayamadığında, hassas soruları atlar veya uzun süreli çalışmaların dışına çıkarlar, araştırmacılar ve öğrencilerin bulgularındaki geçerliliği ve güvenilirliğini önemli ölçüde etkileyebilecek kritik kararlar alırlar. Eksik cevapların işlenmesi sadece teknik bir husus değildir - araştırma sonuçlarının doğru şekilde incelendiğini ifade etmek temeldir.Bu kapsamlı kılavuz, kapsamlı araştırma verileriyle ilgili eksik verilerle ilgili pratik, kanıt temelli stratejiler sunar.
Eksik Data Mechanisms
Kayıp herhangi bir veri stratejisini uygulamadan önce, araştırmacılar eksik veri mekanizması veya cevap mekanizması olarak bilinen temel mekanizmaları anlamalıdır. Rubin (1976), analiz ve yorum için farklı etkilerle her biri, verilerin eksik olduğunu yöneten mekanizmayı yöneten veya yanıt mekanizması olarak tanımlamaktadır - istatistiksel yöntemler geçerli olacaktır.
Tamamen Random (MCAR)
Eksik olma olasılığı tüm durumlar için aynıdır, o zaman veriler rastgele (MCAR) eksik bir veri toplama konusunda en kısıtlayıcı varsayımı temsil eder. Bu, eksik verilerin nedenlerinin veri toplamadığı anlamına gelir.
Veriler MCAR olduğunda, verilerin eksik olduğu gerçeği gözlemlenen ve gözlemlenmemiş verilerin bağımsızdır. Bu, katılımcıların eksik veriler ve tam verilerle ilgili sistematik farklılıklar olmadığı anlamına gelir. Veriler MCAR olduğunda, tam veri kümesinin basit bir rastgele örneği olarak kabul edilebilir.
Tamamen rastgele (MCAR) aslında doğrulanabilir olan tek eksik veri mekanizmasıdır. Bu varsayım eksik ve tam vakaları ayırarak test edilebilir ve grup özelliklerini inceler.Eğer bu gruplar gözlemlenen değişkenler üzerinde önemli ölçüde farklılık gösterirse, MCAR varsayımı tutmaz.
Random (MAR)
Kayıp olma olasılığı gözlemlenen veriler tarafından tanımlanan gruplar halinde aynıdır, o zaman veriler rastgele (MAR) MAR MCAR'den çok daha geniş bir sınıftır. MAR altında, eksiklik, veri kümesindeki değişkenleri gözlemle ilgili olarak sistematik olarak ilişkili olabilir, ancak kendilerini kurtarılmamış değerlere göre değildir.
Psikolojik anketlerde, MAR, belirli demografik gruplar cinsiyetlerine cevap verme olasılığı daha fazla veya daha az olduğunda ortaya çıkar. Örneğin, bir kayıt depresyonu incelemek, erkekler katılımcılarının depresyondaki ciddiyetle ilgili bir ankete sahip olup, anketin tamamlanmasının cinsiyetleriyle ilgili olup olmadığı konusunda daha az olasıdır.
MAR'nin istatistiksel olarak doğrulanması imkansız olduğu varsayım olduğundan, eksiklik şansıyla ilgili olabilecek herhangi bir değişkene güvenmemiz gerekir. Araştırmacılar MAR varsayımının makul olup olmadığını değerlendirmek için araştırma bağlamı ve katılımcı davranışları hakkında bilgi sahibi olmalıdır.Mar'nın plauability of MAR is correct.
Eksik Not at Random (MNAR)
MNAR, eksik olma olasılığı bize bilinmeyen nedenlerden dolayı değişir. Veriler MNAR olduğunda, verilerin eksik olduğu, gözlemlenmemiş verilere sistematik olarak ilişkili olduğu, bu, eksik olan olaylar veya faktörlerle ilgili.Bu, eksik veriler analiz için en zor senaryoyu temsil eder.
MNAR'ın kamu görüşü araştırmalarında daha zayıf fikirlere sahip olanlar daha az sıklıkta cevap verirlerse, MNAR sık sık hassas konularla ortaya çıkabilir. Depresyon kayıt, MNAR'nın ciddi depresyona sahip katılımcılarıyla olan anketin daha büyük olasılıkla depresyon ciddiyetle sonuçlanmasını reddedecektir. Benzer şekilde, daha yüksek gelirli bireyler kazançlarını rapor edebilir veya daha şiddetli madde istismar problemleriyle ilgili soruları atlayabilirler.
MNAR en karmaşık durumdur. Çünkü eksiklik, gözlemlenmemiş değerlere bağlıdır, standart istatistiksel tekniklerle tamamen ele alınamaz. eksik verilerin kaynakları kendilerini sigortasız anlamaz, (genelde) bu konu analizde ele alınamaz ve etki tahminleri muhtemelen önyargılı olacaktır.
Kapsamlı Eksik bir Data Analizi
Eksik bir veri işleme yöntemi seçmeden önce, araştırmacılar veri setlerinde eksikliğin ayrıntılı bir analizini yapmalılar. Bu tanı aşaması bilgilendirilmiş metodolojik kararlar vermek için çok önemlidir.
Eksik Data
Anketinizde her değişken için eksik verilerin yüzdesi hesaplamaya başlayın. Doküman hem öğe seviyesinde eksiklik ( bireysel sorular için eksik cevaplar) ve vaka seviyesinde eksik olan eksik verilerle katılımcıların yüzdesi, eksik olan değişkenlerin dağılımının hangi öğelerin özellikle sorunlu olduğunu ve gelecekteki veri toplama çabalarında yeniden tasarlanmasına yardımcı olur.
Örneğin, eksik olan verileri tespit etmek için eksik veri kalıpları oluşturun. Örneğin, hassas bir soruyu atlayan katılımcılar başkalarını atlamaya eğilimli midir? Belirli demografik gruplar R, SPSS ve Stata gibi daha olası veriler var mı?
Eksik Data Mechanisms
Veriler MAR veya MNAR olduğunu kesin olarak kanıtlayamazken, verilerin MCAR olduğunu test edebilirsiniz. Küçük MCAR testi çok değişkenli bir testtir, bu da aynı eksik veri modelini paylaşan verilerin alt gruplarını değerlendirmektedir.
Ayrıca, katılımcıların tüm gözlemlenen değişkenler üzerinde eksik verilerle karşılaştırın. Sürekli değişkenler ve chi-square testleri için kedileri eksik verilerle sistematik olarak eksik olup olmadığını belirlemek için test edin. Önemli farklılıklar, verilerin MCAR olmadığını ve daha sofistike eksik veri yöntemlerinin gerekli olmadığını öne sürer.
Eksikliği Ölçeği Belgeleme
Kayıp veri analizinizin ayrıntılı belgelenmesini sağlamak, her değişken için eksikliğin yüzdesi, MCAR testlerinin sonuçları ve eksiklik ve diğer değişkenler arasındaki gözlemlenen desenler veya ilişkiler. Bu belge birden çok amaçlara hizmet eder: eksik veri işleme yöntemi seçiminizi bilgilendirmek, akran incelemeleri ve okuyucularınız için şeffaflığınızı sağlamak ve sonuçlarınızda olası önyargı kaynaklarını tanımlamanıza yardımcı olur.
Eksik Data için Imputation Methods for Missing Data
Imputation, mevcut bilgilere dayanan tahmin edilen değerlere ait eksik değerlerin değiştirilmesini içerir.Rektör yöntemlerin bu kadar gerçekçilik ve uygunluğu, sonraki analizlerin geçerliliği için önemli etkilerle önemli ölçüde değişebilir.
Basit Imputation Yöntemleri
Basit bir dürtü yöntemi, her eksik değeri tek bir tahmin edilen değerle değiştirir. Uygulanmak kolay olsa da, bu yöntemler araştırmacıların bunları kullanmadan önce anlamaları gereken önemli kısıtlamalara sahiptir.
Yani ya da Median Imputation Test edilen değerlerin yerine getirilmesi ( sürekli değişkenler için) veya medyan (kesinleştirilmiş dağıtımlar için) gözlemlenen değerlerin değiştirilmesi gerekir. Bu yöntem, MCAR ve eksikliğin minimum (tipik olarak% 5'ten daha az) olması gerekir. birincil dezavantaj, yanlış anlaşılmaz değişkende, farklı değişkenlerde farklar, farklı değişkenlerde farklar ile farklılaşma anlamına gelir ve standart hataları hafife alır.
Regresyon Imputation Veri setinde diğer değişkenlere göre eksik değerleri tahmin etmek için regresyon modelleri kullanır. Her değişken için eksik verilerle, bir regresyon modeli, tam verilerle vakaları kullanarak donatılmıştır ve bu model eksik değerleri tahmin etmek için kullanılır. Daha sofistike olsa da, tek bir regresyon kesintisi ve belirsizlik hala göz ardı edilir.
Sıcak Deck Imputation Benzer katılımcılardan gözlemlenen değerlerin değiştirilmesi (donors) Benzerlik, demografik özellikler, cevap kalıpları veya diğer ilgili değişkenlerle uyumlu olarak tanımlanabilir. Bu yöntem değişkenin dağılımını korur, ancak yetersizlik belirsizliği için hesaplayamaz.
Birden çok Imputation
Birden fazla dürtü (MI) eksik verilerle uğraşmak için yararlı bir araçtır, çekici teorik özellikleri, eksik verilerin herhangi bir modelini işlemek ve pratikte mevcut olan sayısız hesaplama platformudur.Tek bir engelleyici yöntemi aksine, birden fazla engel eksik değerlerin belirsizliğini kabul eder.
MI ile, eksik değerler Bayesian eksik verilerin oranını tahmin eden verilerden yoksundur, gözlemlenen verilere göre, K imkansız veri setlerini oluşturmak için kullanılır. Tipik olarak, araştırmacılar 5 ile 20 yanlış veri setleri arasında yaratırlar, ancak son önerilerde bulunulma oranlarının her iki değişkeni de yansıttığında daha yararlı olabileceğini ileri sürmektedir.
Birden fazla Imputasyonun Avantajları:
- MAR varsayımlarının altında tarafsız olmayan parametre tahminleri üretir
- Zorlama belirsizliği için hesaplanan geçerli standart hataları sağlar
- Karmaşık eksik veri kalıpları ile başa çıkabilir
- Araştırmacıların, engellenmeden sonra standart tam-data analiz yöntemlerini kullanmasına izin verir
- Yaygın olarak istatistiksel yazılım paketleri tarafından desteklendi
Kayıp verilerin popülerliğine rağmen, kabul ve uygulaması hala karmaşık veri kümeleri ile büyük ölçekli çalışmalarda gecikmeye devam etmektedir. Sequential regresyon çoklu yetersizlik, kamuya açık yazılımda uygulanan, anketlerde sorulma ve merkezileştirilmiş bir veritabanı inşa edebilir.
Psikolojik Araştırmalarda Multi Imputasyon Uygulamayı Uygulayın
Psikolojik anket verileri için birden fazla engel uygulama yapıldığında, araştırmacılar bu temel adımları takip etmelidir:
1. Imputation Modelini belirtin: Sonraki analizlerde kullanılacak tüm değişkenler ekleyin, artı yardımcı değişkenleri eksik veriler veya eksiklik ile ilişkilendirilir.Reutation modeli analiz modelinden daha genel olmalıdır ve MI, veri analizlerini genel amaçlarla tamamlamaktadır.
2. Bir Imputation Yöntemi seçin: Veri kümeleri eksik verileri içeren birden fazla değişkene göre, her değişken tipi (her değişken için uygun gerileme modellerini kullanarak, katel değişkenleri için lojistik regresyon olarak da bilinir.)
3. Takdir edilen Takdir Edilmesi: Daha eski kılavuzlar 5-10 engel yeterli olsa da, mevcut öneriler eksik verilerin oranı yüksek olduğunda daha fazla engel kullanmayı önerir. Pratik bir kural, eksik vakaların yüzdesi olarak en az çok engeli kullanmaktır (örneğin, en az 30 engeli varsa).
4. Check Convergence: Takdir edilen arsaları ve diğer tanıları, yetersizlik algoritmasının bir araya gelmesinden emin olmak için takip eder. Çoğu yazılım paketi, yetersizlik sürecinin stabil olup olmadığını değerlendirmek için teşhis araçları sağlar.
5. Geçerlilik, Tanımlanmış Değerler: Tanımlanan değerlerin dağıtımlarını gözlemleyebilmek için tespit edilen değerleri kıyaslanamaz. Gözlemlenen verilerde var olan değişkenler arasındaki ilişkileri korumanın imkansız olup olmadığını testine.
Kompleksi Anket Data için dikkate alınması
Çok sayıda eksiklik (MI) yöntemi çeşitli eksiklik modelleri için iyi uygundur, ancak karmaşık örnekleme tasarımları için kolayca uyarılır. Büyük psikolojik anketler genellikle stratification, kümeleme ve seçim olasılığı ile karmaşık örnekleme tasarımları kullanır.çok fazla engelleyiciyi bu tür tasarımları uygulamada uygularken, araştırmacılar araştırma tasarımını dahil etmelidir.
Tasarım değişkenlerini (strata göstergeleri, küme tanımlayıcıları) ve bu özellikleri otomatik olarak hesaplayan verileri kullanarak belirli bir şekilde inceleme modeli oluşturmak için örnekleme modeli ekleyin. Bazı yazılım paketleri bu özellikler için otomatik olarak hesaplanan verilerle özel prosedürler sunar.
Full Information maximum Likelihood (FIML)
Tam Bilgi En Az Yardımcılığı eksik verileri işlemek için alternatif bir şekilde temsil eder. Eksik değerlerden dolum yerine FIML tahminleri model parametreleri doğrudan her durumda mevcut tüm bilgileri kullanarak kullanır.
FML Nasıl Çalışır?
FIML, bu durumda gözlemlenen değişkenlere dayanan her durumda bir olasılık işlevi oluşturur. Tüm parametreler hakkında bilgi verir, eksik verilerle ilgili durumlarda gözlemlenen değişkenler hakkında bilgi verir. algoritma daha sonra parametre tahminleri elde etmek için bu bireysel olasılık katkılarının miktarını en üstlenir.
Birden fazla engel gibi, FIML, MAR varsayımları altında tarafsız olmayan parametre tahminlerini üretir. MAR altında sofistike MDT'ler orijinal değerlerine daha yakın tahminler geri döndü, FIML dahil yöntemlere atıfta bulunuyor. Yöntem özellikle yapısal denklem modelleme ve diğer model tabanlı analizler için iyi uygun.
FMLP'nin Avantajları ve Sınırları
Avantajları:
- Birden fazla veri kümesi oluşturmak gerektirmez
- MAR altında gerçekleştirilen tahminleri üretin
- Birçok model için C ⁇ ly verimli
- Eksik veriler için hesabın standart hataları sağlar
- Yapısal denklem modelleme yazılımlarına uygun olarak
Sınırlamalar:
- Analiz modelinin olası bir işlev işlevi olarak belirtilmesi gerekir
- Karmaşık analiz modelleri için birden fazla engel için daha az esnek
- Altstanlı modelin bir parçası olmayan yardımcı değişkenleri kolayca dahil edemez.
- Çok büyük veri kümeleri veya karmaşık modeller için hesaplamak yoğun olabilir
FIML özellikle yapısal denklem modelleme, büyüme eğriliği modellemesi veya altstanlı modelin doğrudan en yüksek olasılığı kullanarak tahmin edilebilir. Araştırmacılar için R, veya AMOS gibi yazılımlar için, FIML genellikle eksik verileri işlemek ve minimum spesifikasyon gerektirir.
Deletion Yöntemleri: Ne Zaman ve Nasıl Kullanılır
Deletion yöntemleri, analizden eksik verilerle vakaları veya değişkenleri ortadan kaldırmak içerir. kavramsal olarak basit olsa da, bu yöntemler araştırmacıların anlaması gereken önemli kısıtlamalara sahiptir.
Listebil Deletion (Complete Case Analysis)
Listede deletion, analize dahil edilen herhangi bir değişken üzerinde veri eksik olan herhangi bir davayı ortadan kaldırır. Listebilce deletion, verilerin sonuçlarıdaki önyargıyı tanıtmak için MCAR'dir. Araştırmacılar bu ‘büyük örnek’ kullanarak analizler yaparken analizler yapar, analizler önyargılı parametre tahminlerine yol açacaktır, ancak istatistiksel öneminin testleri gözlemlerin kaybı nedeniyle güçlenecek.
Ancak, pratikte MCAR verileri çok nadirdir. Bu nedenle, bulguların ortaya çıkan istatistik gücünün, kısıtlamaların ve MCAR varsayımının karşılanmamış tahminleri önermiyoruz.
Listwise Deletion Appropriate Olabilir:
- Eksik veriler gerçekten MCAR (biyönetici testleri ile ilgili)
- Kayıp verilerin oranı çok küçük (tipik olarak% 5'ten daha az)
- Örnek boyut, istatistiksel güç kuvvetin önemli ölçüde azaltılması için yeterince büyük.
- Daha sofistike yöntemler yazılım veya uzmanlık sınırlamaları nedeniyle mümkün değildir
Pairwise Deletion (Available Case Analysis)
Pairwise deletion, her analiz için mevcut tüm verileri kullanır, A ve B ile ilgili tüm vakaları A ve C ile ilgili tüm verileri kullanarak hesaplar. Örneğin, bir korelatör bilgileri hesaplamak, A ve B arasındaki korelasyon A ve B ile ilgili tüm vakaları A ve C ile C arasındaki korelasyonlar ile kullanırken.
Eşdeğer deletion, listebildirici deletion'dan daha fazla veri kullanıyor olsa da, bu nedenle, psikolojik araştırma için farklı analizler önerilebilir.
Psikolojik Anketlerde Özel Eksik Veri Türleri
Desenler ve Durumsal Sorular Skip
Birçok psikolojik anket, belirli soruların yalnızca belirli kriterleri karşılayan katılımcılardan sorulmasını içerir. Örneğin, ebeveynlik stresiyle ilgili sorular sadece çocukların sahip olduğu katılımcılar için geçerlidir. Skip-pattern değişkenleri anketlerde yaygındır.For example, when at-pattern variables with missing data, extra care is needed.
Atılımsız değişkenleri ele alırken, yapısal eksiklik (tasarım tarafından eksik olan şey), soru geçerli değildi ve uygun olmayan bir katılımcı cevap vermedi çünkü Yapısal eksiklik genellikle öğeden farklı kodlanmış ve yetersizlik modellerinde özel bir kullanım gerektirir.
Hassas Sorular
Gelir hakkında sorular, madde kullanımı, zihinsel sağlık belirtileri, travma tarihi ve diğer hassas konular genellikle eksik verilerin daha yüksek oranlarına sahiptir. Bu eksiklik genellikle MNAR, daha aşırı değerlere sahip bireyler, hassas sorularla uğraşırken daha az muhtemel olabilir.
- Hem hassas değişken hem de dürtü modelinize yanıt vermek için istekli olan değişkenler ekleyin.
- Farklı MNAR varsayımları altında sonuçların nasıl değişebileceğini değerlendirmek için hassasiyet analizleri yapmayı düşünün
- Eksik veri işleme yaklaşımınızın hassas değişkenler için sınırlamaları hakkında şeffaf olun.
- Yüksek eksiklik oranı, gelecekte veri toplama koleksiyonunda ele alınması gereken soru tasarımı veya araştırma yönetimi ile ilgili sorunları gösterir mi düşünün
Uzun zamandır Eksik Veri
Uzun süreli psikolojik anketler, dalga sorgulanmamış (participants tüm veri toplama dalgalarını kaçır) ve intrition (participants kalıcı olarak düşüyor) uzun süredir eksik verileri ele aldığında:
- Takdirli ve zaman değişkenli tahmin edici hataların kaldırılması modelleri
- Bir seferde eksikliği tahmin edip etmeyeceğini düşününce daha sonraki zaman noktalarında eksikliği tahmin eder
- Özellikle uzun sürediritednal veriler için tasarlanmış yöntemler kullanın, örneğin FIML veya çoklu imputation ile bu hesapların zaman yapısı için hesapların bu hesapların zaman yapısı için yapıldığı gibi.
- Hastalıktan intrition'ın sonuç yörüngesiyle ilgili olup olmadığının incelenmesi, bu da MNAR’ı önerecektir.
Eksik Data Analizi için Yazılım ve Araçlar
Modern istatistik yazılım paketleri eksik veri analizi için geniş yetenekler sağlar. Farklı araçların güçlülerini ve sınırlamalarını anlamak araştırmacıların belirli ihtiyaçları için uygun yöntemleri seçmelerine yardımcı olur.
R Paketleri
R eksik veri analizi için çok sayıda paket sunuyor.The R offers many package for missing data analysis. The R offers many package for missing data analysis.The R offers many package for missing data analysis.The R offers many package for missing data analysis. The R offers many package. The R offers several package for missing data analysis. The R offers many package. The R offers several package. The R offers many package for missing data analysis. The R offers several package. The R offers several package. The R offers several package for missing data analysis. The R offers many package. The R offers many package for missing data analysis. The R offers many package. The R offers several package for missing data analysis. The R offers several package. The R offers many package. The R offers many package. The R offers many package. The R offers many package. The R offers many package. The R offers many package. The R offers many package for missing data analysis. The R offers many package for missing data analysis. The R offers many package. The R offers many package. The R offers many package for missing data analysis. The R offers many package. The R offers many package. The R offers many package. The R offers many package. The R offers several package. fareler Paket (Multivariate Imputation by Chained Equations) birçok dürtü için yaygın olarak kullanılır ve farklı değişken tipler için yönlendirme modellerini belirteçinde esneklik sunar.Thepacking by Chained Equations) is common used for multiple imputation and offer flexibility in specifying imputation models for different variable types.The The behavior Amelia Amelia Paket, bir beklenti-maksim algoritmasını kullanarak birden fazla engel uygular ve özellikle büyük veri setleri için verimlidir. Enest Paket, kontraksiyon için rastgele orman algoritmaları kullanır ve karmaşık olmayan ilişkileri idare edebilir.The package uses random or algorithms for imputation and can handle complex nonlinear relationship.The naniar ve VIM paketler eksik veri kalıpları keşfetmek için mükemmel görselleştirme araçları sağlar.
SPSS
SPSS, Eksik Değerler Analizi modülü aracılığıyla birden fazla engelleyici yeteneği içerir. Yazılım otomatik olarak yetersizlik modeli spesifikasyonu sağlar, ancak araştırmacılar bu varsayılan bilgileri temel alarak bu varsayılanleri dikkatle incelemeli ve değiştirmelidir. SPSS ayrıca Little's MCAR testi ve çeşitli eksik veri desenleri görselleştirmeleri sunar.
Stata
Stata'nın mi? Emirlerin süiti karmaşık anket tasarımları için destek dahil olmak üzere kapsamlı bir çok engelleyici özellik sunar. Stata birçok standart analiz prosedürü ile birden fazla engeli birleştirir, yanlış veri kümelerini analiz etmeyi basitleştirir.
Mplus ve Diğer SEM Software
Mplus, lavaan (R) gibi yapısal denklem modelleme yazılımı ve AMOS genellikle eksik verileri işlemek için varsayılan yöntem olarak FIML uygular. Bu programlar, açıkça eksik değerleri olmadan MAR altında geçerli tahminleri elde etmek kolaylaşır.
Eksik Data Through Survey Design
İstatistiksel yöntemler eksik verilerin etkisini azaltabilirken, düşünceli anket tasarımı ile önleme her zaman tercih edilebilir. Araştırmacılar planlama ve veri toplama aşamalarında eksik verileri en aza indirmek için stratejiler uygulamalıdır.
Sorunaire Design Strategies
Clear Talimatlar ve Soru Kelime: Belirsiz veya kafa karıştırıcı sorular katılımcıların eşyaları atlayacağını artırıyor. Pilot, hedef nüfusun üyeleriyle kafa karıştırıcı kelime tanımlama, belirsiz cevap seçenekleri veya eksik verilere yol açan diğer sorunlarla ilgili tüm anket soruları test ediyor.
Appropriate Response Seçenekleri: Bu yanıt seçeneklerinin tükendiğini ve karşılıklı olarak özel olduğunu sağlayın. "önterilmemek" veya "gösterilmemek" gibi seçenekler içerir, çünkü bu, katılımcıların öğeleri boş bırakmadan anlamlı cevaplar sağlamalarına izin verir.
Mantıksal Akış ve Desenleri Atlayın: Katılımcıların takip etmesi kolay olan tasarım at modelleri tasarlayın. Online anketlerde, otomatik at mantığı uygulayın, böylece katılımcılar sadece onlarla ilgili soruları görürler. kağıt anketlerinde, katılımcıların at kalıpları aracılığıyla rehberlik etmek için açık görsel cues ve talimatları kullanın.
Soru: Daha sonra ankette hassas veya potansiyel olarak yükleyici sorular ortaya çıktı, ancak bu, uzun anketlerin sonuna doğru yorgunlukla ilgili eksik verilere karşı dengeyi dengeliyor.
Kullanıcı Interface Online Anketler için dikkate alır
Online psikolojik anketler için, kullanıcı arayüzü verileri önemli ölçüde etkiler:
- İlerleme Göstergeleri: Katılımcılara motivasyon korumak için anket yoluyla nasıl ilerlediklerini göster
- Mobil Optimizasyon: Güvenilir anketler akıllı telefonlar ve tabletlerde, fakir mobil deneyimler olarak düşüş oranları artış gösteriyor
- Gerekli Alanlar: Gerekli alanları akıllıca kullanın - her soruya cevap vermek düşüş artırabilir, ancak çok fazla seçenekli soru, öğeye soru sormazsa
- Kaydet ve Resume: Katılımcılar ilerlemelerini kurtarmalarına ve daha sonra geri dönmelerine izin verin, özellikle uzun anketler için
- Hata Mesajları: Açık, katılımcıların gerekli eşyaları atlarken veya geçersiz cevaplar sağlamadığı durumlarda açık olmayan hata mesajları sağlayın.
Katılımcı Katılım ve Yeniden
Katılımcı katılımı korumak, her iki öğeyi sorumlu tutmaz ve beslenmede çalışmalıdır:
- Anket uzunluğu: Gerekli verileri toplarken anketleri mümkün olduğunca kısa tutun. Tüm planlanan eşyaların gerçekten gerekli olup olmadığını düşünün
- Teşvikler: Katılımcıların zamanı ve çaba için uygun tazminat sağlar. Araştırma, teşviklerin yanıt oranlarını geliştirebileceğini ve uzun süredir beslenme çalışmalarını azaltabileceğini önerir.
- İletişim: Uzun çalışmalarda, veri toplama dalgaları arasında katılımcılarla düzenli temasa geçin.Refs, haber bülteni veya çalışma ilerlemeleri hakkında güncellemeler gönderin
- Flexability: Birden fazla katılım modları (online, telefon, kağıt) mümkün olduğunda, bu farklı katılımcı tercihleri ve koşulları barındırmaktadır.
Yardımcı Değişkenler Toplayın
Araştırmanızda eksikliği tahmin edebilir ve yetersizleştirme modellerini geliştirebilecek değişkenler ekleyin, bu değişkenler birincil araştırma sorularına merkezi olmasa bile. Demographic değişkenler, ilgili psikolojik yapılar ve davranışsal göstergeler tüm verileri eksik eden yardımcı değişkenler olarak hizmet edebilir.
Araştırmada Eksik Verileri Raporlama Yayınlar
Eksik verilerin raporlanması ve nasıl ele alınılması araştırma bütünlüğü ve reroditeability için önemlidir. Gazeteci editörler, incelemeler ve okuyucular araştırma bulgularını değerlendirmek için bu bilgilere ihtiyaç duyuyorlar.
Temel Elements to Report
Eksik verilerin tükenmesi: Analizlerinize dahil edilen her değişken için eksik verilerin yüzdesi. hem öğe düzeyinde hem de vaka düzeyinde eksik istatistikler sağlayın.Listif deletion kullanarak, birçok vakanın dışlandığını ve bu temsilin yüzdesini raporlayın.
Eksik Data Desenleri: Eksikliğin desenlerini açıklayın. Bazı değişkenler birlikte eksik olma olasılığı daha yüksektir? Belirli demografik gruplar eksik verilerin daha yüksek oranlarına sahip midir? Tam karşı eksik verilerle katılımcılar arasında sistematik farklılıklar var mı?
Eksik Data Mechanism: MCAR için testlerin sonuçları (küçük MCAR testi gibi) ve verilerin olası MAR veya MNAR olup olmadığını değerlendirmenizi tarif edin. eksik veri mekanizması hakkındaki sonuçlarınızın arkasındaki nedenleri açıklayın.
Eksik Data Yöntemi: Açıkça, eksik verileri işlemek için kullanılan yöntemi tanımlar. Birden fazla dürtü kullanarak, dürtüsel yöntemi belirterek, bu yaklaşımın neden seçilmiş olduğunu haklı çıkar.
Hassasiyet Analizes: Mümkün olduğunda, sonuçları farklı eksik veri varsayımlarına veya yöntemlere sağlam olup olmadığını inceleyen hassasiyet analizleri rapor edin. Bu özellikle MNAR veya eksik verilerin oranı önemli olduğunda önemlidir.
Raporlama Kılavuzu
Bazı raporlama yönergeleri eksik verileri eksik saymaktadır. STROBE (Strengthening the Reporting of Gözlemal Studies in Epidemiology) yönergeleri, her bir ilgi değişkeni için eksik verilerle katılımcıların sayısını ve eksik verilerin nasıl ele alındığını açıklamalarını önerir. APA Journal Article Reporting Standards (JARS) aynı şekilde eksik verilerin ve bunu işlemek için kullanılan yöntemlerin önemini vurgulamaktadır.
Gelişmiş Konular ve Özel Tahminler
MNAR Data için Hassasiyet Analizi
Veriler MNAR olduğunda, çoklu dürtü ve FIML gibi standart yöntemler önyargılı tahminler üretebilir. Hassasiyet analizi, eksik veri mekanizması hakkında farklı varsayımlar altında sonuçların nasıl değiştiğini incelemektedir. Kalıp-mixture modelleri ve seçim modelleri bu tür analizler için çerçeveler sağlar, ancak eksiklik ve gözlemsiz değerler arasındaki ilişki hakkında kanıtlanmamış varsayımlar yapmak gerekir.
Hassas analize pratik bir yaklaşım, farklı senaryolarda birden fazla engelleyiciyi yürütmek içerir. Örneğin, katılımcıların daha şiddetli depresyon belirtileriyle daha az olasılıkla bir depresyon anketi tamamlamak için daha az olasıdır, eksik depresyon puanlarının MAR altında tahmin edilenlerden daha yüksek olduğunu tespit edebilirsiniz.
Çok seviyeli modellerde Eksik veriler
Psikolojik anketler genellikle okullardaki ihmal edilen veya çok seviyeli verilerdeki hataların tespit edilmesi gibi çok seviyeli yapılara sahiptir.Pratures'te yapılan eksik veriler farklı düzeylerde (örneğin, çoklu seviye değişkenleri eksik, küme düzeyindeki değişkenleri eksik veya tüm kümeleri eksik). Çok seviyeli veriler için çoklu yönlendirme, R ve Stata'nın fare paketi gibi yazılım paketleri.
Planlanan Eksik Data Designs
Araştırmacılar bazen planlı eksik veri tasarımlarından eksik veriler yaratırlar. Planlanan eksiklik, araştırma tasarımı stratejisidir, ankette kullanılan veriler, özellikle de eksik verilerin toplam miktarının her iki kaynaktan elde edilmesi için tahmin etme yeteneğinin azaltılmasına yardımcı olur.Bu tasarımlar, önemli analizler için istatistiksel gücü korurken katılımcı yük ve anket maliyetlerini azaltır. Ancak, itemresponse, birçok engelin özellikle de eksik verilerin toplam miktarı yüksek olduğunda tahminlerin kalitesini tehlikeye atabilir.
Makine Öğrenme Yaklaşımları Takdir Edilmesi
Makine öğrenimindeki son gelişmeler, karmaşık olmayan ilişkileri değişkenlerle ele alabilecek yeni bir engel yöntemi tanıttı. Sonuçlar, BayanForest imputation'ın geleneksel yaklaşımlardan daha iyi performans gösterdiğini ve yorumlayabildiğini gösteriyor.
Ortak Hatalar ve Them'dan Nasıl Kaçırmak
Hata 1: Eksik Data
Bazı araştırmacılar, eksik verileri kabul etmeden veya ele almadan analizlerle devam ederler, gerekçesiz listebilce listelenebilir. Bu yaklaşım riskleri önyargılı sonuçlar ve istatistiksel gücü azaltır. Her zaman eksik bir veri analizi yapar ve verilerin özelliklerine dayanan eksik bir veri işleme yöntemi seçin.
Hata 2: Acknowledging Limitleri olmadan Basit Takdirme Kullanımı
Doğrulama ve diğer basit tek bir dürtü yöntemleri hala iyi niyetli sınırlamalarına rağmen yaygın olarak kullanılır. Yazılım veya uzmanlık kısıtlamaları nedeniyle basit bir engel kullanmanız gerekir, raporlama ve yorum sonuçlarınızı dikkatli bir şekilde kabul edin.
Hata 3: O zaman Deleting
Bazı araştırmacılar eksik verileri yok ederler ancak sonra bazı analizlerden yanlış olan olayları dışlayın. Bu yenilgiler, engellenme amacı ve önyargıları tanıtabilirsiniz.Bir kez yanlış veri kümeleri yarattınız, tüm analizlerde sürekli olarak kullanın.
Hata 4: İnkarasyon Modelleri
Analiz modelinizde sadece değişkenleri içeren, yardımcı değişkenleri olmadan, eksik olan değişkenlerin ve değişkenlerin eksik verileri içeren değişkenlerin toplanmasını sağlayabilir, bu yardımcı değişkenlerin altstanlı analizinizin bir parçası olmasa bile.
Hata 5: Imputation Quality'yi kontrol etmeyi Başarısız
Her zaman, yanlış değerlerin dağıtımlarını inceler ve onları gözlemlenen değerleri karşılaştırmak. (örneğin, olası aralık dışındaki değişkenler için negatif değerler). Değişkenler arasındaki ilişkileri yanlış veri kümeleri altında muhafaza edilir.
Eksik Data için Pratik İş Akışı
İşte bu makale boyunca tartışılan stratejileri entegre eden bir adım adım atlı iş akışı:
Adım 1: Discover and Document Missing Data
- Her değişken için eksik verilerin yüzdesi hesaplayın
- Görselleştirme araçları kullanarak eksik veri kalıpları tanımlayın
- Gözlemlenen değişkenler üzerinde tam karşı eksik verilerle karşılaştırıldığında katılımcılara karşı
- Little's MCAR testi
- Eksik bir veri analizi raporunda tüm bulguların
2. Adım: Eksik Data Mechanism
- İstatistiksel testler ve alt önemli bilgiye dayanarak, verilerin MCAR, MAR veya MNAR'ın muhtemel olup olmadığını tespit edin.
- Eksikliği tahmin eden değişkenler tanımlayın
- Farklı değişkenlerin farklı eksik veri mekanizmalarına sahip olup olmadığını düşünün
Adım 3: Bir Tamamlayıcı Veri Yöntemi seçin
- Veriler MCAR ve eksiklik minimum (<% 5), listebildirim kabul edilebilir olabilir
- Eğer veriler MAR ise, birden fazla engel veya FIML kullanın
- Veriler MNAR olabilirse, duyarlılık analizleri planlayabilir
- Analiz modelinizin karmaşıklığı ve çoklu dürtü ve FIML arasında seçim yaparken mevcut yazılımları düşünün.
Adım 4: Eksik Data Yöntemini Uygulamayın
- Birden fazla engel için: Yasaklama modelini belirtin, zorlaşma sayısını belirler, dürtüsel algoritmaları çalıştırın, yakınlaşmayı kontrol edin ve yanlış değerleri doğrulayın.
- FIML için: Tüm mevcut verileri kullanmak için analiz modelini belirtin ve yazılımın FIML'yi doğru bir şekilde uygulama olduğunu doğrulayın
Adım 5: Analyses
- Planlanan veri kümelerini veya FIML tahminlerini kullanarak planlanan analizlerinizi gerçekleştirin
- Properly Rubin kuralları kullanarak kanıtlanmış veri kümeleri arasındaki sonuçları birleştirir
- Kayıp verilerin kullanımı etkisini değerlendirmek için örnek analizi için karşılaştırma sonuçları
Adım 6: Hassasiyet Analizes
- Veriler MNAR olabilirse, sonuçları farklı varsayımlar altında nasıl değiştirir inceler
- Sağlamlık değerlendirme için alternatif eksik veri yöntemlerine çalışın
- Sonuçlar farklı alt gruplar için farklı eksiklik modelleri ile farklı olup olmadığının incelenmesi
Adım 7: Rapor Sonuçları
- Eksik verilerin boyutunu ve desenlerini açıklayın
- Eksik veri mekanizmasının değerlendirmenizi rapor edin
- Eksik veri yönteminin kullanıldığını ve bu seçimi haklı çıkardığını açıklayın
- Hassas analizlerin sonuçları
- Eksik verilerle ilgili sınırlamaları tartışmak
Daha Fazla Öğrenme Kaynakları
Araştırmacılar eksik veri yöntemlerini anlamak için, birkaç mükemmel kaynak mevcuttur:
Kitaplar: "Flexible Imputation of Missing Data" by Stef van Buuren, R. "Statistical Analysis with Missing Data" by Roderick Little ve Donald Rubin, modern eksik veri yöntemleri için teorik temel sunuyor.
Online Kaynaklar: The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The The Kayıp Verilerin Online Kitabının Esnek Takdir Edilmesi Stef van Buuren özgürce mevcut ve R kodu örnekleri içerir.The The Stef van Buuren is özgürce available and include R code examples. Eksik Data web web web web web web web web web web web web web web web web web sitesi Bristol Üniversitesi'ndeki araştırmacılar tarafından sağlanan, yazılım rehberleri ve son araştırma kağıtları bulunmaktadır.
Yazılım Dokümantasyon: R, Stata'nın mil komutları için fare paketi için belge ve SPSS Missing Values Analizi tüm bu yöntemleri uygulamalarına yardımcı olabilecek öğreticiler ve örnekler içerir.
Atölyeler ve Dersler: Birçok üniversite ve profesyonel kuruluş eksik veri analizi üzerine atölyeler sunmaktadır. Michigan Üniversitesi Sosyal Araştırma Yöntemleri, ICPSR Yaz Programı ve çeşitli online platformlar, özellikle eksik verilere odaklandı.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Büyük psikolojik anketlerde eksik verileri yönetmek hem istatistiksel metodolojiye hem de araştırma tasarımına dikkat gerektirir. Eksik verileri üreten mekanizmaları anlamak -MCAR, MAR ve MNAR - uygun kullanım yöntemlerini seçmek için temel.Listif deletion gibi basit yaklaşımlar yaygın kalırken, çoklu engelleme ve FIML önyargıyı azaltmak ve istatistiksel gücü korumak için önemli avantajlar sunar.
Kayıp veri yönteminin seçimi, verinizin özellikleri tarafından yönlendirilmelidir, seçtiğiniz varsayımlar ve analizlerinizin karmaşıklığı. Çoklu yetersiz veri kalıpları sunar ve karmaşık eksik veri kalıpları ile çalışabilirsiniz, modellemek gibi en verimli alternatif sunar. FIML, modelin seçilmiş olduğu gibi analizler, araştırma için eksik olan verilerin nasıl gerekli olduğunu raporlamada şeffaflık.
Düşünceli araştırma tasarımının önlenmesi eksik verileri yönetmek için en iyi stratejidir. Clear soru kelimelendirme, kullanıcı dostu arayüzler, uygun teşvikler ve katılımcı katılımı korumak için stratejiler eksik verilerin meydana geldiğinde, bu makalede tartışılan istatistiksel yöntemler, belirsizlik için uygun bir şekilde hesap veren doğru analizler yürütmek için araçlar sağlar.
Psikolojik araştırma giderek karmaşık fenomenleri anlamak için büyük ölçekli anketlere dayanıyor, eksik veri yöntemlerindeki uzmanlığın geliştirilmesi asla daha önemli hale gelir. Dikkatli araştırma tasarımı ve şeffaf raporlama ile ilgili titiz istatistik yaklaşımlarını birleştirerek, araştırmacılar eksik verilerin çalışmalarının geçerliliğini ve etkisini zayıflatamaz.Bu makalede belirtilen stratejiler psikolojik araştırmada bu yanlış bir meydan okuma sağlar.