Eksik Veri Analizi: Türleri ve Nasıl Ele Alınır?
Basira Editör Ekibi · · 11 dk okuma · Güncellendi: 16 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım
Aa Yazı boyutu
Anahtar çıkarımlar
- Eksik veriyi ele almanın doğru yolu eksikliğin mekanizmasına bağlıdır: tamamen rastlantısal (MCAR), gözlenen değişkenlere bağlı (MAR) ya da eksik değerin kendisine bağlı (MNAR).
- Liste bazında silme genel olarak yalnız MCAR'da yansızdır (eksiklik yalnız regresyonun yordayıcılarına bağlıysa katsayılar yansız kalabilir) ve her durumda güç kaybettirir; eksiklik birkaç değişkene dağıldığında silinen satır sayısı hızla büyür.
- Boşluğa ortalamayı yazmak varyansı küçültür, ilişkileri zayıflatır ve standart hataları olduğundan küçük gösterir; eksiklik tamamen rastlantısal olsa bile önerilmez.
- MAR varsayımı altında çoklu atama ya da tam bilgi en çok olabilirlik (FIML) önerilir; atama modeline analizdeki bütün değişkenler, bağımlı değişken de dahil, girer.
- Raporda her değişkenin eksik oranı, varsayılan mekanizma ve gerekçesi, kullanılan yöntem ve ayarları yazılır; MNAR olasılığı duyarlılık analiziyle sınanır.
İçindekiler
Eksik veri analizi, bir veri setinde hangi değerlerin, ne ölçüde ve hangi nedenle eksik olduğunu inceleyip bu boşlukları sonucu yanıltmayacak bir yöntemle ele almaktır. Doğru yöntem eksikliğin mekanizmasına bağlıdır: tamamen rastlantısal (MCAR), rastlantısal (MAR) ya da rastlantısal olmayan (MNAR). Boşluğa ortalamayı yazmak önerilmez; MAR varsayımında çoklu atama ya da tam bilgi en çok olabilirlik kullanılır.
Eksik veri nedir ve neden önemlidir?
Eksik veri, ölçülmesi planlanan bir değerin veri setinde bulunmamasıdır. Katılımcı bir soruyu boş bırakır, izlem ölçümüne gelmez, sınava girmez; bir cihaz kayıt almaz ya da bir form sayfası kaybolur. Bazı boşluklar ise eksik değildir: “Çocuğunuz yoksa 12. soruya geçin” yönergesiyle atlanan sorular tanım gereği boştur ve eksik veri gibi ele alınmaz.
Eksik verinin iki bedeli vardır. Birincisi güç kaybıdır: analize giren gözlem azaldıkça standart hatalar büyür ve gerçek bir farkı yakalama olasılığı düşer. İkincisi yanlılıktır: eksik kalanlar tamamlayanlardan sistematik olarak farklıysa, geri kalan veri kitleyi temsil etmez ve kestirimler kayar.
Güç kaybı örneklemi büyüterek telafi edilebilir; yanlılık edilemez. Bu yüzden eksik veri analizi “kaç değer eksik?” sorusuyla değil, “neden eksik?” sorusuyla başlar (Schafer ve Graham, 2002).
Eksik veri analizden önce doğru kodlanmalıdır. Boş yanıtları 99 gibi bir sayıyla kaydedip programda eksik değer olarak tanımlamamak, o sayıyı ortalamaya katar. Kod kitabında eksik değer kodunun nasıl tanımlanacağı anket nasıl hazırlanır ve tez istatistik analizi yol haritası yazılarında anlatılır. Ölçek maddelerindeki eksik yanıtla ölçek puanının nasıl hesaplanacağı ise ayrı bir konudur; ters madde kodlama ve ölçek puanı yazısında ele alınır.
Eksik veri türleri nelerdir? MCAR, MAR ve MNAR
Rubin (1976), bir değerin eksik olma olasılığının verilerle ilişkisine göre eksikliği sınıflandırmıştır. Bugün kullanılan üç ad bu çerçeveden gelir (Schafer ve Graham, 2002).
Dikkat
Adlar yanıltıcıdır: “rastlantısal eksik” (MAR) eksikliğin gelişigüzel olduğu anlamına gelmez.
- Tamamen rastlantısal eksik (MCAR, missing completely at random): Eksik olma olasılığı ne gözlenen değişkenlere ne de eksik değerin kendisine bağlıdır. Posta yolunda kaybolan bir form sayfası ya da teknik bir arıza yüzünden kaydedilmeyen ölçümler örnektir. Tam veriye sahip kişiler, bütün örneklemin rastgele bir alt kümesidir.
- Rastlantısal eksik (MAR, missing at random): Eksik olma olasılığı veri setinde gözlenen başka değişkenlere bağlıdır; o değişkenler sabit tutulduğunda eksik değerin kendisine bağlı değildir. Çevrim içi bir ankette yaşlı katılımcıların bir soruyu daha sık boş bırakması, yaş veri setinde olduğu sürece MAR’a örnektir.
- Rastlantısal olmayan eksik (MNAR, missing not at random): Eksik olma olasılığı, gözlenen değişkenler hesaba katıldıktan sonra da eksik değerin kendisine bağlıdır. Geliri yüksek olanların gelir sorusunu yanıtlamaması ya da belirtileri son ölçümden sonra ağırlaşan, yani ağırlaşması veride görünmeyen hastaların izlem ölçümüne gelmemesi buna örnektir.
| Mekanizma | Liste bazında silmenin sonucu | Eksiklik neye bağlı? (örnek) |
|---|---|---|
| MCAR | Yansız, ama güç kaybı | Hiçbir değişkene (kaybolan form sayfası) |
| MAR | Çoğu kestirimde yanlı olabilir | Gözlenen değişkenlere (yaşlılar bir soruyu daha sık boş bırakıyor) |
| MNAR | Yanlı; modern yöntemler de tek başına çözmez | Eksik değerin kendisine (yüksek gelirliler gelirini yazmıyor) |
Mekanizma veriden kesin olarak belirlenemez. Little (1988), verinin MCAR ile uyumlu olup olmadığını sınayan bir test önermiştir; anlamlı sonuç MCAR’ın reddedilmesi demektir. Anlamsız sonuç MCAR’ı kanıtlamaz, MAR ile MNAR’ı birbirinden ayırmak ise gözlenen veriyle mümkün değildir: ayırıcı bilgi tam da eksik olan değerlerdedir. MAR bu yüzden bir varsayımdır ve gerekçesi verinin nasıl toplandığına dair bilgiden gelir.
Eksik verinin miktarı ve örüntüsü nasıl incelenir?
İnceleme üç soruyla yapılır. İlki miktardır: her değişkende kaç değer eksik ve bütün değişkenleri tam olan kaç satır var? İkisi aynı şey değildir. Eksiklik farklı satırlara dağıldığında, her değişkende eksik oranı küçük olsa bile tam satır sayısı hızla düşer; aşağıdaki çözümlü örnek bunu gösterir.
İkincisi örüntüdür: eksik değerler belirli değişkenlerde ya da belirli kişilerde toplanıyor mu? Boylamsal çalışmalarda bir ölçümden sonra bütün ölçümleri eksik olan kişiler (çalışmadan ayrılanlar) ayrı bir örüntüdür ve ayrılma nedenleri ayrıca kaydedilir.
Üçüncüsü eksikliğin gözlenen değişkenlerle ilişkisidir. Bir değişkeni eksik olanlar ile olmayanlar öteki değişkenlerde karşılaştırılır: sürekli değişkenlerde bağımsız örneklem t-testi (Welch), kategorik değişkenlerde ki-kare bağımsızlık testi kullanılır. Bir fark bulunursa veri MCAR değildir; o değişken eksikliği açıklayan bir yardımcı değişken olarak atama modeline alınır.
Dikkat
Fark bulunmaması MCAR’ı kanıtlamaz, yalnız eksikliğin incelenen değişkenlerle ilişkili görünmediğini söyler.
Veri temizliğinin öteki yarısı uç değerlerdir; eksik değerlerden önce ya da sonra ele alınmaları sonucu değiştirebilir. Kuralları aykırı değer yazısında bulabilirsiniz.
Eksik veri nasıl ele alınır? Yöntemlerin karşılaştırması
Yöntemler iki gruba ayrılır. Geleneksel yöntemler (silme ve tek değer atama) kolaydır ama sınırlıdır: silme genel olarak yalnız MCAR’da yansızdır; ortalamayla ya da tek regresyon atamasıyla doldurulan veri ise değişkenliği ve ilişkileri hiçbir mekanizmada doğru vermez. Liste bazında silmenin bilinen bir istisnası vardır: regresyonda eksiklik bağımlı değişkene değil yalnız yordayıcılara bağlıysa, katsayılar silmeden sonra da yansız kalabilir (Schafer ve Graham, 2002; White ve Carlin, 2010). Modern yöntemler (çoklu atama ve tam bilgi en çok olabilirlik) MAR altında yansız kestirim ve doğru standart hata verir (Schafer ve Graham, 2002).
| Yöntem | Hangi varsayımda savunulabilir? | Ne yapar; başlıca sorun |
|---|---|---|
| Liste bazında silme (listwise) | MCAR (genel durumda) | Herhangi bir analiz değişkeni eksik olan satırı tümüyle çıkarır. Sorun: güç kaybı; MAR’da yanlı olabilir |
| Çiftler bazında silme (pairwise) | MCAR | Her istatistiği, o istatistiğin değişkenleri tam olan satırlarla hesaplar. Sorun: her sayı başka bir alt örnekleme dayanır; korelasyon matrisi tutarsız olabilir |
| Ortalamayla atama | Hiçbiri (varyans ve ilişkiler için) | Boşluğa değişkenin gözlenen ortalamasını yazar. Sorun: varyansı küçültür, ilişkileri zayıflatır, standart hatayı küçük gösterir |
| Tek regresyon ataması | Ortalamalar için MAR; varyans ve ilişkiler için hiçbiri (belirsizlik yok sayılır) | Boşluğa öteki değişkenlerden yordanan değeri yazar. Sorun: ilişkileri olduğundan güçlü, değişkenliği küçük gösterir |
| Çoklu atama | MAR | Boşluğu birden çok makul değerle doldurur, sonuçları birleştirir. Sorun: atama modeli analiz modeliyle uyumlu kurulmalı |
| Tam bilgi en çok olabilirlik (FIML) | MAR | Her satırın gözlenen değerleriyle kestirim yapar, atama yapmaz. Sorun: uygun modelleme yazılımı ister |
Dikkat
Ortalamayla atamanın sorunu MCAR’da bile ortadan kalkmaz: atanan değerler değişkenliğe hiçbir şey katmaz, ama örneklem büyüklüğüne sayılır.
Tek regresyon ataması ortalamaları MAR altında koruyabilir, ancak atanan her değer tam olarak regresyon doğrusunun üzerine düşer; veri olduğundan düzenli görünür ve ilişkiler şişer (Schafer ve Graham, 2002). İki yöntemin ortak kusuru, tahmin edilen değeri ölçülmüş gibi kullanmalarıdır: belirsizlik kaybolur, standart hatalar küçülür.
Tekrarlı ölçümlerde liste bazında silme özellikle pahalıdır. Tekrarlı ölçümler varyans analizi tek bir ölçümü eksik olan kişiyi tümüyle dışarıda bırakır; doğrusal karma modeller ise her kişinin gözlenen ölçümlerini en çok olabilirlikle kullanır ve model doğru kurulmuşsa MAR altında geçerlidir (Schafer ve Graham, 2002).
MNAR’da çoklu atama ve FIML da MAR varsayımına dayandığı için yanlılığı tek başına gidermez. Bu durumda sonuçların bir dizi MNAR senaryosunda ne kadar değiştiği bir duyarlılık analiziyle gösterilir (Sterne vd., 2009). Bir yol, atanan değerleri belirli bir miktar aşağı ya da yukarı kaydırıp analizi yinelemektir: sonuç makul bir kaydırma aralığında değişmiyorsa MAR varsayımına daha az bağlıdır.
Çoklu atama nasıl çalışır?
Çoklu atama, Rubin’in (1987) önerdiği üç aşamalı bir yöntemdir. Önce her eksik değer, gözlenen verilerden kurulan bir modelle ve rastgele bir hata eklenerek doldurulur; bu işlem kez tekrarlanır ve birbirinden biraz farklı tam veri seti elde edilir. Sonra planlanan analiz her veri setinde ayrı ayrı yapılır. En sonda sonuçlar Rubin kurallarıyla birleştirilir.
Birleştirmede kestirim, analizin kestirimlerinin ortalamasıdır. Toplam varyans iki parçadan oluşur: atama içi varyans , yani analizlerin kendi varyanslarının ortalaması, ve atamalar arası varyans , yani kestirimlerin atamadan atamaya değişkenliği:
Burada , ‘nci atanmış veri setinden elde edilen kestirim (ör. bir regresyon katsayısı); birleştirilmiş kestirim; atama sayısı; ise birleştirilmiş kestirimin toplam varyansıdır ve karekökü birleştirilmiş standart hatayı verir.
terimi, eksik değerleri bilmediğimiz için duyduğumuz belirsizliğin ölçüsüdür. Tek değer atamada bu terim yoktur; standart hataların küçük çıkmasının nedeni budur.
İyi bir atama modeli için üç kural öne çıkar:
- Analizdeki bütün değişkenler modele girer, bağımlı değişken de dahil. Bağımlı değişkeni dışarıda bırakmak, atanan değerlerle bağımlı değişken arasındaki ilişkiyi sıfıra doğru çeker (Sterne vd., 2009).
- Yardımcı değişkenler eklenir. Analizde kullanılmayan ama eksiklikle ya da eksik değişkenle ilişkili değişkenler (ör. ön test puanı, yaş) MAR varsayımını daha inandırıcı kılar ve kestirimleri iyileştirir (Collins vd., 2001).
- Atama sayısı yeterli olmalıdır. Eski kaynaklarda önerilen 3–5 atama, standart hatalar ve p değerleri için çoğu zaman azdır (Graham vd., 2007). White, Royston ve Wood (2011), pratik bir kural olarak atama sayısının en az eksik verisi olan satırların yüzdesi kadar olmasını önerir: satırların %20’sinde eksik varsa en az 20 atama.
R’de çoklu atama yapan paketlerden biri mice paketidir (van Buuren ve Groothuis-Oudshoorn, 2011); SPSS’te Missing Values ek modülü çoklu atama yapar. FIML ise yapısal eşitlik modeli yazılımlarında ve karma modellerde kullanılır. Aynı değişkenler ve aynı varsayımlarla iki modern yöntem genellikle birbirine yakın sonuç verir (Schafer ve Graham, 2002).
Çözümlü örnek: ortalamayla atama ilişkiyi nasıl bozar?
Ortalamayla atama ortalamaları korur, ama her boşluğa aynı değeri yazdığı için standart sapmayı küçültür ve korelasyonu zayıflatır.
Bir öğretim üyesi, aynı dersi alan 30 öğrenci için haftalık ders çalışma süresi ile dönem sonu sınav puanı arasındaki ilişkiyi inceliyor. Çalışma süresi sorusu 5 öğrencide (%16,7), sınav puanı 4 öğrencide (%13,3) eksik; eksikler farklı öğrencilerde olduğu için iki değişkeni de tam olan yalnız 21 öğrenci (%70) kalıyor. Veri öğretici amaçla hazırlanmıştır ve eksikliğin nedeni bilinmiyor: örnek mekanizmayı değil, yöntemlerin aynı veride ne verdiğini gösterir.
| calisma_saati | sinav_puani |
|---|---|
| 12 | 68 |
| 8 | 70 |
| 15 | 74 |
| 5 | 58 |
| 61 | |
| 18 | 80 |
| 7 | |
| 14 | 83 |
| 66 | |
| 9 | 52 |
| 20 | 78 |
| 6 | 64 |
İlk 12 satır (toplam 30) · Bu örnekteki tüm sayılar SciPy 1.16.3 ile bağımsız olarak yeniden hesaplanır. Veriyi indirin (CSV)
Aynı veri üç yolla özetlendiğinde Tablo 1’deki sonuçlar elde edilir (ikinci sütunda Pearson korelasyonu, parantez içinde standart sapma).
Tablo 1
Çalışma Süresi ile Sınav Puanı: Üç Eksik Veri Yolunda Korelasyon, Ortalama ve Standart Sapma
| Yol (kullanılan satır) | r | Çalışma saati: M (SS) | Sınav puanı: M (SS) |
|---|---|---|---|
| Mevcut veri (değişken başına) | .70 | 11.28 (4.79) | 67.77 (10.81) |
| Liste bazında silme (21 satır) | .70 | 11.52 (4.49) | 67.95 (10.57) |
| Ortalamayla atama (30 satır) | .52 | 11.28 (4.36) | 67.77 (10.04) |
“Mevcut veri” satırı her değişkenin ortalamasını ve standart sapmasını o değişkenin gözlenen bütün değerleriyle, korelasyonu iki değişkeni de tam olan satırlarla hesaplar (çiftler bazında silme). İki değişkenli bir analizde çiftler bazında ve liste bazında silme aynı satırları kullanır; bu yüzden ikisinde de r = .70 bulunur. Değişken sayısı arttıkça iki yol ayrışır.
Ortalamayla atama ortalamaları değiştirmez; atanan değer zaten ortalamanın kendisidir. Değişen, yayılım ve ilişkidir. Standart sapma çalışma saatinde 4,79 saatten 4,36 saate, sınav puanında 10,81 puandan 10,04 puana iner: her boşluğa merkezde duran bir değer yazılmış, örneklem büyümüş, ama değişkenliğe hiçbir şey eklenmemiştir. Korelasyon r = .52 değerine düşer.
Nedeni hesabın paydasındadır: korelasyon, çapraz çarpımlar toplamının iki kareler toplamının çarpımının kareköküne oranıdır. Çalışma süresi atanmış bir öğrencinin sınav puanı gözlenmiştir; bu satır sınav puanının kareler toplamına katkı verir, ama atanan değerin sapması sıfır olduğu için çapraz çarpımlar toplamına hiçbir şey katmaz. Liste bazında silmeyle karşılaştırıldığında pay neredeyse aynı kalır, payda büyür ve r düşer.
Bu verinin asıl dersi şudur: ortalamayla atama, analize 30 tam gözlem varmış izlenimi verirken ilişkiyi zayıflatır ve ortalamaların güven aralıklarını olduğundan dar gösterir.
Liste bazında silme bu veride mevcut veriye yakın ortalamalar ve aynı korelasyonu verir, ama genel olarak yalnız eksiklik MCAR ise yansızdır ve tek bir değeri eksik olan öğrencinin ölçülmüş öteki değerini de dışarıda bırakır. Eksiklik örneğin çalışma süresi düşük olan öğrencilerin sınava girmemesinden kaynaklanıyor ve bu süre gözlenmişse (MAR), liste bazında silmede korelasyon yanlı çıkabilir; çoklu atama ya da FIML ise gözlenen çalışma süresini kullanarak MAR altında yansız kestirim verir. Korelasyonun kendisini yorumlarken hangi sınırların geçerli olduğu korelasyon ve nedensellik yazısında anlatılır.
Eksik veri nasıl raporlanır?
Yöntem ve bulgular bölümünde okurun eksik veri kararını değerlendirebileceği kadar bilgi verilir (Sterne vd., 2009):
- Her analiz değişkeninde eksik değer sayısı ve yüzdesi, analize giren örneklem büyüklüğü.
- Eksikliğin bilinen nedenleri (ör. çalışmadan ayrılma, sınava girmeme) ve eksik olan ile olmayan kişilerin gözlenen değişkenlerde karşılaştırılması.
- Varsayılan mekanizma ve gerekçesi.
- Kullanılan yöntem; çoklu atamada yazılım ve sürümü, atama modeline giren değişkenler (yardımcı değişkenler dahil) ve atama sayısı.
- Varsa duyarlılık analizinin sonucu: tam satır analizi ya da farklı MNAR senaryolarıyla sonuç değişiyor mu?
Bu bilgilerin APA 7 biçimiyle nereye yazıldığı APA’ya göre istatistik raporlama, bulgular bölümünün başındaki katılımcı akışı ise bulgular bölümü nasıl yazılır yazısında anlatılır.
Atama modelini kurmak, yardımcı değişkenleri seçmek ve MNAR için duyarlılık senaryoları yazmak deneyim isteyen kararlardır; analiz planına bu kararların gerekçesiyle girmesi gerekir. Uzmanla Çalış analiz ve yöntem desteğidir; tezi ya da bölümlerini yazmak, bulguları yorumlamak ve savunmak araştırmacının kendi işidir. Eksik veri planı bir tez analizinin parçasıysa desteğin kapsamı tez istatistik analizi ve raporlama desteği sayfasında anlatılır.
Sık yapılan hatalar
Aşağıdaki hataların çoğu iki kaynaktan doğar: eksikliği yok saymak ya da tahmin edilen değeri ölçülmüş gibi kullanmak.
- Eksikliği hiç raporlamamak. Pek çok program (ör. R’de
lm(), SPSS’in çoğu prosedürü) eksik değeri olan satırları varsayılan olarak uyarı vermeden dışarıda bırakır; analize giren kişi sayısı tablodan tabloya değişir ve okur nedenini bilemez. - “Eksik oran küçük, sorun yok” demek. Az sayıda MNAR eksik de sonucu kaydırabilir; çok sayıda MCAR eksik ise yalnız güç kaybettirir. Miktar kadar mekanizma da önemlidir.
- Boşluğa ortalamayı yazmak. Varyansı ve ilişkileri küçültür, standart hataları olduğundan küçük gösterir.
- Little’ın testi anlamsız diye MCAR’ı kanıtlanmış saymak. Anlamsız sonuç MCAR ile uyumdur, kanıtı değildir.
- Atama modelinden bağımlı değişkeni çıkarmak. İlişkiler sıfıra doğru çekilir.
- Tek bir atanmış veri setini gerçek veri gibi analiz etmek. Çoklu atamanın kazancı, atamalar arası değişkenliğin standart hataya eklenmesindedir.
Sık sorulan sorular
Yüzde kaç eksik veri kabul edilebilir?
Evrensel bir eşik yoktur; sonucu belirleyen miktardan çok mekanizmadır: MCAR’da yüksek oran yalnız güç kaybettirir, MNAR’da küçük bir oran da yanlılık yaratabilir. Oran ve gerekçe her durumda raporlanır.
Little’ın MCAR testini yapmak zorunlu mu?
Hayır. Test yalnız MCAR’ı reddedebilir; anlamsız sonucu MCAR’ı kanıtlamaz ve MAR ile MNAR’ı ayırmaz (Little, 1988). Eksik olan ve olmayan grupların gözlenen değişkenlerde karşılaştırılması ve verinin nasıl toplandığına dair bilgi aynı ölçüde değerlidir.
Çoklu atama yapılmış veriyle hangi testi kullanırım?
Eksik veri olmasaydı kullanacağınız testi. Atama test seçimini değiştirmez; test her atanmış veri setinde yapılır ve sonuçlar Rubin kurallarıyla birleştirilir. Hangi testin hangi desende kullanıldığı doğru istatistiksel test seçimi rehberindedir.
Atanan değerler raporda gösterilir mi?
Tek tek gösterilmez. Raporda atama modeli, atama sayısı ve birleştirilmiş sonuçlar yer alır; atanan değerlerin gözlenen değerlerle uyumlu bir aralıkta olduğu ayrıca denetlenir.
Bağımlı değişkeni eksik olan katılımcılar atanmalı mı?
Atama modeline girerler, ama analizde tutulmaları çoğu zaman gerekmez. Bu satırların gözlenen değerleri öteki eksik değerlerin atanmasına bilgi katar; bağımlı değişken de atama modelinde her durumda yer alır. Atanmış bağımlı değişken değerleri ise analize çoğu zaman yalnız gürültü ekler: von Hippel (2007) bütün satırlarla atama yapıp ardından bağımlı değişkeni atanmış satırları analizden çıkarmayı önerir. Bağımlı değişkenle güçlü ilişkili yardımcı değişkenler varsa bu satırlar bilgi taşıyabilir.
Eksik veri örneklem büyüklüğü hesabını etkiler mi?
Evet. Beklenen kayıp oranı kadar fazla katılımcıyla başlamak gerekir; bu düzeltme yanlılığı değil, yalnız güç kaybını karşılar. Hesabın kendisi örneklem büyüklüğü nasıl hesaplanır yazısında anlatılır.
- #eksik-veri
- #veri-temizligi
- #temel-istatistik
- #betimsel-istatistik
- #tez-istatistik-analizi
Bilimsel inceleme
Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.
Kaynakça
- Collins, L. M., Schafer, J. L., & Kam, C.-M. (2001). A comparison of inclusive and restrictive strategies in modern missing data procedures. Psychological Methods, 6(4), 330–351.
- Graham, J. W., Olchowski, A. E., & Gilreath, T. D. (2007). How many imputations are really needed? Some practical clarifications of multiple imputation theory. Prevention Science, 8(3), 206–213.
- Little, R. J. A. (1988). A test of missing completely at random for multivariate data with missing values. Journal of the American Statistical Association, 83(404), 1198–1202.
- Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3), 581–592.
- Rubin, D. B. (1987). Multiple imputation for nonresponse in surveys. Wiley.
- Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147–177.
- Sterne, J. A. C., White, I. R., Carlin, J. B., Spratt, M., Royston, P., Kenward, M. G., Wood, A. M., & Carpenter, J. R. (2009). Multiple imputation for missing data in epidemiological and clinical research: Potential and pitfalls. BMJ, 338, Article b2393.
- van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice: Multivariate imputation by chained equations in R. Journal of Statistical Software, 45(3), 1–67.
- von Hippel, P. T. (2007). Regression with missing Ys: An improved strategy for analyzing multiply imputed data. Sociological Methodology, 37(1), 83–117.
- White, I. R., & Carlin, J. B. (2010). Bias and efficiency of multiple imputation compared with complete-case analysis for missing covariate values. Statistics in Medicine, 29(28), 2920–2931.
- White, I. R., Royston, P., & Wood, A. M. (2011). Multiple imputation using chained equations: Issues and guidance for practice. Statistics in Medicine, 30(4), 377–399.
Kendi verinizde görün
Kavramı kendi verinizde görmek isterseniz Basira’yı ücretsiz deneyebilirsiniz. Basira’yı deneyin
Kavramı kendi verinizde görmek isterseniz panelinize dönebilirsiniz. Panele git
İlgili yazılar
Temel İstatistik
Aykırı Değer Nedir? Nasıl Tespit Edilir?
Aykırı değer öteki gözlemlerden belirgin biçimde uzak düşen değerdir. ÇAG kuralı, z, değiştirilmiş z, Grubbs testi ve silme kararı örnekle.
Basira ·
Temel İstatistik
Güven Aralığı Nedir? Nasıl Hesaplanır ve Yorumlanır?
Güven aralığı, kestirimin çevresinde veriyle uyumlu kitle değerlerini gösterir. Ortalama ve oran için formül, t kritik değeri, çözümlü örnek ve doğru yorum.
Basira ·
Temel İstatistik
z Puanı (Standart Puan) Nedir? Nasıl Hesaplanır?
z puanı bir değerin ortalamadan kaç standart sapma uzakta olduğunu gösterir. Formül, yorum, yüzdelik, T puanı ve iki sınavlı çözümlü örnek.
Basira ·