Methode (multiple Imputation)

Die Registerkarte "Methode" gibt an, wie fehlende Werte einschließlich der verwendeten Modelltypen imputiert werden. Kategoriale Prädiktoren sind als Indikator (Dummy) codiert.

Imputationsmethode

Die Methode Automatisch scannt die Daten und verwendet die monotone Methode, wenn die Daten ein monotones Muster fehlender Werte zeigen. Andernfalls wird die vollständig konditionale Spezifikation verwendet. Wenn Sie sich sicher sind, welche Methode Sie verwenden wollen, können Sie sie als eine Methode unter Benutzerdefiniert angeben.

Vollständig konditionale Spezifikation: Dies ist eine iterative MCMC-Methode (Markov Chain Monte Carlo), die verwendet werden kann, wenn das Muster fehlender Daten willkürlich (monoton oder nicht monoton) ist.; Für jede Iteration und jede Variable in der in der Variablenliste angegebenen Reihenfolge passt die Methode der vollständig konditionalen Spezifikation ein univariates (einzelne abhängige Variable) Modell mit allen anderen Variablen im Modell als Prädiktoren an und imputiert dann die fehlenden Werte für die anzupassende Variable. Die Methode wird fortgesetzt, bis die maximale Zahl an Iterationen erreicht ist, und die imputierten Werte in der maximalen Iteration werden in das imputierte Dataset gespeichert.
Maximalzahl der Iterationen: Gibt die Anzahl der Iterationen oder Schritte an, die die von der Methode der vollständig konditionalen Spezifikation verwendete Markov-Kette durchläuft. Wenn die Methode der vollständig konditionalen Spezifikation automatisch gewählt wurde, verwendet sie die Standardzahl von 10 Iterationen. Wenn Sie die vollständig konditionale Spezifikation explizit wählen, können Sie eine benutzerdefinierte Zahl an Iterationen angeben. Sie müssen gegebenenfalls die Anzahl der Iterationen erhöhen, wenn die Markov-Kette nicht konvergiert. Auf der Registerkarte "Ausgabe" können Sie Iterationsverlaufsdaten der vollständig konditionalen Spezifikation speichern und sie als Diagramm ausgeben, um die Konvergenz zu beurteilen.
Monoton: Dies ist eine nicht iterative Methode, die nur verwendet werden kann, wenn die Daten ein monotones Muster fehlender Werte haben. Ein monotones Muster existiert, wenn Sie die Variablen so ordnen können, dass alle vorhergehenden Variablen auch nicht fehlende Werte haben, wenn eine Variable einen nicht fehlenden Wert hat. Wenn Sie dies als benutzerdefinierte Methode angeben, stellen Sie sicher, die Variablen in der Liste in einer Reihenfolge anzugeben, die ein monotones Muster aufweist.; Für jede Variable in der monotonen Reihenfolge passt die monotone Methode ein univariates (einzelne abhängige Variable) Modell mit allen vorhergehenden Variablen im Modell als Prädiktoren an und imputiert dann die fehlenden Werte für die anzupassende Variable. Diese imputierten Werte werden in das imputierte Dataset gespeichert.

Zweiwegeinteraktionen aufnehmen

Wenn die Imputationsmethode automatisch gewählt wird, enthält das Imputationsmodell für jede Variable eine Konstante und Haupteffekte für Prädiktorvariablen. Wenn eine bestimmte Methode gewählt wird, können Sie optional alle möglichen Zweiwegeinteraktionen in die kategorialen Prädiktorvariablen aufnehmen.

Modelltyp für metrische Variablen

Lineare Regression: Wenn die Imputationsmethode automatisch gewählt wird, wird lineare Regression als univariates Modell für metrische Variablen verwendet.
Predictive Mean Matching (PMM): Wenn eine bestimmte Methode gewählt wird, können Sie alternativ Predictive Mean Matching (PMM) als Modell für metrische Variablen wählen. PMM ist eine Variante der linearen Regression, die sicherstellt, dass die imputierten Werte plausibel sind. Bei PMM basiert der imputierte Wert auf dem Wert, der für den Wert Auswahl eines vollständigen Falls nach dem Zufallsprinzip aus den besten (k) Vorhersagen definiert wurde, wobei (k) eine positive ganze Zahl dem Standardwert 5 ist.

Logistische Regression wird immer als univariates Modell für kategoriale Variablen verwendet. Unabhängig vom Modelltyp werden kategoriale Prädiktoren mit Indikatorcodierung (Dummy) gehandhabt.

Singularitätstoleranz

Singuläre (bzw. nicht invertierbare) Matrizen weisen linear abhängige Spalten auf, die zu ernsten Problemen für den Schätzalgorithmus führen können. Auch annähernd singuläre Matrizen können zu schlechten Ergebnissen führen, daher behandelt die Prozedur eine Matrix, deren Determinante unter dem Toleranzwert liegt, als singulär. Geben Sie einen positiven Wert ein.

Angeben einer Imputationsmethode

Für diese Funktion ist die Option "Missing Values" erforderlich.

Wählen Sie in den Menüs Folgendes aus:
Analysieren > Multiple Imputation > Fehlende Daten imputieren Werte ...
Klicken Sie im Dialogfeld "Fehlende Datenwerte imputieren" auf die Registerkarte Methode.