Chybějící hodnoty

Report
Chybějící hodnoty
(item nonresponse)
Základy analýzy kvantitativních dat a SPSS
10.12.2013
Ivan Petrúšek
Obsah přednášky
I. Definice chybějících hodnot
II. Mechanizmy chybějících hodnot
1. Missing Completely At Random
2. Missing At Random
3. Not Missing At Random
III. Tradiční řešení problému chybějících hodnot
1. Postupy založené na vynechávání případů z analýzy
2. Postupy založené na nahrazování chybějících hodnot
Definice chybějících hodnot
• Chybějící hodnoty (missing values) =
„prázdná“ místa v datové matici (tzn. u
některých proměnných a některých případů
nejsou hodnoty pozorovány)
• Předpoklad: chybějící hodnoty „zakrývají“
skutečné hodnoty, které by jinak byly
smysluplnou součástí analýzy
Chybějící hodnoty - příklady
• Příjem osoby – v mnoha výzkumech odmítají
respondenti uvádět výšku svého příjmu
• Česká volební studie 2010 – až 11,5%
respondentů, kteří uvedli, že se zúčastnili
parlamentních voleb, odmítlo odpovědět na
otázku volby strany
• Někdy odpovědi typu „nevím“, „žádná
preference“ nepředstavují chybějící hodnoty,
ale naopak jsou dalšími platnými odpověďmi
Proč představují chybějící hodnoty
problém?
• Standardní statistické metody byly vyvinuty pro
kompletní data (tzn. data bez chybějících hodnot)
• Ignorování chybějících hodnot a procesů jejich
vzniku může vést vychýleným výsledkům analýz
• Neexistuje univerzální hranice, která určuje, kdy
začíná být podíl chybějících hodnot v datech
problematický
→ někdy se uvádí 5 %
Chybějící hodnoty v SPSS
• System missing values
– SPSS s nimi automaticky pracuje jako s chybějícími
hodnotami
– Jedná se o tečky v datové matici (Data View)
• User-defined missing values
– Uživatel SPSS je musí jako chybějící hodnoty sám
nadefinovat (příkaz mis val) – jinak s nimi SPSS
pracuje jako s platnými hodnotami
– Někdy uživatelé definují jako chybějící také
hodnoty, které z hlediska teorie chybějícími nejsou
Mechanizmy chybějících hodnot
• Zjednodušeně řečeno mechanizmy popisují
vztahy mezi pozorovanými a chybějícími
hodnotami v datech
• Podle přítomného mechanizmu chybějících
hodnot dokážeme odhadnout, jestli bude
zvolená technika práce s chybějícími
hodnotami vhodná, resp. problematická
Missing Completely At Random (MCAR)
• Výskyt chybějících hodnot v datech nezávisí na
pozorovaných hodnotách, a zároveň nezávisí ani
na samotných hodnotách, které chybějí
• pravděpodobnost výskytu chybějících hodnot u
proměnné Y1 nezávisí na pozorovaných
hodnotách dalších proměnných (Y2, Y3, …, Yk) a
nezávisí ani na hodnotách samotné proměnné Y1
• Když data chybějí podle MCAR, tak pozorované
hodnoty představují náhodný výběr z hypoteticky
kompletního datového souboru
Missing Completely At Random (MCAR)
• Pro ověřování mechanizmu MCAR existuje
několik statistických testů
– SPSS obsahuje test MCAR podle Littla (Roderick
Little) (H0: Hodnoty chybějí podle MCAR)
• MCAR představuje velmi přísný předpoklad o
chybějících hodnotách
→ v sociologické praxi není obecně velmi
pravděpodobné, aby hodnoty chyběly podle
mechanizmu MCAR
Missing At Random (MAR)
• Pravděpodobnost výskytu chybějících hodnot
u proměnné Y1 závisí na platných hodnotách
dalších proměnných, ale nezávisí na
hodnotách samotné proměnné Y1
• Název mechanizmu je zavádějící → hodnoty v
datech totiž chybí „systematicky“
• Problém: neexistuje způsob jak otestovat, že
hodnoty chybějí podle mechanizmu MAR
Not Missing At Random (NMAR)
• Pravděpodobnost výskytu chybějících hodnot
proměnné Y1 závisí na hodnotách samotné
proměnné Y1
• Stejný problém jako u MAR: neexistuje způsob,
jak ověřit, že hodnoty chybějí podle NMAR
• → jelikož neznáme chybějící hodnoty proměnné
Y1, tak je nedokážeme porovnat s platnými
hodnotami proměnné Y1
Tradiční řešení problému chybějících hodnot
• Postupy založené na vynechávaní případů z analýzy
• Listwise deletion
• Pairwise deletion
• Postupy založené na nahrazování chybějících hodnot
• arithmetic mean imputation
• linear regression imputation
• stochastic regression imputation
Listwise deletion
• Každý případ, u kterého chybí alespoň jedna
hodnota (u některé z proměnných vstupujících do
analýzy) je z analýzy vyřazen
• Výhody:
– U mechanizmu MCAR se jedná o optimální řešení
– Při regresi produkuje nevychýlené odhady regresních
koeficientů, když nezávislé proměnné chybí podle
mechanizmu MAR
• Nevýhody:
– Často se stává, že výrazně zredukuje počet případů, na
kterých je daná analýza provedena → redukce síly testu
– U MAR a NMAR produkuje vychýlené odhady parametrů
Pairwise deletion
• Případy jsou z analýzy vyřazené vždy v rámci
párů proměnných (cílem je maximalizovat počet
případů, na kterých je analýza provedena)
• → každá z buněk korelační matice je spočtena na
jiném počtu případů
• Výhody:
– U mech. MCAR se jedná o relativně vhodné řešení
• Nevýhody
– U mechanizmů MAR a MCAR produkuje vychýlené
odhady parametrů
– Produkuje také vychýlené odhady standardních chyb a
testovacích statistik
Arithmetic mean imputation
• Každá chybějící hodnota proměnné je nahrazena
hodnotou aritmetického průměru, který je spočten
z platných hodnot dané proměnné
• Jediná malá výhoda:
– Máme k dispozici „kompletní“ data
• Nevýhody:
– Redukce variability hodnot dané proměnné (sníží se
rozptyl i směrodatná odchylka)
– Vychýlené odhady parametrů u každého mechanizmu
• → jednoznačně nejhorší dostupná technika
Regression imputation
• Každá chybějící hodnota kardinální proměnné Y je
nahrazena odhadem uskutečněným podle regresní
rovnice (podle hodnot proměnné X)
• Výhody:
– Máme k dispozici „kompletní“ data
– Produkuje nevychýlené odhady průměru proměnné Y
• Nevýhody:
– Redukce variability hodnot proměnné Y
– Může zvýšit úroveň korelace mezi proměnnou s
nahrazenými hodnotami Y a proměnnou X
Stochastic regression imputation
• Kromě výše popsaného postupu je
nahrazovaná chybějící hodnota upravená
náhodným reziduem – obnovuje se tak
ztracená variabilita dat
• Výhoda:
– U mechanizmu MAR vede k nevychýleným
odhadům parametrů
• Nevýhoda:
– Velkosti směrodatných chyb bývají podhodnocené
→ zvýšená pravděpodobnost chyby I. druhu
Metody práce s chybějícími
hodnotami v SPSS
• Modul BASE
– U jednotlivých analytických technik bývají dostupné
v nabídce OPTIONS
– Většinou se jedná jen o listwise/pairwise
vynechávání a nahrazování za aritmetický průměr
• Modul MISSING VALUES
– Speciální modul pro práci s chybějícími hodnotami
– Obsahuje test MCAR podle Littla a několik dalších
diagnostických nástrojů
– Možnost nahrazovat chybějící hodnoty regresí
Závěr
• Chybějící hodnoty představují v společenskovědných datech téměř všudypřítomný jev
• Při výběru techniky řešení problému je třeba mít
představu o mechanizmu chybějících hodnot (pro
danou analýzu a proměnné)
• Tradičně používané techniky problém většinou
neřeší (kromě listwise vynechávání u MCAR a
stochastické regrese u MAR)
• V současnosti už existují i postupy, které dosahují
„kvalitních“ výsledků u mechanizmu MAR
„The only really good solution to the missing
data problem is not to have any. … Statistical
adjustment can never make up for sloppy
research.“ – Paul D. Allison
Děkuji za pozornost!
Použitá literatura
• Allison, P. D. 2001. Missing data. Thousand Oaks: Sage.
• Baraldi, A. N. Enders, C. K. 2010. „An introduction to
modern missing data analyses“. Journal of School
Psychology 48 (1): 5-37.
• Enders, C. K. 2010. Applied Missing Data Analysis. New
York: The Guilford Press.
• Little, R. J. A., Rubin, D. B. (2002). Statistical Analysis
with Missing Data (2nd ed.). Hoboken, N.J: Wiley.

similar documents