Imputationsprocedurer

Imputationsprocedurer är statistiska metoder för att hantera saknade observationer i empiriska data genom att ersätta de saknade värdena med syntetiska uppgifter. Syftet är att bevara informationen i datamängden och minska bias och osäkerhet som uppstår när data saknas. Olika metoder används beroende på hur mycket data som saknas och vilken typ av variabler som är involverade. Imputering skiljer sig från bortfall som leder till att hela fall eller variabler tas bort utan att försöka uppskatta saknade värden.

Enkla metoder ersätter saknade värden med ett enkelt estimat, till exempel medelvärde, median eller modus. Andra tekniker inkluderar regressionimputation där saknade värden förutsägs av modeller baserade på andra variabler, samt hot deck-imputation (donorbaserad) där saknade värden fylls från liknande fall i datasetet. KNN-imputation använder värden från närliggande observationer för att fylla i saknade data. Dessa metoder är ofta enkla att implementera men kan introducera bias eller underskatta variansen.

Flerfaldig imputering, eller multiple imputation, används ofta i modern statistisk praxis. Denna metod skapar M syntetiska kompletta datasets, analyserar varje dataset separat och kombinerar resultaten med Rubins regler för poolning. Detta fångar imputationsosäkerheten i den slutliga inferensen. Antaganden om saknade data, vanligtvis MCAR eller MAR, påverkar giltigheten av imputeringarna; MNAR kräver ofta mer komplex modellering av de saknade mekanismerna. Vanliga programvaror inkluderar R-paket som mice och Amelia, SAS PROC MI samt olika Python-bibliotek.