Informatieonvolledigheid

Informatieonvolledigheid is de toestand waarin de informatie die nodig is voor een besluit, analyse of model niet volledig beschikbaar is of onbetrouwbaar blijft. Het omvat ontbrekende waarden, onvolledige observaties en vertekende of gefragmenteerde bronnen. Het is een wijdverbreid probleem in data-analyse en besluitvorming en vereist expliciete benaderingen.

Oorzaken en vormen: Ontbrekende waarden vallen vaak onder missing data; oorzaken zijn nonresponse, privacybeperkingen en meetfouten. Observaties kunnen beperkt zijn in tijd of bereik; bronnen kunnen tegenstrijdig of incompleet zijn. In statistische termen bestaan er MCAR (missing completely at random), MAR (missing at random) en MNAR (missing not at random), die bepalen welke analyses valide zijn.

Gevolgen: Verhoogde onzekerheid, vertekende schattingen, bias en verkeerde beslissingen als onvolledigheid niet wordt aangepakt. In AI en beleid kan het leiden tot discriminatie of misinterpretaties.

Benaderingen: Imputatie (ontbrekende waarden schatten), meervoudige imputatie, EM-algoritme, Bayesiaanse inferentie, of maximum-likelihood-methoden. Bounding en intervalanalyse geven wat wel zeker is. Verder verbeteren van gegevensverwerving, gegevensintegratie en robuuste besluitvormingsmethoden; gevoeligheidsanalyses testen hoe resultaten veranderen bij verschillende aannames.

Toepassingsvelden: statistiek, datawetenschap, kunstmatige intelligentie, gezondheidszorg, bedrijfswetenschap, overheidsbeleid en journalistiek.

Voorbeelden: een klinisch dossier met ontbrekende laboratoriumwaarden; een dataset met ontbrekende demografische variabelen; gefragmenteerde regelgeving en informatie uit meerdere bronnen.