How To Deal With Missing Data In Stata Forex

Lidar com dados faltantes de PsychWiki - Wiki Psicologia colaborativa Como faço para lidar com valores perdidos Você tem três opções básicas quando lida com valores em falta. A opção 1 é não fazer nada. Deixe os dados como está, com os valores em falta no local. Esta é a abordagem mais frequente, por algumas razões. Primeiro, o número de valores em falta é geralmente pequeno. Em segundo lugar, os valores em falta são tipicamente não aleatórios. Em terceiro lugar, mesmo que existam alguns valores faltantes em itens individuais, normalmente você cria compósitos dos itens, em média, juntos em uma nova variável, e essa variável composta não terá valores faltantes porque é uma média dos dados existentes. No entanto, se você escolher esta opção, você deve ter em mente como SPSS tratará os valores que faltam. O SPSS usará a eliminação da lista ou a remoção em par dos valores faltantes. Você pode escolher qualquer um ao realizar cada teste no SPSS. A exclusão de lista SPSS não incluirá casos (assuntos) que tenham valores em falta na (s) variável (s) em análise. Se você estiver apenas analisando uma variável, a exclusão da lista simplesmente está analisando os dados existentes. Se você estiver analisando múltiplas variáveis, a exclusão da lista remove casos (assuntos) se houver um valor faltando em qualquer uma das variáveis. A desvantagem é a perda de dados porque você está removendo todos os dados de assuntos que podem ter respondido algumas das perguntas, mas não outras (por exemplo, os dados faltantes). A exclusão em pares SPSS incluirá todos os dados disponíveis. Ao contrário da eliminação de lista que remove casos (assuntos) que têm valores faltantes em qualquer uma das variáveis ​​em análise, a exclusão em pares apenas remove os valores faltantes específicos da análise (não o caso inteiro). Em outras palavras, todos os dados disponíveis estão incluídos. - Se você está realizando uma correlação em múltiplas variáveis, o SPSS conduzirá a correlação bivariada entre todos os pontos de dados disponíveis e ignorará apenas os valores faltantes se existirem em algumas variáveis. Neste caso, a exclusão em pares resultará em diferentes tamanhos de amostra para cada correlação. A eliminação de paridade é útil quando o tamanho da amostra é pequeno ou os valores faltantes são grandes porque não há muitos valores para começar, então por que omitir ainda mais com eliminação de lista. Para entender melhor a eliminação da lista versus a exclusão em pares influencia seus resultados, tente realizar o mesmo teste usando os dois métodos de exclusão. A mudança de resultado também é importante ter em mente que, para cada tipo de teste que você conduz, você precisa identificar se o SPSS está usando a exclusão listwise ou pairwise. A maioria dos testes permite que eleja sua preferência, mas você sempre deve verificar sua saída para o número de casos usados ​​em cada análise para identificar se a eliminação em pares ou em lista foi usada. A opção 2 é excluir casos com valores em falta. - Para cada valor faltando no conjunto de dados, você pode excluir os assuntos com esses valores faltantes. Assim, você fica com dados completos para todos os assuntos. A desvantagem dessa abordagem é que você reduz o tamanho da amostra de seus dados. Se você tiver um grande conjunto de dados, pode não ser uma grande desvantagem porque você tem assuntos suficientes mesmo depois de excluir os casos com valores ausentes. Outra desvantagem para esta abordagem é que os sujeitos com valores ausentes podem ser diferentes dos sujeitos sem valores faltantes (por exemplo, valores faltantes que não são aleatórios), de modo que você tenha uma amostra não representativa depois de remover os casos com valores ausentes. Uma vez que a situação em que uso a Opção 2 é quando indivíduos específicos não responderam a uma escala completa ou a uma página do estudo. A opção 3 é substituir os valores em falta, chamados de imputação. Existe pouco acordo sobre a realização ou não de imputação. Há algum acordo, no entanto, em que tipo de imputação de conduta. - Normalmente NÃO efectua substituição de média ou substituição de regressão. A substituição média substitui o valor faltante pela média da variável. A substituição de regressão usa análise de regressão para substituir o valor faltante. A análise de regressão é projetada para prever uma variável com base em outra variável, de modo que pode ser usada para prever o valor faltante com base na resposta dos assuntos a outra variável. O tipo de imputação favorecido é substituir os valores em falta usando diferentes métodos de estimação. O módulo add-on de análise de valores faltando no SPSS contém os métodos de estimativa. . Lidar com outliers (parte 1): 5. 2011. Existem dois métodos para lidar com outliers: aparar e ganhar. Eu discuto essas duas técnicas nesta apresentação. Especificamente, como eles são diferentes e quando usá-los. Duan, B. (1997). A robustez do corte e da Winsorização quando a distribuição da população está distorcida. Dissertação não publicada, Tulane University, New Orleans. Hawkins, D. M. (1980). Identificação de outliers. Londres: Chapman Hall. Wilcox, R. R. (2010). Fundamentos de Métodos Estatísticos Modernos: melhoria substancial do poder e da precisão, 2º Ed. Nova York: Springer. Outliers estatísticos, lidando com outliers, estatísticas de outliers