Modele klas ukrytych dla tablic kontyngencji z brakującymi danymi

• Autorzy: Iwona Kasprzyk

Warianty tytułu

Latent Class Model for Contingency Tables with Missing Data

• Języki publikacji: PL

Abstrakty

Brakujące dane są powszechnym problemem w wielu typach analiz danych. Występowanie brakujących danych może mieć różne przyczyny. Często respondenci pomijają celowo niektóre pytania w ankiecie, uważając je za zbyt osobiste (np. dochody badanego). Innym razem zdarza się, że respondent nie ma wystarczającej wiedzy, aby odpowiedzieć na wszystkie pytania zawarte w ankiecie.
Metody analizy danych niepełnych można podzielić ogólnie na dwie grupy: te, które uwzględniają mechanizm powstawania brakujących danych, oraz te, które tego mechanizmu nie uwzględniają. W tym artykule zostaną pokazane trzy podstawowe mechanizmy powstawania brakujących danych: MCAR, MAR oraz NMAR.
Poniżej zostaną przedstawione wyniki badania ankietowego preferencji użytkowników telefonów komórkowych. Potrzebne obliczenia wykonano za pomocą programu LEM. (fragment tekstu)

EN

The missing data are common problem in many types of data analysis. The main purpose of this paper is to present latent class models in a view of a log-linear approach. This article demonstrates the latent class model for complete data and three basic types of mechanisms: missing completely at random (MCAR), missing at random (MAR) and not missing at random (NMAR).
This article presents a result of research, which was made among mobile phone users. (original abstract)

Słowa kluczowe

PL

Analiza klas ukrytych

EN

Latent class analysis

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2006
• Tom: 13
• Numer: nr 1126 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 475--482

Twórcy

autor

Iwona Kasprzyk

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Agresti A. (1990), Catégorial Data Analysis, Wiley, New York.
• Fay R.E. (1986), Causal Models for Patterns of Nonresponse, "Journal of the American Statistical Association" nr 81, s. 354-365.
• Fuchs C. (1982), Maximum Likelihood Estimation and Model Selection in Contingency Tables with Missing Data, "Journal of the American Statistical Association" nr 77, s. 270-278.
• Goodman L.A. (1974), Exploratory Latent Structure Analysis Using both Identifiable and Unidentifiable Models, "Biometrika" nr 61, s. 215-231.
• Haberman S.J. (1979), Analysis of Qualitative Data, vol. 2, New Developments Academic Press, New York.
• Hagenaars J.A. (1990), Categorical Longitudinal Data: Log-Linear Panel, Trend and Cohort Analysis, Sage, Newbury Park.
• Kapłon R. (2002), Analiza danych dyskretnych za pomocą metody LCA, Taksonomia 9, AE, Wrocław.
• Lazarsfeld P.F., Henry N.W. (1968), Latent Structure Analysis, Houghton Mill, Boston.
• Liao T.F. (2004), Estimating Household Structure in Ancient China by Using Historical Data: a Latent Class Analysis of Partially Missing Patterns, "Journal Royal Statistical Society A" nr 167, s. 125-139.
• Little R.J., Rubin D.B. (1987), Statistical Analysis with Missing Data, Wiley, New York.
• McCutcheon A.L. (1987), Latent Class Analysis, [w:] Quantitative Applications in the Social Sciences, Sage, Newbury Park.
• Vermunt J.K. (1997), Log-Linear Models for Event Histories, Sage, Thousand Oaks.