Imputation (statistique)

Résumé

En statistique, l’imputation désigne le processus de remplacement des données manquantes avec des valeurs substituées. Quand un point de données est substitué, on parle d’imputation unitaire ; quand une composante de point de données est substituée, on parle d’imputation d'items. Des données manquantes peuvent être à l'origine de trois types de problèmes :

elles peuvent introduire une quantité importante de biais statistiques ;
elles peuvent rendre le traitement et l'analyse des données plus laborieux ;
elles peuvent réduire l'efficacité des méthodes statistiques.

L'imputation est considérée comme un moyen d'éviter les pièges liées aux valeurs manquantes, en préservant tous les cas par le remplacement des données manquantes par une valeur estimée basée sur d'autres informations disponibles. Une fois toutes les valeurs manquantes imputées, on peut alors analyser l'ensemble de données à l'aide des techniques standard applicables à des jeux de données complets. De nombreuses tech

Source officielle

https://fr.wikipedia.org/wiki/Imputation_(statistique)

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (2)

Publications associées

Chargement

Personnes associées

Chargement

Unités associées

Chargement

Concepts associés (4)

Concepts associés

Chargement

Cours associés (9)

Cours associés

Chargement

Séances de cours associées (17)

Séances de cours associées

Chargement

Predicting involuntary hospitalization in psychiatry: A machine learning investigation

Mehdi Gholam

Background Coercion in psychiatry is a controversial issue. Identifying its predictors and their interaction using traditional statistical methods is difficult, given the large number of variables involved. The purpose of this study was to use machine-learning (ML) models to identify socio-demographic, clinical and procedural characteristics that predict the use of compulsory admission on a large sample of psychiatric patients. Methods We retrospectively analyzed the routinely collected data of all psychiatric admissions that occurred between 2013 and 2017 in the canton of Vaud, Switzerland (N = 25,584). The main predictors of involuntary hospitalization were identified using two ML algorithms: Classification and Regression Tree (CART) and Random Forests (RFs). Their predictive power was compared with that obtained through traditional logistic regression. Sensitivity analyses were also performed and missing data were imputed through multiple imputation using chain equations. Results The three models achieved similar predictive balanced accuracy, ranging between 68 and 72%. CART showed the lowest predictive power (68%) but the most parsimonious model, allowing to estimate the probability of being involuntarily admitted with only three checks: aggressive behaviors, who referred the patient to hospital and primary diagnosis. The results of CART and RFs on the imputed data were almost identical to those obtained on the original data, confirming the robustness of our models. Conclusions Identifying predictors of coercion is essential to efficiently target the development of professional training, preventive strategies and alternative interventions. ML methodologies could offer new effective tools to achieve this goal, providing accurate but simple models that could be used in clinical practice.

CAMBRIDGE UNIV PRESS2021

Chargement

Spectral modeling of time series with missing data

Singular spectrum analysis is a natural generalization of principal component methods for time series data. In this paper we propose an imputation method to be used with singular spectrum-based techniques which is based on a weighted combination of the forecasts and hindcasts yield by the recurrent forecast method. Despite its ease of implementation, the obtained results suggest an overall good fit of our method, being able to yield a similar adjustment ability in comparison with the alternative method, according to some measures of predictive performance. (C) 2012 Elsevier Inc. All rights reserved.

Elsevier2013

Chargement