Penanganan Data Hilang Menggunakan Metode MarkoviChain Monte Carlo (MCMC)
Notice bibliographique
Résumé
Abstract. In an observation or research, there are often cases where the data observed or researched is incomplete because the measuring instrument used is inaccurate, damaged, not recorded and other technical problems. Incomplete data is commonly referred to as missing data. Missing data is an important problem in various studies because it can lead to bias and inaccuracy in predicting the response from observations. The method used to estimate missing data in the writing of this thesis is the Multiple Imputation method. Multiple Imputation used is the Markov Chain Monte Carlo (MCMC) method with Data Augmentation (DA) algorithm. The MCMC method is an algorithm for simulating conditional probability, which is suitable for any data pattern, where it is assumed that the underlying complete data follows a multivariate normal distribution. One case of incomplete data is the time-travel (Home – GSK) in Canada, the Province of Ontario in 2011 – 2012, for the variables Distance, Maxspeed and FuelEconomy. Based on the DA algorithm, complete data is formed for the three variables, so that these variables can be used for further analysis.
 Abstrak. Dalam sebuah pengamatan atau penelitian sering sekali terjadi kasus dimana data yang diamati atau diteliti tidak lengkap dikarenakan alat ukur yang digunakan kurang akurat, rusak, tidak tercatat dan masalah-masalah teknis lainnya. Data yang tidak lengkap biasa disebut sebagai data hilang (missing data). Data hilang merupakan suatu masalah penting dalam berbagai penelitian karena dapat menyebabkan terjadinya bias dan ketidakakuratan dalam memprediksi respon dari amatan. Metode yang digunakan untuk melakukan pendugaan data hilang pada penulisan artikel ini adalah metode Imputasi Ganda (Multiple Imputation). Imputasi Ganda (Multiple Imputation) yang digunakan adalah metode Markov Chain Monte Carlo (MCMC) dengan algoritma Data Augmentation (DA). Metode MCMC adalah algoritma untuk mensimulasikan peluang bersyarat, yang cocok untuk pola data apapun, di mana diasumsikan bahwa data lengkap yang mendasari mengikuti distribusi normal multivariat. Salah satu kasus data tidak lengkap yaitu time-travel (Home – GSK) yang ada di Negara Canada Provinsi Ontario pada tahun 2011 – 2012, untuk variabel Distance, Maxspeed dan FuelEconomy. Berdasarkan algoritma DA terbentuk data lengkap untuk ketiga variabel tersebut, sehingga variabel tersebut dapat digunakan untuk analisis lebih lanjut.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».