Balansētās k tuvāko kaimiņu imputācijas metodes uzlabojumu pārbaude

Abstract

Bakalaura darba pētāmā problēma ir salīdzināt dažādas imputācijas metodes izlašu novērtējumu problemātikā. Darbs ir veltīts balansētās k tuvāko kaimiņu imputācijas metodes uzlabojumu analīzei. Uzlabojumā donoru izvēle ir aplūkota kā izlases problēma un tiek izmantota kalibrācija un balansēta izlase. Darbā ir izstrādāts metodes algoritms un salīdzināti tās rezultāti ar citām izvēlētām imputācijas metodēm. Salīdzināšanai tiek izmantota tuvākā kaimiņa metode, k tuvāko kaimiņu metode, imputācija ar vienkārša gadījuma izlasi ar atkārtojumiem un vienkārša gadījuma izlase bez atkārtojumiem. Metodes tiek salīdzinātas vairākas reizes simulējot iztrūkšanu un atkārtoti imputējot. Aprēķiniem tiek izmantota programma R un izmantots iris datu masīvs.

The research problem of the bachelor’s thesis is to compare several imputation methods in problems of sampling estimates. The bachelor’s thesis is devoted to the analysis of balanced k nearest neighbour imputation method improvements. In improvements the selection of donors is viewed as a sampling problem and calibration and balanced sampling are used. In the bachelor’s thesis algorithm of method is worked out and its results are compared with other selected imputation methods. For comparing nearest neighbour imputation method, k nearest neighbour imputation method, imputation with simple random sampling with replacement and imputation with simple random sampling without replacement are used. Methods are compared several times simulating absence and repeating imputation. Simulations are done with the help of program R by using iris flower data set.