আপনি যে কৌশলটি বর্ণনা করেছেন তাকে ক্রমবর্ধমান রেগ্রেশন বা শৃঙ্খলিত সমীকরণের দ্বারা একাধিক অনুদানের দ্বারা অভিবাসন বলা হয়। এই কৌশলটি রঘুনাথন (2001) দ্বারা পরিচালিত হয়েছিল এবং mice
(ভ্যান বুউরেন, 2012) নামে একটি ভাল কাজ করা আর প্যাকেজে প্রয়োগ করা হয়েছিল ।
স্ক্যাফার এবং গ্রাহাম (২০০২) এর একটি কাগজ ভালভাবে ব্যাখ্যা করেছে যে কেন বোঝাবেন এবং তালিকাভুক্তকরণ মুছে ফেলা (যা আপনি লাইন বর্জন বলছেন) সাধারণত উপরে বর্ণিত কৌশলগুলির কোনও ভাল বিকল্প নয়। মূলত অর্থ অনুচ্ছেদ শর্তসাপেক্ষ নয় এবং এইভাবে পর্যবেক্ষণের গড় দিকে অভিযুক্ত বিতরণকে পক্ষপাত করতে পারে। এটি নিষ্ক্রিয় বিতরণে অন্যান্য অনাকাঙ্ক্ষিত প্রভাবগুলির মধ্যেও বৈচিত্র সঙ্কুচিত করবে। তদুপরি, তালিকাবদ্ধভাবে মুছে ফেলা কেবল তখনই কাজ করবে যদি তথ্যগুলি কোনও মুদ্রার ফ্লিপের মতো এলোমেলোভাবে পুরোপুরি অনুপস্থিত থাকে। নমুনার আকার হ্রাস হওয়ায় এটি স্যাম্পলিংয়ের ত্রুটি বাড়িয়ে তুলবে।
উপরে উদ্ধৃত লেখকরা সাধারণত স্বল্পতম মূল্যবোধের বৈশিষ্ট্যযুক্ত ভেরিয়েবলটি দিয়ে শুরু করার পরামর্শ দেন। এছাড়াও, কৌশলটি সাধারণত বায়েশিয়ান উপায়ে প্রয়োগ করা হয় (অর্থাত আপনার পরামর্শের একটি এক্সটেনশন)। চলকগুলি কেবলমাত্র একবারে নয়, অভিশাপ পদ্ধতিতে আরও বেশি বার পরিদর্শন করা হয়। বিশেষত, প্রতিটি ভেরিয়েবলটি তার শর্তাধীন পূর্ববর্তী ভবিষ্যদ্বাণীমূলক বিতরণ থেকে অঙ্কন দ্বারা সম্পন্ন হয়, সর্বনিম্ন অনুপস্থিত মানগুলির বৈশিষ্ট্যযুক্ত ভেরিয়েবল থেকে শুরু করে। একবার ডেটা সেটে সমস্ত ভেরিয়েবল সম্পূর্ণ হয়ে গেলে, আবার প্রথম অ্যারোগ্যালের সাথে অ্যালগরিদম শুরু হয় এবং তারপরে কনভারজেন্স পর্যন্ত পুনরায় পুনরাবৃত্তি হয়। লেখকরা দেখিয়েছেন যে এই অ্যালগরিদমটি গীবস, সুতরাং এটি সাধারণত ভেরিয়েবলগুলির সঠিক মাল্টিভারিয়েট বিতরণে রূপান্তর করে।
সাধারণত, কিছু জড়িত অনুমান জড়িত থাকার কারণে, বিশেষভাবে এলোমেলো উপাত্তে অনুপস্থিত (যেমন ডেটা পর্যবেক্ষণ করা হয় বা না কেবল পর্যবেক্ষণ করা ডেটার উপর নির্ভর করে, এবং অব্যাহত মানগুলিতে নয়)। এছাড়াও পদ্ধতিগুলি আংশিকভাবে বেমানান হতে পারে, এ কারণেই তাদের পিআইজিএস (আংশিকভাবে বেমানান গীবস নমুনা) বলা হয়েছে।
অনুশীলনে বায়েশিয়ান একাধিক অভিব্যক্তি এখনও মাল্টিভারিয়েট অ অ-মনোোটোন অনুপস্থিত ডেটা সমস্যাগুলি মোকাবেলার জন্য একটি ভাল উপায়। এছাড়াও, নন-প্যারামেট্রিক এক্সটেনশানগুলি যেমন রিগ্রেশন মডেলিং অনুমানগুলি শিথিল করতে ভবিষ্যদ্বাণীমূলক গড়ের সাথে মিলে যাওয়া সহায়তা।
রঘুনাথন, টিই, লেপকোভস্কি, জে।, ভ্যান হোয়াইক, জে।, এবং সোলেনবার্গার, পি। (2001)। রিগ্রেশন মডেলগুলির সিকোয়েন্স ব্যবহার করে অনুপস্থিত মানগুলিকে গুণিত করার জন্য বহুবিধ কৌশল। জরিপ পদ্ধতি, 27 (1), 85-95।
স্ক্যাফার, জেএল, এবং গ্রাহাম, জেডাব্লু (2002)। হারিয়ে যাওয়া ডেটা: শিল্পের অবস্থা সম্পর্কে আমাদের দৃষ্টিভঙ্গি। মনস্তাত্ত্বিক পদ্ধতি, 7 (2), 147–177। https://doi.org/10.1037/1082-989X.7.2.147
ভ্যান বুউরেন, এস। (2012) হারিয়ে যাওয়া তথ্যের নমনীয় প্রতিদান Imp বোকা রেটন: সিআরসি প্রেস।