数学代写|missing data代考|Hot Deck Imputation

如果你也在 怎样代写missing data这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。missing data在统计学中，当观察中的变量没有存储数据值时，就会出现缺失数据，或缺失值。缺失数据是一种常见的现象，对从数据中得出的结论会有很大的影响。

missing data缺失数据的发生可能是由于无应答：没有为一个或多个项目或整个单位（”主体”）提供信息。有些项目比其他项目更有可能产生无应答现象：例如关于收入等私人主题的项目。损耗是一种可能发生在纵向研究中的缺失–例如研究发展，在一定时期后重复测量。当参与者在测试结束前退出，并且有一个或多个测量项目缺失时，就会出现缺失现象。

my-assignmentexpert™missing data作业代写，免费提交作业要求， 满意后付款，成绩80\%以下全额退款，安全省心无顾虑。专业硕 博写手团队，所有订单可靠准时，保证 100% 原创。my-assignmentexpert™， 最高质量的missing data作业代写，服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面，考虑到同学们的经济条件，在保障代写质量的前提下，我们为客户提供最合理的价格。 由于统计Statistics作业种类很多，同时其中的大部分作业在字数上都没有具体要求，因此missing data作业代写的价格不固定。通常在经济学专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。

想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。

my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在missing data代写方面经验极为丰富，各种missing data相关的作业也就用不着 说。

我们提供的missing data及其相关学科的代写，服务范围广, 其中包括但不限于:

数学代写|missing data代考|Connection with Weighting

Suppose that $C$ imputation cells or strata have been formed with $n_{c}$ and $m_{c}$ as the sample size and respondent size, respectively, in stratum $c=1,2, \ldots, C$.
Let $y_{i c}, i=1,2, \ldots, m_{c} ; c=1,2, \ldots, C$ be the observed responses. Let $\bar{y}{c}$ be the sample mean in cell $c$. The weights for observations in cell $c$ is $w{c}=n_{c} / m_{c}$ and the weighted estimate is $\bar{y}{w}=\sum{c} w_{c} \bar{y}{c} / n$. The weighted mean can be rewritten as $$ \bar{y}{w}=\sum_{c} \sum_{i}^{m_{c}} w_{i c} y_{i c} / n
$$
where $w_{i c}=n_{c} / m_{c}$.
Instead of weighting, suppose that the missing values are imputed by drawing $n_{c}-m_{c}$ values from the $m_{c}$ respondents in each cell. Let $r_{i c}$ be the number of times $y_{i c}$ was selected in the imputation process. The imputation or completed-data estimate is
$$
\bar{y}{I}=\sum{c} \sum_{i}\left(1+r_{i c}\right) y_{i c} / n
$$

数学代写|missing data代考|Bayesian Modification

From a Bayesian point of view, all uncertainties need to be incorporated to obtain valid inferences. In the hot deck procedure, the imputations are drawn from the estimated (or empirical) distribution without incorporating uncertainty in that estimate. A simple modification uses the Bayesian bootstrap in each imputation cell as follows:

1. Draw $m_{c}-1$ uniform random numbers between 0 and 1 and order them to obtain $u_{o}=0 \leq u_{1} \leq u_{2} \ldots \leq u_{m_{c}-1} \leq 1=u_{m_{c}}$.
2. Draw a uniform random number, $v$, and choose $y_{i c}$ as the imputation if $u_{i-1}<v \leq u_{i}$.
3. Repeat Step 2 to fill all $n_{c}-m_{c}$ missing values in the cell.
4. Repeat the procedure for all the cells.

The underlying theory is that the distinct values in the set $\left{y_{i c}, i=\right.$ $\left.1,2, \ldots, m_{c}\right}$ are modeled as having a multinomial distribution with unknown cell probabilities. These probabilities are assumed to have a noninformative Dirichlet distribution. The above procedure is equivalent to obtaining draws from the posterior predictive distribution of the missing values conditional on the observed values under this model assumption.

An alternative approach is to draw values using the approximate Bayesian bootstrap procedure as follows:

1. Sample $m_{c}$ values with replacement from the $m_{c}$ values of $y_{i c}, i=$ $1,2, \ldots, m_{c}$.
2. Sample $n_{c}-m_{c}$ with replacement from the sample obtained in step $1 .$
3. Repeat the process for all the cells.
   The process for creating imputation cells is similar to developing adjustment cells for weighting. All model building and diagnostic procedures need to be applied to create sufficiently large and homogenous groups so that missing at random (conditional on the imputation cells) becomes plausible. The variables used to form imputation cells needs to be correlated with the variables being imputed.

The hot deck procedure described so far focusses on imputing a single variable, conditional on fully observed covariates on respondents and nonrespondents. In practice, however, several variables may have missing values and the number of fully observed covariates may be limited or even nonexistent. Thus, a sequential or a multivariate approach may have to be used to impute all the missing values as described later.

missing data代写

数学代写|MISSING DATA代考|CONNECTION WITH WEIGHTING

假设C插补单元或地层已形成nC和米C分别作为样本大小和受访者大小，以层为单位C=1,2,…,C.
让是一世C,一世=1,2,…,米C;C=1,2,…,C是观察到的反应。让 $\bar{y}{c}$ be the sample mean in cell $c$. The weights for observations in cell $c$ is $w{c}=n_{c} / m_{c}$ and the weighted estimate is $\bar{y}{w}=\sum{c} w_{c} \bar{y}{c} / n$. The weighted mean can be rewritten as $$ \bar{y}{w}=\sum_{c} \sum_{i}^{m_{c}} w_{i c} y_{i c} / n
$$
where $w_{i c}=n_{c} / m_{c}$.
Instead of weighting, suppose that the missing values are imputed by drawing $n_{c}-m_{c}$ values from the $m_{c}$ respondents in each cell. Let $r_{i c}$ be the number of times $y_{i c}$ was selected in the imputation process. The imputation or completed-data estimate is
$$
\bar{y}{I}=\sum{c} \sum_{i}\left(1+r_{i c}\right) y_{i c} / n
$$

数学代写|MISSING DATA代考|BAYESIAN MODIFICATION

从贝叶斯的角度来看，所有的不确定性都需要被纳入以获得有效的推论。在热甲板程序中，插补是从估计的这r和米p一世r一世C一种l在该估计中不考虑不确定性的分布。一个简单的修改在每个插补单元中使用贝叶斯引导程序，如下所示：

1. 画米C−10 到 1 之间的均匀随机数，并排序得到在这=0≤在1≤在2…≤在米C−1≤1=在米C.
2. 画一个统一的随机数，在, 并选择是一世C作为插补如果在一世−1<在≤在一世.
3. 重复步骤 2 填充所有nC−米C单元格中的缺失值。
4. 对所有单元格重复该过程。

基本理论是集合中的不同值\left{y_{ic}, i=\right.$ $\left.1,2, \ldots, m_{c}\right}\left{y_{ic}, i=\right.$ $\left.1,2, \ldots, m_{c}\right}被建模为具有未知单元概率的多项分布。假设这些概率具有无信息的狄利克雷分布。上述过程等价于在此模型假设下以观测值为条件从缺失值的后验预测分布中获取绘图。

另一种方法是使用近似贝叶斯引导程序绘制值，如下所示：

1. 样本米C从替换值米C的值是一世C,一世= 1,2,…,米C.
2. 样本nC−米C从步骤中获得的样本中替换1.
3. 对所有单元格重复该过程。
   创建插补单元的过程类似于开发用于加权的调整单元。需要应用所有模型构建和诊断程序来创建足够大和同质的组，以便随机丢失C这nd一世吨一世这n一种l这n吨H和一世米p在吨一种吨一世这nC和lls变得合理。用于形成插补单元的变量需要与被插补的变量相关联。

到目前为止描述的热甲板程序侧重于估算单个变量，条件是对受访者和未受访者的完全观察到的协变量。然而，在实践中，几个变量可能有缺失值，并且完全观察到的协变量的数量可能是有限的，甚至不存在。因此，可能必须使用顺序或多变量方法来估算所有缺失值，如下所述。

数学代写|missing data代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。

微观经济学代写

微观经济学是主流经济学的一个分支，研究个人和企业在做出有关稀缺资源分配的决策时的行为以及这些个人和企业之间的相互作用。my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在图论代写Graph Theory代写方面经验极为丰富，各种图论代写Graph Theory相关的作业也就用不着 说。

线性代数代写

线性代数是数学的一个分支，涉及线性方程，如：线性图，如：以及它们在向量空间和通过矩阵的表示。线性代数是几乎所有数学领域的核心。

博弈论代写

现代博弈论始于约翰-冯-诺伊曼（John von Neumann）提出的两人零和博弈中的混合策略均衡的观点及其证明。冯-诺依曼的原始证明使用了关于连续映射到紧凑凸集的布劳威尔定点定理，这成为博弈论和数学经济学的标准方法。在他的论文之后，1944年，他与奥斯卡-莫根斯特恩（Oskar Morgenstern）共同撰写了《游戏和经济行为理论》一书，该书考虑了几个参与者的合作游戏。这本书的第二版提供了预期效用的公理理论，使数理统计学家和经济学家能够处理不确定性下的决策。

微积分代写

微积分，最初被称为无穷小微积分或 “无穷小的微积分”，是对连续变化的数学研究，就像几何学是对形状的研究，而代数是对算术运算的概括研究一样。

它有两个主要分支，微分和积分；微分涉及瞬时变化率和曲线的斜率，而积分涉及数量的累积，以及曲线下或曲线之间的面积。这两个分支通过微积分的基本定理相互联系，它们利用了无限序列和无限级数收敛到一个明确定义的极限的基本概念 。

计量经济学代写

什么是计量经济学？
计量经济学是统计学和数学模型的定量应用，使用数据来发展理论或测试经济学中的现有假设，并根据历史数据预测未来趋势。它对现实世界的数据进行统计试验，然后将结果与被测试的理论进行比较和对比。

根据你是对测试现有理论感兴趣，还是对利用现有数据在这些观察的基础上提出新的假设感兴趣，计量经济学可以细分为两大类：理论和应用。那些经常从事这种实践的人通常被称为计量经济学家。

Matlab代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。