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|Transformation
Consider two possible transformations for inference about a proportion parameter, $\theta$. Let $\phi=\log (\theta /(1-\theta))$ and $\widehat{\phi}{l}=\log \left(\widehat{\theta}{l} /\left(1-\widehat{\theta}{l}\right)\right)$. The completed-data variance is, $\operatorname{var}\left(\widehat{\phi}{l}\right) \approx U_{l}=\left[n_{l} \widehat{\theta}{l}\left(1-\widehat{\theta}{l}\right)\right]^{-1}$. The confidence interval and significance tests can be calculated on the transformed scale using the standard combining rule described in Section 4.2. If $\left(\phi_{L}^{}, \phi_{U}^{}\right)$ is the confidence interval for $\phi$ then the confidence interval for $\theta$ is $\left[\theta_{L}^{}=\exp \left(\phi_{L}^{}\right) /\left(1+\exp \left(\phi_{L}^{}\right)\right)\right.$, $\left.\theta_{U}^{}=\exp \left(\phi_{U}^{}\right) /\left(1+\exp \left(\phi_{U}^{}\right)\right)\right]$.
An alternative is to define $\phi=\sin ^{-1}(\sqrt{\theta})$ for which $U_{l}=\left(4 n_{l}\right)^{-1}$. If $\left(\phi_{L}^{}, \phi_{U}^{}\right)$ is the confidence interval for $\phi$ then $\left[\sin ^{2}\left(\phi_{L}^{}\right), \sin ^{2}\left(\phi_{U}^{}\right)\right]$ is the corresponding confidence interval for $\theta$. There are many other transformations of proportions to achieve normality. The logit and arc-sine-square root transformations are most popular and work well in practice.
Inference about the odds ratio in a $2 \times 2$ table is another example where it is better to draw inference on the logarithmic scale (since the normal approximation works better on this scale). Let $\theta$ be the odds ratio and define $\phi=\log \theta$. In this case $U_{l}=\left(1 / a_{l}+1 / b_{l}+1 / c_{l}+1 / d_{l}\right)$ where $a, b, c$ and $d$ are the four cell sizes. Once the confidence interval for $\phi$ is constructed then $\left[\exp \left(\phi_{L}^{}\right), \exp \left(\phi_{U}^{}\right)\right]$ is the confidence interval for $\theta$. Testing the null hypothesis $H_{o}: \theta=1$ is equivalent to testing $H_{o}: \phi=0$.
As a final example, consider a correlation coefficient. Suppose that $r_{l}$ is the correlation coefficient between variables $X$ and $Y$ based on the completed data set $l=1,2, \ldots, M$. Let $z_{l}=\log \left[\left(1+r_{l}\right) /\left(1-r_{l}\right)\right] / 2$ be the Fisher’s z transformation of the correlation coefficient. The completed-data variance is $1 /\left(n_{l}-3\right)$ where $n_{l}$ is the completed data sample size. As before, compute $\bar{z}{M I}, T{M}$ and $\nu_{M}$ using the the transformed values. If $\left(z_{* L}, z_{* U}\right)$ is the multiple imputation confidence interval on the $z$ scale, then $r_{* L}=$ $\left[\exp \left(2 z_{* L}\right)-1\right] /\left[\exp \left(2 z_{* L}\right)+1\right]$ and $r_{* U}=\left[\exp \left(2 z_{* U}\right)-1\right] /\left[\exp \left(2 z_{* U}+1\right]\right.$ forms the confidence interval for the correlation coefficient.
The same strategy may be applied for inferring about the partial correlation coefficient between $X$ and $Y$ given $Z$, which is defined as the correlation coefficient between the residuals $e_{X . Z}$ from the regression of $X$ on $Z$ and the residuals $e_{Y . Z}$ from the regression of $Y$ on $Z$. There are only $n_{l}-2$ independent residuals (in both $e_{X . Z}$ and $e_{Y . Z}$ ). Accordingly, the completed data variance is $U_{l}=1 /\left(n_{l}-5\right)$. In general, if $p$ variables are included in $Z$, then $U_{l}=1 /\left(n_{l}-p-4\right)$.
数学代写|missing data代考|Nonnormal Approximation
For the binomial proportion, assuming a noninformative prior, $\pi(\theta) \propto \theta^{-1 / 2}(1-$ $\theta)^{-1 / 2}$, the completed data posterior density is
$$
\pi\left(\theta \mid x_{o}, n_{o}, x_{l}, n_{l}\right) \sim \operatorname{Beta}\left(x_{o}+x_{l}+1 / 2, n_{o}+n_{l}-x_{o}-x_{l}+1 / 2\right)
$$
where $\left(x_{o}, n_{o}\right)$ and $\left(x_{l}, n_{l}\right)$ are the observed and imputed values in the completed data posterior distribution of $\theta$. Thus, defining $e_{l}=\left(x_{o}+x_{l}+1 / 2\right) /\left(n_{o}+\right.$ $\left.n_{l}+1\right)$ and $U_{l}=e_{l}\left(1-e_{l}\right) /\left(n_{o}+n_{l}+2\right)$, and defining $T_{M}$ as usual, a beta distribution may be fitted by matching the mean and variance. That is, $\operatorname{Pr}(\theta \mid \mathcal{S}) \approx \operatorname{Beta}(a, b)$ where $a /(a+b)=\bar{e}{M I}$ and $a b(a+b)^{-2}(a+b+1)^{-1}=T{M}$. Solving the two equations obtains,
$$
a=\bar{e}{M I}\left(\frac{T{M}}{\bar{e}{M I}\left(1-\bar{e}{M I}\right)}-1\right)
$$
and
$$
b=\left(1-\bar{e}{M I}\right)\left(\frac{T{M}}{\bar{e}{M I}\left(1-\bar{e}{M I}\right)}-1\right) .
$$
missing data代写
数学代写|MISSING DATA代考|TRANSFORMATION
考虑两种可能的转换来推断比例参数，θ. 让$\theta$. Let $\phi=\log (\theta /(1-\theta))$ and $\widehat{\phi}{l}=\log \left(\widehat{\theta}{l} /\left(1-\widehat{\theta}{l}\right)\right)$. The completed-data variance is, $\operatorname{var}\left(\widehat{\phi}{l}\right) \approx U_{l}=\left[n_{l} \widehat{\theta}{l}\left(1-\widehat{\theta}{l}\right)\right]^{-1}$. The confidence interval and significance tests can be calculated on the transformed scale using the standard combining rule described in Section 4.2. If $\left(\phi_{L}^{}, \phi_{U}^{}\right)$ is the confidence interval for $\phi$ then the confidence interval for $\theta$ is $\left[\theta_{L}^{}=\exp \left(\phi_{L}^{}\right) /\left(1+\exp \left(\phi_{L}^{}\right)\right)\right.$, $\left.\theta_{U}^{}=\exp \left(\phi_{U}^{}\right) /\left(1+\exp \left(\phi_{U}^{}\right)\right)\right]$.
另一种方法是定义φ=罪−1(θ)为此在l=(4nl)−1. 如果 $\left(\phi_{L}^{ }, \phi_{U}^{ }\right)一世s吨H和C这nF一世d和nC和一世n吨和r在一种lF这r\phi吨H和n\left[\sin ^{2}\left(\phi_{L}^{ }\right), \sin ^{2}\left(\phi_{U}^{ }\right)\right]一世s吨H和C这rr和sp这nd一世nGC这nF一世d和nC和一世n吨和r在一种lF这r\theta$。还有许多其他的比例变换来实现常态。logit 和反正弦平方根变换是最流行的并且在实践中运行良好。
关于优势比的推断2×2表是另一个最好在对数尺度上进行推断的例子s一世nC和吨H和n这r米一种l一种ppr这X一世米一种吨一世这n在这rķsb和吨吨和r这n吨H一世ssC一种l和. 让θ成为优势比并定义φ=日志θ. 在这种情况下在l=(1/一种l+1/bl+1/Cl+1/dl)在哪里一种,b,C和d是四个像元大小。一旦置信区间为φ然后构造 $\left[\exp \left(\phi_{L}^{ }\right), \exp \left(\phi_{U}^{ }\right)\right]一世s吨H和C这nF一世d和nC和一世n吨和r在一种lF这r\θ.吨和s吨一世nG吨H和n在llH是p这吨H和s一世sH_ {o}: \theta = 1一世s和q在一世在一种l和n吨吨这吨和s吨一世nGH_{o}：\phi=0$。
作为最后一个例子，考虑一个相关系数。假设rl是变量之间的相关系数X和是基于完整的数据集l=1,2,…,米. 让和l=日志[(1+rl)/(1−rl)]/2是相关系数的 Fisher z 变换。完整数据方差为1/(nl−3)在哪里nl是完成的数据样本量。和以前一样，计算 $r_{l}$ is the correlation coefficient between variables $X$ and $Y$ based on the completed data set $l=1,2, \ldots, M$. Let $z_{l}=\log \left[\left(1+r_{l}\right) /\left(1-r_{l}\right)\right] / 2$ be the Fisher’s z transformation of the correlation coefficient. The completed-data variance is $1 /\left(n_{l}-3\right)$ where $n_{l}$ is the completed data sample size. As before, compute $\bar{z}{M I}, T{M}$ and $\nu_{M}$ using the the transformed values. If $\left(z_{* L}, z_{* U}\right)$ is the multiple imputation confidence interval on the $z$ scale, then $r_{* L}=$ $\left[\exp \left(2 z_{* L}\right)-1\right] /\left[\exp \left(2 z_{* L}\right)+1\right]$ and $r_{* U}=\left[\exp \left(2 z_{* U}\right)-1\right] /\left[\exp \left(2 z_{* U}+1\right]\right.$形成相关系数的置信区间。
可以应用相同的策略来推断之间的偏相关系数X和是给定从, 定义为残差之间的相关系数和X.从从回归X在从和残差和是.从从回归是在从. 只有nl−2独立残差一世nb这吨H$和X.从$一种nd$和是.从$. 因此，完成的数据方差为在l=1/(nl−5). 一般来说，如果p变量包含在从， 然后在l=1/(nl−p−4).
数学代写|MISSING DATA代考|NONNORMAL APPROXIMATION
对于二项式比例，假设先验无信息，圆周率(θ)∝θ−1/2(1− θ)−1/2，完成的数据后验密度为
圆周率(θ∣X这,n这,Xl,nl)∼贝塔(X这+Xl+1/2,n这+nl−X这−Xl+1/2)
在哪里(X这,n这)和(Xl,nl)是完整数据后验分布中的观察值和推算值θ. 因此，定义和l=(X这+Xl+1/2)/(n这+ nl+1)和在l=和l(1−和l)/(n这+nl+2), 并定义吨米像往常一样，可以通过匹配均值和方差来拟合 beta 分布。那是，公关(θ∣小号)≈贝塔(一种,b)其中 $a /一种+b=\bar{e} {MI}一种nd抗体一种+b^{-2}一种+b+1^{-1}=T {M}.小号这l在一世nG吨H和吨在这和q在一种吨一世这ns这b吨一种一世ns,$
$$
a=\bar{e}{M I}\left(\frac{T{M}}{\bar{e}{M I}\left(1-\bar{e}{M I}\right)}-1\right)
$$
和
$$
b=\left(1-\bar{e}{M I}\right)\left(\frac{T{M}}{\bar{e}{M I}\left(1-\bar{e}{M I}\right)}-1\right) .
$$
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。
