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|Basic Combining Rule
Suppose that $M$ imputed data sets have been created. Let $e_{1}, e_{2}, \ldots, e_{M}$ be the estimates of a parameter, $\theta$, and $U_{1}, U_{2}, \ldots, U_{M}$ be the corresponding estimated sampling variances (square of the standard errors). The multiple imputation estimate is defined as the average of the $M$ estimates,
$$
\bar{e}{M I}=\sum{l}^{M} e_{l} / M .
$$
The variance across the $M$ estimates, $B_{M}=\sum_{l}^{M}\left(e_{l}-\bar{e}{M I}\right)^{2} /(M-1)$, actually measures the uncertainty due to imputations. The multiple imputation sampling variance is defined as $$ T{M}=\bar{U}{M}+(1+1 / M) B{M}
$$
where $\bar{U}{M}=\sum{i}^{M} U_{i} / M$ is the average of completed-data sampling variances. One can interpret $\bar{U}{M}$ as an estimate of the sampling variance that would have been obtained if there had been no missing data and $(1+1 / M) B{M}$ is the additional variance due to missing data. Thus, the ratio
$$
r_{M}=(1+1 / M) B_{M} / T_{M}
$$
can be viewed as the proportionate increase in the variance due to missing data. This quantity is called the fraction of missing information (FMI). The ratio $a_{M}=T_{M} / \bar{U}_{M}$ is the efficiency of the multiple imputation estimate relative to complete data estimate. Both these quantities are useful to determine the number of imputations needed, the impact of missing data on inferences and to judge the recovery of information from subjects with partial information through imputation. For example, if FMI is smaller than the proportion of subjects that would be discarded in the complete-case analysis then information has been recovered by including the partially observed subjects. This recovery of information depends on the parameter being estimated and the information in the partially observed subjects.
数学代写|missing data代考|Multivariate Hypothesis Testing
The combining rules in the previous section were for a scalar parameter, $\theta$. In many analyses inferential quantity of interest may be a $K$-dimenstion vector of parameters, $\theta$. Let $e_{1}, e_{2}, \ldots, e_{M}$ be the estimated vectors from the completed data sets with $U_{1}, U_{2}, \ldots, U_{M}$ as the corresponding variancecovariance matrices. Let $\bar{e}{M I}=\sum{l} e_{l} / M$ be the mean vector of the completed data estimates and $\bar{U}{M}=\sum{l} U_{l} / M$ be the average covariance matrix. Let $B_{M}=\sum_{l}\left(e_{l}-\bar{e}{M I}\right)\left(e{l}-\bar{e}{M I}\right)^{t} /(M-1)$ be the between imputation variance-covariance matrix. The multiple imputation variance estimate is $T{M}=\bar{U}{M}+\left(1+M^{-1}\right) B{M}$. Wald’s chi-square statistics for testing the null hypothesis $H_{o}: \theta=\theta_{o}$ is $D_{M}=\left(\bar{e}{M I}-\theta{o}\right)^{t} T_{M}^{-1}\left(\bar{e}{M I}-\theta{o}\right)$.
When $M$ is small relative to $k$, the matrix $B_{M}$ may not be of full rank and the inverse of the matrix, $T_{M}$, may be unstable. If the effect of missing data on all the parameters are roughly the same, an approximation is $\tilde{T}{M}=$ 80 Missing Data Analysis in Practice $\left(1+g{M}\right) \bar{U}{M}$ and the revised test statistic is $$ \tilde{D}{M}=\left(\bar{e}{M I}-\theta{o}\right)^{t} \bar{U}{M}^{-1}\left(\bar{e}{M I}-\theta_{o}\right) /\left(1+g_{M}\right)
$$
where $g_{M}=\left(1+M^{-1}\right) \operatorname{Tr}\left(B_{M} \bar{U}_{M}^{-1}\right) / k$ and tr is the trace of the matrix or the sum of the diagonal elements of the matrix.
An approximate sampling distribution of $\tilde{D}{M} / k$ is an $F$ distribution with $k$ and $w{M}$ degrees of freedom where
$$
w_{M}=4+(t-4)\left[1+\left(1-2 t^{-1}\right) g_{M}^{-1}\right]^{2}
$$
provided $t=k(M-1)>4 .$ If $t \leq 4$ then define $w_{M}=t(1+k)\left(1+g_{M}^{-1}\right)^{2} / 2$
数学代写|MISSING DATA代考|Combining Test Statistics
The combining rules, discussed so far, requires estimates and standard errors for the single parameter inference and the estimates and their covariance matrices for the multiparameter inference. There are many situations where the completed data inferences are based on test statistics or the $p$ values. For example, suppose that a goodness of fit or association test has been performed on each completed data set yielding $M$ chi-square statistics $d_{1}, d_{2}, \ldots, d_{M}$. A combining rule for these test statistics is as follows. Let $\bar{d}{M I}=\sum{l}^{M} d_{l} / M$ be the average of the test statistics. Let $a=\sum_{l} \sqrt{d_{l}} / M$ and $b=\sum_{l}\left(\sqrt{d_{l}}-a\right)^{2} /(M-1)$. The test statistic is defined as
$$
D_{d}=\frac{\bar{d}{M I} / k-(M+1) r{d} /(M-1)}{1+r_{d}}
$$
where $r_{d}=\left(1+M^{-1}\right) b$ and is referred to an $F$ distribution with $\nu_{d}=$ $k^{-3 / M}(M-1)\left(1+r_{d}^{-2}\right)$ degrees of freedom.
missing data代写
数学代写|MISSING DATA代考|BASIC COMBINING RULE
假设米已创建估算数据集。让和1,和2,…,和米是参数的估计值，θ， 和在1,在2,…,在米是相应的估计抽样方差sq在一种r和这F吨H和s吨一种nd一种rd和rr这rs. 多重插补估计定义为米估计，
$$
\bar{e}{M I}=\sum{l}^{M} e_{l} / M .
$$
The variance across the $M$ estimates, $B_{M}=\sum_{l}^{M}\left(e_{l}-\bar{e}{M I}\right)^{2} /(M-1)$, actually measures the uncertainty due to imputations. The multiple imputation sampling variance is defined as $$ T{M}=\bar{U}{M}+(1+1 / M) B{M}
$$
where $\bar{U}{M}=\sum{i}^{M} U_{i} / M$ is the average of completed-data sampling variances. One can interpret $\bar{U}{M}$ as an estimate of the sampling variance that would have been obtained if there had been no missing data and $(1+1 / M) B{M}$ is the additional variance due to missing data. Thus, the ratio
$$
r_{M}=(1+1 / M) B_{M} / T_{M}
$$
可以被看作是由于数据缺失而导致的方差增加的比例。这个数量被称为缺失信息的比例（FMI）。比例$a_{M}=T_{M} / bar{U}_{M}$ 是多重归因估计相对于完整数据估计的效率。这两个量对于确定所需的归入数量、缺失数据对推断的影响以及判断通过归入从具有部分信息的受试者那里恢复信息是非常有用的。例如，如果FMI小于完全案例分析中被抛弃的受试者的比例，那么通过包括部分观察的受试者，信息就得到了恢复。这种信息的恢复取决于被估计的参数和部分观察对象的信息。
数学代写|MISSING DATA代考|MULTIVARIATE HYPOTHESIS TESTING
上一节中的组合规则是针对标量参数的，θ. 在许多分析中，感兴趣的推理量可能是ķ-参数的维向量，θ. 让和1,和2,…,和米是来自完整数据集的估计向量在1,在2,…,在米作为相应的方差协方差矩阵。令, $\theta$. Let $e_{1}, e_{2}, \ldots, e_{M}$ be the estimated vectors from the completed data sets with $U_{1}, U_{2}, \ldots, U_{M}$ as the corresponding variancecovariance matrices. Let $\bar{e}{M I}=\sum{l} e_{l} / M$ be the mean vector of the completed data estimates and $\bar{U}{M}=\sum{l} U_{l} / M$ be the average covariance matrix. Let $B_{M}=\sum_{l}\left(e_{l}-\bar{e}{M I}\right)\left(e{l}-\bar{e}{M I}\right)^{t} /(M-1)$ be the between imputation variance-covariance matrix. The multiple imputation variance estimate is $T{M}=\bar{U}{M}+\left(1+M^{-1}\right) B{M}$. Wald’s chi-square statistics for testing the null hypothesis $H_{o}: \theta=\theta_{o}$ is $D_{M}=\left(\bar{e}{M I}-\theta{o}\right)^{t} T_{M}^{-1}\left(\bar{e}{M I}-\theta{o}\right)$.
什么时候米相对于ķ， 矩阵乙米可能不是满秩和矩阵的逆矩阵，吨米, 可能不稳定。如果缺失数据对所有参数的影响大致相同，则近似为 $\tilde{T}{M}=$ 80 Missing Data Analysis in Practice $\left(1+g{M}\right) \bar{U}{M}$ and the revised test statistic is $$ \tilde{D}{M}=\left(\bar{e}{M I}-\theta{o}\right)^{t} \bar{U}{M}^{-1}\left(\bar{e}{M I}-\theta_{o}\right) /\left(1+g_{M}\right)
$$
在哪里G米=(1+米−1)Tr(乙米在¯米−1)/ķtr 是矩阵的迹或矩阵的对角元素之和。
$$
w_{M}=4+(t-4)\left[1+\left(1-2 t^{-1}\right) g_{M}^{-1}\right]^{2}
$$
provided $t=k(M-1)>4 .$ If $t \leq 4$ then define $w_{M}=t(1+k)\left(1+g_{M}^{-1}\right)^{2} / 2$
数学代写|MISSING DATA代考|COMBINING TEST STATISTICS
到目前为止讨论的组合规则需要用于单参数推理的估计和标准误差以及用于多参数推理的估计及其协方差矩阵。在许多情况下，完成的数据推断是基于测试统计数据或p价值观。例如，假设已经对每个完整的数据集执行了拟合优度或关联测试，从而产生米卡方统计d1,d2,…,d米. 这些测试统计的组合规则如下。令 $\bar{d} {MI}=\sum {l}^{M} d_{l} / Mb和吨H和一种在和r一种G和这F吨H和吨和s吨s吨一种吨一世s吨一世Cs.大号和吨a=\sum_{l} \sqrt{d_{l}} / M一种ndb=\sum_{l}\左\sqrt{d_{l}}-a\right\sqrt{d_{l}}-a\right^{2} /米−1.吨H和吨和s吨s吨一种吨一世s吨一世C一世sd和F一世n和d一种s$
D_{d}=\frac{\bar{d} {MI} / k-米+1r {d} /米−1}{1+r_{d}}
$$
其中rd=(1+米−1)b并被称为F分布与νd= ķ−3/米(米−1)(1+rd−2)自由程度。
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。
