Пропущені категоріальні дані у соціологічних опитуваннях: експериментальна оцінка технік імпутації

Анотація

Відсутність категоріальних даних залишається актуальною проблемою якості даних у кількісних соціологічних дослідженнях, де прості підходи можуть призвести до зміщень і хибних висновків. У цій статті представлено емпірично обґрунтовану оцінку стратегій множинної імпутації (MI) для категоріальних даних опитувань, фокусуючись на мультикатегоріальну номінальну змінну «партія, за яку проголосував респондент», використовуючи дані European Social Survey зі Швеції та Норвегії. Ми розробили симуляційну схему, генеруючи пропущені дані за механізмами Missing Completely at Random, Missing at Random, на основі патернів відмов респондентів у інших змінних, та Missing Not at Random, що засновується на самому виборі партії. Систематично порівняно ефективність шести методів імпутації (Multinomial Logistic Regression, Random Forest, CART, KNN, Hot Deck і Mode) за чотирьох різних за обсягом наборів предикторів, оцінюючи їх за Accuracy, Cohen’s Kappa та Macro F1-score при m=20 імпутаціях. Результати свідчать, що хоча імпутація партійного вибору є нетривіальною проблемою, MI з використанням предиктивних моделей суттєво перевершує більш прості підходи. Multinomial Logistic Regression послідовно показує найстійкіші й найвищі результати, часто виграючи від більших наборів предикторів у рамках MI. K-Nearest Neighbors демонструє перспективність при менших наборах предикторів, пропонуючи обчислювально ефективну альтернативу. Робота підкреслює важливість принципового підходу до імпутації та надає практичні рекомендації соціологам щодо вибору методу, побудови набору предикторів і врахування обчислювальних витрат під час роботи з пропущеними категоріальними даними.