IRTCI：用于类别型插补的项目反应理论
机器学习
2023-02-09 v1 机器学习
摘要
大多数数据集存在部分或完全缺失值，这对可用来检验数据的可用模型以及从数据中可作出的任何统计推断都造成了下游限制。已设计若干插补技术以用替代值替换缺失数据。各种方法对临床评分计算、模型构建与模型检验均有影响。本文展示的工作提供了一种基于项目反应理论(IRT)的类别型插补新手段，并将其与机器学习领域当前使用的若干方法进行比较，包括k近邻(kNN)、多重插补链式方程(MICE)以及亚马逊网络服务(AWS)深度学习方法Datawig。比较这些技术的分析在三个代表有序、名义与二值类别的数据集上进行。数据被修改以使其在缺失数据比例与缺失数据系统性两方面均有所变化。进行了两项不同的性能评估：重现缺失值的准确度，以及使用插补数据的预测性能。结果表明，新方法——用于类别型插补的项目反应理论(IRTCI)——与当前使用方法相比表现相当好，在许多条件下优于其中数种。鉴于新方法的理论基础，以及为确定缺失单元类别归属而生成的独特概率项，IRTCI为当前方法提供了一个可行的替代方案。
引用
@article{arxiv.2302.04165,
title = {IRTCI: Item Response Theory for Categorical Imputation},
author = {Adrienne Kline and Yuan Luo},
journal= {arXiv preprint arXiv:2302.04165},
year = {2023}
}