Kayıp Veriler Yerine Yaklaşık Değer Atamak için Kullanılan Gelişmiş Yöntemlerin Farklı Koşullar Altında Karşılaştırılması

Yıl 2018, Cilt 0, Sayı 45, 230 - 249, 15.02.2018

Sait ÇÜM Elif Kübra DEMİR Selahattin GELBAL Tarık KIŞLA

https://doi.org/10.21764/maeuefd.332605

Cited By: 3

Öz

Bu araştırmada, farklı oranlarda (%15 ve %25) ve yapılarda (TROK ve ROK) oluşturulan kayıp veriler yerine farklı yöntemlerle yaklaşık değer atanması sonucu elde edilen veri setlerinin tam veri setleriyle karşılaştırılarak incelenmesi amaçlanmıştır. Araştırma verilerinin toplandığı grup, PISA’ya (2012) Türkiye’den katılan 15 yaş grubundaki 4848 öğrenci arasından matematik özyeterliği anketine katılan ve eksiksiz bir şekilde yanıtlayan 3129 öğrencinin puanlarından oluşan veri seti üzerinde yürütülmüştür. Söz konusu veri seti içerisinden farklı yapılar oluşturulacak şekilde farklı oranlarda veri silinerek eksik veri setleri oluşturulmuştur. Bu eksik veri setleri BM, BVA, ESE, MUA, MZMC ve RA olmak üzere altı farklı gelişmiş değer atama yöntemiyle tamamlanmıştır. Söz konusu yöntemlerle yapılan yaklaşık değer atamaları sonucu elde edilen ölçek puanları ile tam veri ölçek puanları arasındaki korelasyon değerlerinin yüksek olduğu görülmüştür. Benzer şekilde farklı yöntemlerle tamamlanmış veri setlerinden elde edilen ölçek puanları arasındaki korelasyon değerleri de yüksek bulunmuştur. Tam veri seti ile tamamlanmış veri setlerinden hesaplanan ölçek puanları arası farkların mutlak değer toplamları ve ortalamaları göz önünde bulundurulduğunda belirlenen koşullar altında en iyi çalışan yaklaşık değer atama yöntemlerinin MZMC ve BM olduğu sonucuna ulaşılmıştır. 

Anahtar Kelimeler

Kayıp Veri, Yaklaşık Değer, Yaklaşık Değer Atama Yöntemleri

A Comparison of Advanced Methods used for Missing Data Imputation under Different Conditions

Öz

In this study, it is aimed to comparatively research of data sets obtained  imputation for missing values that is formed by different ratios(%15 and %25) and in different structures (MCAR and MAR) with different methods. This study has been conducted on data set formed by points of 3129 students who participated in mathematics self-efficacy survey and answered it completely among 4848 students- age group of 15-who participated in PISA 2012 from Turkey.  Missing data sets have been constituted by deleting data in different ratios to be constitute different structures in the data set. These data sets have been completed by six different nearby value imputation including EM, BIM, PSM, MCMC, MDIM,  and RIM.  Obtained data sets have been compared with full data sets by scale points of students.  In the scope of the research, correlation between obtained scale points and scale points of real data has been seen quite high.  Similarly, when scale points is considered, correlation of missing data imputation methods with each other have also been found quite high. Considering the difference between the totals and avarages of student scores calculated from the full data set and imputed data sets EM and MCMC is founded that the best missing data imputation methods under all conditions.

Anahtar Kelimeler

Missing Data, Missing Values

Kaynakça

• Akbaş, U. ve Tavşancıl, E. (2015). Farklı örneklem büyüklüklerinde ve kayıp veri örüntülerinde ölçeklerin psikometrik özelliklerinin kayıp veri baş etme teknikleri ile incelenmesi. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 6(1), 38-57.
• Allison, P.D. (2001) Missing Data. CA: Sage University Paper.
• Allison. P. D. (2003). Missing data techniques for structural equation modeling. Journal of Abnormal Psychology. 4(1), 545-557.
• Alpar. R. (2011). Çok değişkenli istatistiksel yöntemler. Ankara: Detay Yayıncılık.
• Cool. A. L. (2000). A review of methods for dealing with missing data (rapor). Annual Meeting of the Southwest Educational Resarch Association. Dallas.
• Çüm, S. ve Gelbal, S. (2015). Kayıp veriler yerine yaklaşık değer atamada kullanılan farklı yöntemlerin model veri uyumu üzerine etkisi. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, 35, 87-111.
• Demir, E. (2013). Kayıp verilerin varlığında çoktan seçmeli testlerde madde ve test parametrelerinin kestirilmesi: SBS örneği. Eğitim Bilimleri Araştırmaları Dergisi, 3(2), 47-68.
• Enders, C. K. (2004). The impact of missing data on sample reliability estimates: implications for reliability reporting practices. Educational and Psychological Measurement, 64(3), 419-436.
• Little. R. ve Rubin. D. (1987). Statistical analysis with missing data. New York: Wiley.
• Nartgün, Z. (2015). Kayıp veri sorununun çözümünde kullanılan farklı yöntemlerin farklı kayıp veri koşulları altında ölçeklerin psikometrik nitelikleri ve ölçme sonuçları bağlamında karşılaştırılması. International Online Journal of Education Sciences, 7(4), 252-265.
• Osborne. J. W. (2013). Best practices in data cleaning. California: Sage Publication. Inc.
• Pigott. T. D. (2001). A review of methods for missing data. Educational Resarch and Evaluation. 7(1), 353-383.
• Roth. P. L. (1994). Missing data: A conceptual review for applied psychologists. Personnel Psychology. 3(1), 537-560.
• Schafer. J. L. (1999). Multiple imputation: a primer. Statistical Methods on Medical Resarch. 8(1), 3-15.
• Şahin Kürşad, M., ve Nartgün, Z. (2015). Kayıp veri sorununun çözümünde kullanılan farklı yöntemlerin ölçeklerin geçerlik ve güvenirliği bağlamında karşılaştırılması. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 6(2), 254-267.
• Tabachnick. B. ve Fidell. L. (1996). Using multivariate statistics (3th ed.). New York: Herper Collins College Publishers.