Guide pratique pour comprendre les publications scientifiques. Épisode 9 – données manquantes

V. Dumas , J.-P. Tasu
{"title":"Guide pratique pour comprendre les publications scientifiques. Épisode 9 – données manquantes","authors":"V. Dumas ,&nbsp;J.-P. Tasu","doi":"10.1016/j.jidi.2024.10.003","DOIUrl":null,"url":null,"abstract":"<div><h3>Introduction</h3><div>Dans une recherche, les données manquantes ou valeurs manquantes correspondent au cas où aucune valeur n’est représentée pour une variable pour une observation donnée. Les données manquantes sont une réalité omniprésente dans la recherche médicale.</div></div><div><h3>Messages principaux</h3><div>Il existe trois types de données manquantes. Les données manquantes de manière complètement aléatoire (<em>missing completely at random</em> [MCAR]) sont indépendantes à la fois des variables observables et des paramètres d’intérêt non observables. Les données manquantes aléatoirement (<em>missing at random</em> [MAR]) ne sont pas aléatoires, mais elles peuvent être entièrement expliquées par des variables pour lesquelles il existe des informations complètes. Les données manquantes par omission prévisible (<em>missing not at random</em> [MNAR]) sont des données manquantes à cause de la valeur de la donnée. Il existe différents moyens de tenir compte de la présence de données manquantes : l’imputation simple et multiple, l’omission et l’analyse. Ces différentes méthodes sont discutées dans cet article.</div></div><div><h3>Conclusion</h3><div>La gestion appropriée des données manquantes est cruciale pour garantir des résultats fiables et des conclusions valides. Cet article détaille les différentes notions liées aux données manquantes.</div></div><div><h3>Introduction</h3><div>In research, missing data or missing values correspond to the case where no value is represented for a variable for a given observation. Missing data are an omnipresent reality in medical research.</div></div><div><h3>Main message</h3><div>There are 3 types of missing data. Missing Completely At Random (MCAR) are independent of both observable variables and unobservable parameters of interest. Missing at Random (MAR) data are not random but can be fully explained by variables where complete information exists. Missing Not At Random (MNAR) is data that are missing because of the value of the data. There are various ways of accounting for missing data: single and multiple imputations, omission and analysis. These different methods are discussed in this article.</div></div><div><h3>Conclusion</h3><div>Appropriate management of missing data is crucial to ensure reliable results and valid conclusions. This article details the various notions associated with missing data.</div></div>","PeriodicalId":100747,"journal":{"name":"Journal d'imagerie diagnostique et interventionnelle","volume":"8 2","pages":"Pages 51-53"},"PeriodicalIF":0.0000,"publicationDate":"2025-01-06","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal d'imagerie diagnostique et interventionnelle","FirstCategoryId":"1085","ListUrlMain":"https://www.sciencedirect.com/science/article/pii/S2543343124001489","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Introduction

Dans une recherche, les données manquantes ou valeurs manquantes correspondent au cas où aucune valeur n’est représentée pour une variable pour une observation donnée. Les données manquantes sont une réalité omniprésente dans la recherche médicale.

Messages principaux

Il existe trois types de données manquantes. Les données manquantes de manière complètement aléatoire (missing completely at random [MCAR]) sont indépendantes à la fois des variables observables et des paramètres d’intérêt non observables. Les données manquantes aléatoirement (missing at random [MAR]) ne sont pas aléatoires, mais elles peuvent être entièrement expliquées par des variables pour lesquelles il existe des informations complètes. Les données manquantes par omission prévisible (missing not at random [MNAR]) sont des données manquantes à cause de la valeur de la donnée. Il existe différents moyens de tenir compte de la présence de données manquantes : l’imputation simple et multiple, l’omission et l’analyse. Ces différentes méthodes sont discutées dans cet article.

Conclusion

La gestion appropriée des données manquantes est cruciale pour garantir des résultats fiables et des conclusions valides. Cet article détaille les différentes notions liées aux données manquantes.

Introduction

In research, missing data or missing values correspond to the case where no value is represented for a variable for a given observation. Missing data are an omnipresent reality in medical research.

Main message

There are 3 types of missing data. Missing Completely At Random (MCAR) are independent of both observable variables and unobservable parameters of interest. Missing at Random (MAR) data are not random but can be fully explained by variables where complete information exists. Missing Not At Random (MNAR) is data that are missing because of the value of the data. There are various ways of accounting for missing data: single and multiple imputations, omission and analysis. These different methods are discussed in this article.

Conclusion

Appropriate management of missing data is crucial to ensure reliable results and valid conclusions. This article details the various notions associated with missing data.
理解科学出版物的实用指南。第九集——缺少数据
在搜索中,缺失数据或缺失值对应于给定观察结果的变量没有表示值的情况。在医学研究中,数据缺失是一个普遍的现实。主信息有三种缺失的数据类型。完全随机丢失(MCAR)数据独立于可观测变量和不可观测利益参数。随机缺失(MAR)不是随机的,但可以用有完整信息的变量完全解释。随机缺失(MNAR)是由于数据的价值而缺失的数据。有几种方法可以解决缺失数据的存在:简单和多重归因、遗漏和分析。本文将讨论这些不同的方法。对缺失数据的适当管理对于确保可靠的结果和有效的结论至关重要。本文详细介绍了与缺失数据相关的不同概念。介绍在研究中,缺失的数据或缺失的值对应于给定观测的变量没有表示值的情况。数据缺失是医学研究中普遍存在的现实。主消息有3种类型的丢失数据。完全随机缺失(MCAR)独立于可观测变量和不可观测利益参数。随机(MAR)数据缺失不是随机的,但可以用存在完整信息的变量来充分解释。非随机丢失(MNAR)是由于数据的值而丢失的数据。有各种各样的方法来核算丢失的数据:单一和多重归因、遗漏和分析。本文将讨论这些不同的方法。结论:对缺失数据的适当管理对于确保可靠的结果和有效的结论至关重要。本文详细介绍了与丢失数据相关的各种概念。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信