การเปรียบเทียบประสิทธิภาพการประมาณค่าเฉลี่ยจากการประมาณค่าสูญหายด้วยตัวแปรเสริมภายใต้กลไกการสูญหายหลายแบบ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพการประมาณค่าเฉลี่ยเมื่อข้อมูลสูญหาย ตัวประมาณค่าเฉลี่ยมาจากวิธีการประมาณค่าสูญหาย ได้แก่ วิธีค่าเฉลี่ย วิธีแฟคเตอร์ และวิธีเลขชี้กำลัง ภายใต้กลไกการสูญหาย 3 รูปแบบ คือ การสูญหายแบบสุ่ม การสูญหายแบบสุ่มอย่างสมบูรณ์ และการสูญหายแบบไม่สุ่ม งานวิจัยนี้ใช้ข้อมูลฝุ่นละอองขนาดเล็กจากแหล่งข้อมูลของกรมควบคุมมลพิษในการศึกษาประสิทธิภาพการประมาณค่าเฉลี่ยด้วยวิธีการประมาณค่าสูญหายในแต่ละสถานะการณ์ สำหรับเกณฑ์ที่ใช้ในการเปรียบเทียบประสิทธิภาพ คือ ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย โดยกำหนดขนาดตัวอย่าง คือ 30 100 และ 500 ที่ระดับการสูญหาย 10% 20% และ 30% ผลการวิจัยพบว่า ภายใต้กลไกการสูญหายทุกรูปแบบประสิทธิภาพของการประมาณค่าเฉลี่ยจากวิธีที่ใช้ข้อมูลตัวแปรเสริมร่วมกับตัวแปรที่สนใจศึกษา คือ วิธีแฟคเตอร์ และวิธีเลขชี้กำลัง ดีกว่า วิธีค่าเฉลี่ยที่ใช้ข้อมูลตัวแปรที่สนใจศึกษาเพียงอย่างเดียว นอกจากนี้ขนาดตัวอย่างและระดับการสูญหายของข้อมูลมีผลต่อประสิทธิภาพของวิธีการ เมื่อขนาดตัวอย่างเพิ่มขึ้นประสิทธิภาพของวิธีการเพิ่มสูงขึ้น แต่ถ้าระดับการสูญหายเพิ่มขึ้นประสิทธิภาพของวิธีการลดลง
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธ์ ของมหาวิทยาลัยเทคโนโลยีราชมงคลพระนครReferences
R. Little and D. Rubin, Statistical analysis with missing data. 3nd ed. New York: Wiley, 2019.
M. N. Norazian et al., “Estimation of missing values in air pollution data using single imputation techniques,” ScienceAsia, vol. 34, pp. 341-345, 2008.
N. A. Zainuri, A. A. Jemain and N. Muda, “A Comparison of Various Imputation Methods for Missing Values in Air Quality Data,” Sains Malaysiana, vol. 44, no. 3, pp. 449–456, 2015.
K. Chodjuntug and N. Lawson, “Imputation for estimating the population mean in the presence of nonresponse, with application to fine particle density in Bangkok,” Mathematical Population Studies, vol. 29, no. 4, pp. 204-225, 2022a.
K. Chodjuntug and N. Lawson, “A chain regression exponential type imputation method for mean estimation in the presence of missing data,” Songklanakarin Journal of Science & Technology, vol. 44, no. 4, pp. 1109-1118, 2022b.
H. Lee, E. Rancourt and C. E. Sarndall, “Experiments with variance estimation from survey data with imputed values.” Journal of Official Statistics, vol. 10, no. 3, pp. 231–243, 1994.
W. G. Cochran, “The estimation of yield of cereal experiments by sampling for the ratio of gain to total produce.” Journal of Agricultural Science, vol. 30, pp. 262-275, 1940.
S. Singh and S. Horn, “Compromised imputation in survey sampling.” Metrika, vol. 51, pp. 267-276, 2000.
D. Shukla and N. Thakur, “Estimation of mean with imputation of missing data using factor type estimator.” Statistics in Transition. vol. 9, pp. 33-48, 2008.
V. K. Singh and D. Shukla, “One parameter family of factor type ratio estimator,” Metron, vol. 45, pp. 273–283, 1987.
D. Shukla, N. Singh and T. S. Pathak, “Some new aspects on imputation in sampling,” African Journal of Mathematics and Computer Science Research, vol. 6, no. 1, pp. 5-15, 2013.
A. K. Singh, P. Singh, and V. Singh, “Estimation of mean with imputation of missing data using exponential-type estimators,” Journal of Statistics Applications and Probability Letters, vol. 9, no. 2, pp. 71-80, 2022.
K. Chodjuntug. Biostatistics, 1st ed. Ubon Ratchathani: Ubon Ratchathani University Printing House, 2024.
S. Salao, N. Potatong, P. Kammoongkun and P. Choomanee, “Chemical composition analysis for source identification of PM2.5 in Muang District of Ubon Ratchathani Province,” Burapha science Journal, vol. 26, no. 1, pp. 438–453, 2021.
S.K. Yadav, G.K. Vishwakarma and D.K. Sharm, “A computational strategy for estimation of mean using optimal imputation in presence of missing observation.” Scientific Reports, vol.14, no. 6433, pp1-13, 2024.
T. Dachochaiporn, and K. Chodjuntug, “Estimating the Mean of PM2.5 with Missing Data in the Area Around Electricity Generating Authority of Thailand Using the Improved Compromised Imputation Method.” Current Applied Science and Technology, vol.23, no. 5, pp 1-14, 2023.
S. Bahl and R. K. Tuteja, “Ratio and product type exponential estimator,” Journal of the Statistics Applications and Probability, vol. 12, no. 1, pp. 159-163, 1991.
A. K. Singh, P. Singh, and V. K. Singh, “Exponential-Type Compromised Imputation in Survey Sampling,” Journal of the Statistics Applications and Probability, vol. 3, no. 2, pp. 211-217, 2014.
V. Dubey and H. K. Sharma, “On estimating population variance using auxiliary information,” Statistics in Transition, vol. 9, no. 1, pp. 7-18, 2008.
A. Audu et al, “On the efficiency of imputation estimators using auxiliary attribute,” Continental Journal Applied Sciences, vol. 15, no. 1, pp. 1-13, 2020.
K. Srihaset, S. Kanjanawasee and D. Srisukho, “A comparison of the quality of missing data treatment methods for examinees’ ability parameters estimation,” Journal of Research Methodology, vol. 26, no. 2, pp. 169-187, 2013.
M. Rueda and S. Gonzalez, “A new ratio-type imputation with random disturbance,” Applied Mathematics Letters, vol. 21, pp. 978–982, 2008.
G. N. Singh and S. Suman, “Estimation of population mean using imputation methods for missing data under two‑phase sampling design,” Journal of Statistical Theory and Practice, vol. 13, no. 19, pp. 1-24, 2019.