![จะทำโมเดลทั้งที แต่มีข้อมูลสูญหาย (Missing Data) ควรทำอย่างไรดี ? [EP.1/2]](/web/image/blog.post/24/author_avatar/%E0%B8%88%E0%B8%B0%E0%B8%97%E0%B8%B3%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B8%97%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B8%97%E0%B8%B5%20%E0%B9%81%E0%B8%95%E0%B9%88%E0%B8%A1%E0%B8%B5%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%AA%E0%B8%B9%E0%B8%8D%E0%B8%AB%E0%B8%B2%E0%B8%A2%20%28Missing%20Data%29%20%E0%B8%84%E0%B8%A7%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%AD%E0%B8%A2%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B9%84%E0%B8%A3%E0%B8%94%E0%B8%B5%20%3F%20%5BEP.1-2%5D?unique=cbae074)
Imputation Method in Missing Data
หรือการประมาณค่าข้อมูลสูญหาย
กรณีข้อมูลสูญหายแบบสุ่ม
ประเภทของข้อมูลสูญหาย
แบ่งได้ทั้งหมด 3 ประเภท ดังนี้
3. ข้อมูลสูญหายแบบไม่สุ่ม (Not Missing at Random: NMAR)
ค่าสูญหายของตัวแปร Y ขึ้นอยู่กับค่าของตัวแปร Y ที่สูญหาย
รูปแบบของข้อมูลสูญหาย
สามารถแบ่งได้ 2 รูปแบบ ดังนี้
1. ข้อมูลสูญหายรูปแบบทิศทางเดียวกัน (Missing Monotone) ข้อมูลสูญหายที่หายแบบมีรูปแบบ หรือมีแบบแผนที่สังเกตได้ ซึ่งบางครั้งอาจจะต้องออกแรงจัดเรียงลำดับหรือจัดเรียงชุดข้อมูลใหม่สักหน่อย เพื่อที่จะมองเห็น Pattern การหายไปได้
2. ข้อมูลสูญหายไม่มีรูปแบบ (Missing Arbitrarily) ข้อมูลสูญหายแบบไม่มีระบบ ไม่มีแบบแผนใดๆ กระจายตัวมั่วซั่วในบางช่วงของตัวแปรหรือในบางช่วงของข้อมูลชุดเดียวกันก็เป็นได้หมดเลย
จากที่เล่าไปก็พอเห็นภาพแล้วว่า เจ้าข้อมูลสูญหายเนี่ยมีหลายแบบอีก ในบทความหน้า ER.2/2 Roots จะมาเล่าต่อในเรื่องของวิธีการจัดการข้อมูลสูญหาย ซึ่งมีความน่าสนใจมาก ฝากติดตามอ่านกันด้วยนะคะ