സ്ഥിതിവിവരക്കണക്കുകളിലെ ഇംപ്യൂട്ടേഷൻ രീതികൾ

സ്ഥിതിവിവരക്കണക്കുകളിലെ ഇംപ്യൂട്ടേഷൻ രീതികൾ

സ്ഥിതിവിവരക്കണക്കുകളുടെയും ഡാറ്റ വിശകലനത്തിന്റെയും പ്രയോഗത്തിൽ, ഡാറ്റ നഷ്ടപ്പെടുന്നതിന്റെ പ്രശ്നം മിക്കവാറും എപ്പോഴും ഉയർന്നുവരുന്നു. പ്രതികരിക്കുന്നവർ ചില ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാത്തതിനാലോ, റെക്കോർഡിംഗ് പിശകുകളാലോ, സെൻസർ ഇടപെടൽ മൂലമോ, വേർതിരിച്ചെടുക്കുമ്പോൾ ഡാറ്റ കറപ്ഷൻ മൂലമോ, അല്ലെങ്കിൽ പൂർണ്ണമായും പൊരുത്തപ്പെടാത്ത ഒന്നിലധികം ഡാറ്റ സ്രോതസ്സുകൾ സംയോജിപ്പിക്കുന്ന പ്രക്രിയ മൂലമോ ഡാറ്റ നഷ്ടപ്പെടാം. ശരിയായി കൈകാര്യം ചെയ്തില്ലെങ്കിൽ, നഷ്ടപ്പെട്ട ഡാറ്റ വിശകലനത്തിന്റെ ഗുണനിലവാരം കുറയ്ക്കുകയും പരിശോധനയുടെ ശക്തി കുറയ്ക്കുകയും പക്ഷപാതപരമായ നിഗമനങ്ങളിലേക്ക് നയിക്കുകയും ചെയ്യും. നഷ്ടപ്പെട്ട ഡാറ്റ കൈകാര്യം ചെയ്യുന്നതിനുള്ള ഏറ്റവും സാധാരണമായ സമീപനങ്ങളിലൊന്നാണ് ഇംപ്യൂട്ടേഷൻ, ലഭ്യമായ വിവരങ്ങളെ അടിസ്ഥാനമാക്കി കണക്കാക്കിയ മൂല്യങ്ങൾ ഉപയോഗിച്ച് നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ പൂരിപ്പിക്കുന്നത് ഇതിൽ ഉൾപ്പെടുന്നു.

ഇംപ്യൂട്ടേഷൻ പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ട്?

നഷ്ടപ്പെട്ട ഡാറ്റ ഇല്ലാതാക്കുന്നതിനുപകരം ഇംപ്യൂട്ടേഷൻ തിരഞ്ഞെടുക്കുന്നതിന് നിരവധി കാരണങ്ങളുണ്ട്. ഒന്നാമതായി, നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ അടങ്ങിയ വരികൾ/നിരീക്ഷണങ്ങൾ (ഉദാ. ലിസ്റ്റ്വൈസ് ഡിലീറ്റ്) ഇല്ലാതാക്കുന്നത് സാമ്പിൾ വലുപ്പം ഗണ്യമായി കുറയ്ക്കും, പ്രത്യേകിച്ച് നഷ്ടപ്പെട്ട ഡാറ്റയുടെ ശതമാനം ഗണ്യമായിരിക്കുമ്പോൾ. രണ്ടാമതായി, ഡാറ്റ ക്രമരഹിതമായി നഷ്ടപ്പെട്ടിട്ടില്ലെങ്കിൽ, ഇല്ലാതാക്കൽ ബയസ് ഉണ്ടാക്കാം. മൂന്നാമതായി, പല സ്റ്റാറ്റിസ്റ്റിക്കൽ അല്ലെങ്കിൽ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾക്കും പൂർണ്ണമായ ഡാറ്റ ആവശ്യമാണ് , ഇത് ഇംപ്യൂട്ടേഷനെ ഒരു സൗകര്യപ്രദമായ പ്രീപ്രോസസ്സിംഗ് ഘട്ടമാക്കി മാറ്റുന്നു.

എന്നിരുന്നാലും, ഇംപ്യൂട്ടേഷൻ എന്നത് കേവലം "വിടവുകൾ നികത്തുക" എന്നതല്ല. തിരഞ്ഞെടുത്ത രീതി, നഷ്ടപ്പെട്ട ഡാറ്റ സംവിധാനം, വേരിയബിളുകളുടെ ഘടന, വിശകലനത്തിന്റെ ലക്ഷ്യങ്ങൾ എന്നിവ കണക്കിലെടുക്കണം. മോശം ഇംപ്യൂട്ടേഷൻ മോഡലിനെ "കബളിപ്പിക്കുകയും", വേരിയൻസ് കുറയ്ക്കുകയും, ഫലങ്ങൾ യഥാർത്ഥത്തിൽ ഉള്ളതിനേക്കാൾ കൂടുതൽ ഉറപ്പുള്ളതായി കാണിക്കുകയും ചെയ്യും.

നഷ്ടപ്പെട്ട ഡാറ്റ മെക്കാനിസം

സ്ഥിതിവിവരക്കണക്ക് സാഹിത്യത്തിൽ, നഷ്ടപ്പെട്ട ഡാറ്റയെ സാധാരണയായി മൂന്ന് പ്രധാന സംവിധാനങ്ങളായി തരംതിരിക്കുന്നു:

1. MCAR (Missing Completely At Random): ഡാറ്റ നഷ്ടപ്പെടാനുള്ള സാധ്യത, നിരീക്ഷിച്ചതോ നിരീക്ഷിക്കപ്പെടാത്തതോ ആയ ഏതെങ്കിലും വേരിയബിളുകളെ ആശ്രയിക്കുന്നില്ല. ഉദാഹരണത്തിന്, ഒരു അപകടം മൂലം കേടുവന്ന ഒരു ചോദ്യാവലി.
2. MAR (റാൻഡം ആയി കാണുന്നില്ല): ഡാറ്റ നഷ്ടപ്പെടാനുള്ള സാധ്യത നിരീക്ഷിച്ച വേരിയബിളിനെ ആശ്രയിച്ചിരിക്കുന്നു, പക്ഷേ മറ്റ് വേരിയബിളുകൾ നിയന്ത്രിച്ചതിനുശേഷം നഷ്ടപ്പെട്ട മൂല്യത്തെ തന്നെ ആശ്രയിക്കുന്നില്ല. ഉദാഹരണത്തിന്, പ്രതികരിക്കുന്ന യുവാക്കൾക്ക് വരുമാന ചോദ്യങ്ങൾ നഷ്ടപ്പെടാനുള്ള സാധ്യത കൂടുതലാണ്, പക്ഷേ പ്രായം ലഭ്യമാണ്.
3. MNAR (റാൻഡം അല്ല കാണാതെ പോകുന്നത്): ഡാറ്റ നഷ്ടപ്പെടാനുള്ള സാധ്യത നഷ്ടപ്പെട്ട മൂല്യത്തെ ആശ്രയിച്ചിരിക്കുന്നു. ഉദാഹരണത്തിന്, വളരെ ഉയർന്ന വരുമാനമുള്ള ആളുകൾ അവരുടെ വരുമാനം വെളിപ്പെടുത്താറില്ല.

MCAR/MAR പ്രകാരം ഇംപ്യൂട്ടേഷൻ പൊതുവെ സുരക്ഷിതമാണ്. MNAR-ന് പലപ്പോഴും നഷ്ടപ്പെട്ട ഡാറ്റയ്ക്ക് വ്യക്തമായ ഒരു മാതൃകയോ ഒരു സെൻസിറ്റിവിറ്റി വിശകലനമോ ആവശ്യമാണ്.

ലളിതമായ ഇംപ്യൂട്ടേഷൻ രീതി

1. ശരാശരി/മീഡിയൻ/മോഡ് ഇംപ്യൂട്ടേഷൻ
ഏറ്റവും ലളിതമായ രീതി, നഷ്ടപ്പെട്ട മൂല്യങ്ങളെ സംഖ്യാ വേരിയബിളുകൾക്ക് ശരാശരി അല്ലെങ്കിൽ ശരാശരി ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക എന്നതാണ്, കൂടാതെ വർഗ്ഗീകൃത വേരിയബിളുകൾക്ക് മോഡ് ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക എന്നതാണ്. ഗുണങ്ങൾ ഇവയാണ്: ഇത് എളുപ്പമാണ്, വേഗതയുള്ളതാണ്, പലപ്പോഴും ഒരു അടിസ്ഥാനമായി വർത്തിക്കുന്നു. ദോഷങ്ങൾ ഇവയാണ്: ഇത് വേരിയൻസ് കുറയ്ക്കുകയും ഡാറ്റ വിതരണത്തെ വളച്ചൊടിക്കുകയും ചെയ്യും, പ്രത്യേകിച്ച് ഡാറ്റ അസമമാണെങ്കിൽ അല്ലെങ്കിൽ ഔട്ട്‌ലൈയറുകൾ അടങ്ങിയിട്ടുണ്ടെങ്കിൽ. ശരാശരിയേക്കാൾ ഔട്ട്‌ലൈറുകൾക്കെതിരെ മീഡിയൻ സാധാരണയായി കൂടുതൽ ശക്തമാണ്..

2. സ്ഥിരമായ ഇംപ്യൂട്ടേഷൻ
നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ 0, -1, അല്ലെങ്കിൽ "അജ്ഞാതം" എന്ന ലേബൽ പോലുള്ള ഒരു നിർദ്ദിഷ്ട സ്ഥിരാങ്കം കൊണ്ട് നിറച്ചിരിക്കുന്നു. മൂല്യത്തിന് ഒരു പ്രത്യേക അർത്ഥം ഉള്ളപ്പോൾ (ഉദാ. "ഇടപാട് ഇല്ല"), അല്ലെങ്കിൽ നഷ്ടപ്പെട്ടത് എടുത്തുകാണിക്കുന്നതിന് മോഡലിന് ഒരു അധിക സൂചകം നൽകേണ്ടിവരുമ്പോൾ ഇത് ഉപയോഗപ്രദമാണ്. എന്നിരുന്നാലും, ഒരു അനിയന്ത്രിത സ്ഥിരാങ്കം തിരഞ്ഞെടുക്കുന്നത് വ്യാജ പാറ്റേണുകൾ അവതരിപ്പിച്ചേക്കാം.

3. ഹോട്ട് ഡെക്ക് ഇംപ്യൂട്ടേഷൻ
ഒരു ഹോട്ട് ഡെക്കിൽ, നിരവധി പ്രധാന വേരിയബിളുകളെ അടിസ്ഥാനമാക്കി മറ്റ് "സമാന" നിരീക്ഷണങ്ങളിൽ (ദാതാക്കളിൽ) നിന്നുള്ള മൂല്യങ്ങൾ ഉപയോഗിച്ച് നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ പൂരിപ്പിക്കുന്നു. ഈ രീതി സർവേകളിൽ ജനപ്രിയമാണ്. ഹോട്ട് ഡെക്കുകൾ യഥാർത്ഥ മൂല്യങ്ങൾ നിലനിർത്തുന്നു, കാരണം അവ ഡാറ്റയുടെ യഥാർത്ഥ മൂല്യങ്ങൾ പിടിച്ചെടുക്കുന്നു, പക്ഷേ ഫലങ്ങൾ "സമാനത" യുടെ നിർവചനത്തോട് സംവേദനക്ഷമതയുള്ളതും ഇന്റർ-സാമ്പിൾ വ്യതിയാനം സൃഷ്ടിക്കാൻ കഴിയുന്നതുമാണ്.

മോഡൽ അധിഷ്ഠിത ഇംപ്യൂട്ടേഷൻ രീതി

4. റിഗ്രഷൻ ഇംപ്യൂട്ടേഷൻ
മറ്റ് വേരിയബിളുകളുടെ ഒരു റിഗ്രഷൻ മോഡൽ ഉപയോഗിച്ചാണ് നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ പ്രവചിക്കുന്നത്. സംഖ്യാ വേരിയബിളുകൾക്ക്, ലീനിയർ റിഗ്രഷൻ ഉപയോഗിക്കാം; വർഗ്ഗീകൃത വേരിയബിളുകൾക്ക്, ഇത് ഉപയോഗിക്കാം. ലോജിസ്റ്റിക് റിഗ്രഷൻ അല്ലെങ്കിൽ മൾട്ടിനോമിയൽ. ഗുണം: വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധങ്ങളെ ചൂഷണം ചെയ്യുന്നു. പോരായ്മ: നിർണ്ണായകമായ പ്രവചിക്കപ്പെട്ട മൂല്യങ്ങൾ മാത്രം ഉപയോഗിക്കുന്നത് വ്യതിയാനം കുറയ്ക്കുന്നു, കാരണം എല്ലാ ആക്ഷേപിക്കപ്പെട്ട മൂല്യങ്ങളും പ്രവചിക്കപ്പെട്ട രേഖയിൽ കൃത്യമായി വീഴുന്നു. ഇത് പരിഹരിക്കുന്നതിന്, കൂടുതൽ യാഥാർത്ഥ്യത്തിനായി ക്രമരഹിത ഘടകങ്ങൾ (ഉദാ. അവശിഷ്ടങ്ങൾ) പലപ്പോഴും ചേർക്കാറുണ്ട്.

5. കെ-ഏറ്റവും അടുത്തുള്ള അയൽക്കാർ (കെഎൻഎൻ) ഇംപ്യൂട്ടേഷൻ
kNN രീതി, ഏറ്റവും അടുത്തുള്ള k അയൽക്കാരുടെ ശരാശരി (അല്ലെങ്കിൽ വോട്ടിംഗ്) അടിസ്ഥാനമാക്കി നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ പൂരിപ്പിക്കുന്നു. ഡാറ്റ സാധാരണ നിലയിലാക്കിയ ശേഷം യൂക്ലിഡിയൻ ദൂരം അല്ലെങ്കിൽ മറ്റൊരു മെട്രിക് ഉപയോഗിച്ചാണ് അടുപ്പം സാധാരണയായി അളക്കുന്നത്. വഴക്കവും രേഖീയ ബന്ധമില്ലെന്ന അനുമാനവും ഇതിന്റെ ഗുണങ്ങളിൽ ഉൾപ്പെടുന്നു. വലിയ ഡാറ്റാ സെറ്റുകൾക്ക് കമ്പ്യൂട്ടേഷണൽ ചെലവേറിയത്, വേരിയബിൾ സ്കെയിലിനോടുള്ള സംവേദനക്ഷമത, ഉയർന്ന അളവിലുള്ള ഡാറ്റയിലെ പ്രകടന തകർച്ച (ഡൈമൻഷണാലിറ്റിയുടെ ശാപം) എന്നിവയാണ് പോരായ്മകൾ.

6. പ്രതീക്ഷ-പരമാവധി (EM)
നഷ്ടപ്പെട്ട മൂല്യങ്ങളെ ലേറ്റന്റ് വേരിയബിളുകളായി കണക്കാക്കി EM സമീപനം മോഡൽ പാരാമീറ്ററുകൾ (ഉദാ. മൾട്ടിവേരിയേറ്റ് നോർമൽ ഡാറ്റയ്ക്കുള്ള ശരാശരി, സഹവേരിയൻസ്) കണക്കാക്കുന്നു. നിലവിലെ പാരാമീറ്ററുകളെ അടിസ്ഥാനമാക്കി, നഷ്ടപ്പെട്ട മൂല്യങ്ങളുടെ പ്രതീക്ഷ സ്റ്റെപ്പ് E ആവർത്തിച്ച് കണക്കാക്കുന്നു, തുടർന്ന് പ്രതീക്ഷിക്കുന്ന "പൂർണ്ണ" ഡാറ്റയെ അടിസ്ഥാനമാക്കി സ്റ്റെപ്പ് M പാരാമീറ്ററുകൾ അപ്ഡേറ്റ് ചെയ്യുന്നു. ചില വിതരണ അനുമാനങ്ങൾക്ക് EM ശക്തമാണ്, പക്ഷേ സങ്കീർണ്ണമാകാം, കൂടാതെ മോഡൽ അനുമാനങ്ങളുടെ കൃത്യതയെ ആശ്രയിച്ചിരിക്കും.

മൾട്ടിപ്പിൾ ഇംപ്യൂട്ടേഷൻ: പല കേസുകളിലും സുവർണ്ണ നിലവാരം

7. മൾട്ടിപ്പിൾ ഇംപ്യൂട്ടേഷൻ (MI)
MAR-നുള്ള ഏറ്റവും തത്വാധിഷ്ഠിത സമീപനങ്ങളിലൊന്നാണ് മൾട്ടിപ്പിൾ ഇംപ്യൂട്ടേഷൻ. ഒരൊറ്റ പൂർണ്ണ ഡാറ്റാസെറ്റ് സൃഷ്ടിക്കുന്നതിനുപകരം, MI അനിശ്ചിതത്വം പ്രതിഫലിപ്പിക്കുന്ന വ്യത്യസ്ത ഇംപ്യൂട്ടേഷനുകളുള്ള ഒന്നിലധികം ഡാറ്റാസെറ്റുകൾ (ഉദാ. 5–20) സൃഷ്ടിക്കുന്നു. ഓരോ ഡാറ്റാസെറ്റും വെവ്വേറെ വിശകലനം ചെയ്യുന്നു, തുടർന്ന് കൂടുതൽ സാധുവായ എസ്റ്റിമേറ്റുകളും സ്റ്റാൻഡേർഡ് പിശകുകളും ലഭിക്കുന്നതിന് റൂബിന്റെ നിയമങ്ങൾ ഉപയോഗിച്ച് ഫലങ്ങൾ സംയോജിപ്പിക്കുന്നു.

MI ഗുണങ്ങൾ:
– ആക്ഷേപ അനിശ്ചിതത്വം ഉൾക്കൊള്ളുന്നു.
– സ്ഥിതിവിവരക്കണക്ക് അനുമാനത്തിന് കൂടുതൽ കൃത്യത (ആത്മവിശ്വാസ ഇടവേളകൾ, സിദ്ധാന്ത പരിശോധന).
- വിവിധ തരം വേരിയബിളുകൾക്ക് വഴങ്ങുന്നത്.

അതിന്റെ പരിമിതികൾ:
- കൂടുതൽ സങ്കീർണ്ണമായ നടപ്പാക്കൽ.
– മതിയായ അനുമാനങ്ങളും ഇംപ്യൂട്ടേഷൻ മോഡൽ സ്പെസിഫിക്കേഷനുകളും ആവശ്യമാണ്.
– MNAR-ൽ എന്തെങ്കിലും കുറവുണ്ടെങ്കിൽ, സ്റ്റാൻഡേർഡ് MI ഇപ്പോഴും പക്ഷപാതപരമായിരിക്കും.

സമയ ശ്രേണിക്കും സ്പേഷ്യൽ ഡാറ്റയ്ക്കുമുള്ള ഇംപ്യൂട്ടേഷൻ

സമയ ശ്രേണി ഡാറ്റയിൽ, നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ പലപ്പോഴും അവയുടെ മുമ്പത്തേതും തുടർന്നുള്ളതുമായ മൂല്യങ്ങളുമായി ശക്തമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. ലീനിയർ ഇന്റർപോളേഷൻ, സ്പ്ലൈനുകൾ, കൽമാൻ ഫിൽട്ടറുകൾ, അല്ലെങ്കിൽ ARIMA/സ്റ്റേറ്റ് സ്പേസ് മോഡലുകൾ പോലുള്ള രീതികൾ പലപ്പോഴും ഉപയോഗിക്കാറുണ്ട്. സ്പേഷ്യൽ ഡാറ്റയ്ക്ക്, ക്രിഗിംഗ്, സ്പേഷ്യൽ മോഡലുകൾ പോലുള്ള സമീപനങ്ങൾക്ക് ഭൂമിശാസ്ത്രപരമായ സാമീപ്യം പ്രയോജനപ്പെടുത്താൻ കഴിയും. താൽക്കാലിക/സ്പേഷ്യൽ ഘടന പ്രബലമാകുമ്പോൾ ഈ രീതികൾ ഫലപ്രദമാണ്, എന്നാൽ ലളിതമായ ഇന്റർപോളേഷനെ തെറ്റിദ്ധരിപ്പിക്കുന്നതാക്കുന്ന പെട്ടെന്നുള്ള മാറ്റങ്ങൾ (ഉദാ. സാമ്പത്തിക ആഘാതങ്ങൾ)ക്കെതിരെ ജാഗ്രത പാലിക്കണം.

ഇംപ്യൂട്ടേഷൻ രീതികൾ തിരഞ്ഞെടുക്കുന്നതിലെ നല്ല രീതികൾ

1. നഷ്ടപ്പെട്ട ഡാറ്റ പര്യവേക്ഷണം നടത്തുക: നഷ്ടപ്പെട്ട മൂല്യങ്ങളുടെ ശതമാനം, നഷ്ടപ്പെട്ട പാറ്റേൺ, നഷ്ടപ്പെട്ടത് ഒരു പ്രത്യേക വേരിയബിളുമായി ബന്ധപ്പെട്ടതാണോ എന്ന് പരിശോധിക്കുക.
2. പരിശീലന ഡാറ്റയും ടെസ്റ്റ് ഡാറ്റയും വേർതിരിക്കുക: പരിശീലന ഡാറ്റയിൽ നിന്ന് മാത്രം "പഠിച്ചുകൊണ്ട്" ഇംപ്യൂട്ടേഷൻ നടത്തുക, തുടർന്ന് ഡാറ്റ ചോർച്ച ഒഴിവാക്കാൻ ടെസ്റ്റ് ഡാറ്റയിൽ അത് പ്രയോഗിക്കുക.
3. വേരിയബിൾ തരം പരിഗണിക്കുക: സംഖ്യാ, വർഗ്ഗീകൃത, ഓർഡിനൽ അല്ലെങ്കിൽ മിക്സഡ്; ഉചിതമായ രീതി വ്യത്യാസപ്പെടുന്നു.
4. missingness സൂചകങ്ങൾ ഉപയോഗിക്കുക: ചിലപ്പോൾ ഒരു മൂല്യം നഷ്ടപ്പെട്ടിരിക്കുന്ന വിവരങ്ങൾ തന്നെ പ്രവചനാത്മകമായിരിക്കും; സൂചക വേരിയബിളുകൾ ചേർക്കുന്നത് ഒരു പ്രവചന മോഡലിന്റെ പ്രകടനം മെച്ചപ്പെടുത്തും.
5. ഇംപ്യൂട്ടേഷന്റെ ആഘാതം വിലയിരുത്തുക: ഇംപ്യൂട്ടേഷന് മുമ്പോ ശേഷമോ ഉള്ള വിതരണങ്ങൾ താരതമ്യം ചെയ്യുക, വേരിയൻസ് കുറഞ്ഞിട്ടുണ്ടോ എന്ന് പരിശോധിക്കുക, മോഡൽ സാധൂകരിക്കുക.
6. അനുമാനത്തിനായി MI-ക്ക് മുൻഗണന നൽകുക: വിശകലനത്തിന്റെ ലക്ഷ്യം പാരാമീറ്റർ എസ്റ്റിമേഷനും സ്റ്റാറ്റിസ്റ്റിക്കൽ പരിശോധനയുമാകുമ്പോൾ, ഒറ്റ ഇംപ്യൂട്ടേഷനെക്കാൾ ഒന്നിലധികം ഇംപ്യൂട്ടേഷൻ പലപ്പോഴും കൂടുതൽ ഉചിതമാണ്.

ഉപസംഹാരം

നഷ്ടപ്പെട്ട ഡാറ്റ കൈകാര്യം ചെയ്യുന്നതിനുള്ള ആധുനിക സ്റ്റാറ്റിസ്റ്റിക്കൽ വർക്ക്ഫ്ലോകളുടെ ഒരു നിർണായക ഘടകമാണ് ഇംപ്യൂട്ടേഷൻ. ശരാശരി/മീഡിയൻ പോലുള്ള ലളിതമായ രീതികൾ ഒരു അടിസ്ഥാനമായി അല്ലെങ്കിൽ ചെറിയ നഷ്ടപ്പെട്ട കാര്യങ്ങൾക്ക് ഉപയോഗപ്രദമാകും, പക്ഷേ പലപ്പോഴും ഡാറ്റാ ഘടനയെയും അനിശ്ചിതത്വത്തെയും വിട്ടുവീഴ്ച ചെയ്യുന്നു. റിഗ്രഷൻ, കെഎൻഎൻ, ഇഎം പോലുള്ള മോഡൽ അധിഷ്ഠിത രീതികൾ വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധങ്ങളെ ചൂഷണം ചെയ്യുന്നു, അതേസമയം മൾട്ടിപ്പിൾ ഇംപ്യൂട്ടേഷൻ അനിശ്ചിതത്വം കണക്കിലെടുത്ത് അനുമാനത്തിന് ശക്തമായ ഒരു ചട്ടക്കൂട് നൽകുന്നു. മികച്ച രീതി തിരഞ്ഞെടുക്കുന്നത് നഷ്ടപ്പെട്ട ഡാറ്റ മെക്കാനിസം (MCAR/MAR/MNAR), വിശകലന ലക്ഷ്യം (പ്രവചനം vs. അനുമാനം), ഡാറ്റയുടെ സവിശേഷതകൾ (സമയ ശ്രേണി, സ്പേഷ്യൽ, മിക്സഡ്) എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു. ശരിയായ സമീപനത്തിലൂടെ, ഇംപ്യൂട്ടേഷൻ വിശകലനത്തിന്റെ സമഗ്രത നിലനിർത്താൻ സഹായിക്കുകയും കൂടുതൽ വിശ്വസനീയമായ നിഗമനങ്ങൾ നൽകുകയും ചെയ്യുന്നു.