Applications of logistic regression with missing data

Abstract

Kayıp veri, istatistiksel çalışmalarda sıkça karşılaşılan problemlerden biridir. Kayıp verileri göz ardı etmek bir seçenek iken, bunları çeşitli istatistiksel yöntemlerle çözümleyerek çalışmaya katmakta mümkündür. Kayıp veri analizi araştırmacıların çok sık karşılaştıkları kayıp veri sorununa çözüm getirmeyi amaçlayan yöntemler içerir. Bu yöntemler, silme (Liste/Durum Düzeyli ve Çiftler Düzeyinde) ve atama (Regresyon Ataması, Hot Deck Ataması, Beklenti Maksimizasyonu ve Çoklu Atama) olarak sınıflandırılmıştır. İkili bağımlı değişkeni modellemek için uygulanabilen en popüler regresyon yöntemlerinden biri olan Lojistik Regresyon Analizi'nde, bağımlı değişken 0 ve 1 gibi iki olası kategoriye sahiptir. Lojistik Regresyon Analizi, bağımlı değişkenin sınıflayıcı ve sıralı olmasına göre genişletilebilir. Burada bağımsız değişkenler için kısıtlama getirilmemiştir. Bu çalışmanın amacı, kayıp veri analizi ve lojistik regresyon yöntemlerini inceleyerek, farklı kayıp veri analizi yöntemlerinin lojistik regresyondaki performanslarının değerlendirilmesidir. Missing data is a common problem in statistical studies. While ignoring missing data is an option, it is possible to contribute to study by analyzing them with various statistical methods. Missing data analysis includes methods aiming at missing data problem solving. These methods are classified as deletion (Listwise and Pairwise) and imputation (Regression imputation, Expectation Maximization and Multiple Imputation). Logistic regression analysis method, one of the most popular methods applied for modeling two dependent variables, has two possible categories of dependent variable 0 and 1. Logistic Regression Analysis can be expanded according to the dependent variable as nominal and ordinal. There is no limitation for independent variables. The aim of this study is to examine the methods of missing value analysis and logistic regression and to evaluate the performance of different missing value analysis methods on logistic regression.