欠損データ解析の理論と実践

第1章　欠損データメカニズム(Missing Data Mechanism)
第2章　伝統的な欠損値処理方法(Traditional Missing Data Techniques)
2.1　リストワイズ法(listwise method)
2.2　ペアワイズ法(pairwise method)
2.3　平均値代入法(mean imputation)
2.4　回帰代入法(regression imputation)
2.5　確率的回帰代入法(stochastic regression imputation)
2.6　ホットデック法(hot deck imputation)
2.7　コールドデック法(cold deck imputation)
第3章　現代的な欠損値処理方法(Modern Missing Data Techniques)
3.1　完全情報最尤推定法(Full Information Maximum Likelihood Method)
3.2　EMアルゴリズム
3.3　多重代入法(Multiple Imputation: MI)
3.4　手法間の関係
第4章　Rパッケージと分析ツール
4.1　Rパッケージの取得方法
4.2　Rパッケージの利用方法
4.3　norm
4.4　Amelia
4.5　mvnmle
4.6　EM-Kmeans
4.7　計算速度と実行条件
第5章　カテゴリデータの欠損処理と不確実性評価
5.1　カテゴリデータの表現と欠損値処理
5.2　信頼区間の算出
第6章　理論編のまとめと手法選択の指針
第7章　実践編の全体像と検証設計
第8章　分析対象データと検証方法
8.1　擬似データの作成と欠損生成
8.2　本分析におけるカテゴリカルデータの数量化と評価
8.3　列のグループ化
8.4　比較対象とする補完方法
8.5　評価方法
第9章　擬似データの分析
9.1　基準となる完全データの作成
9.2　擬似データの作成方法と結果
9.3　変数の選択とグループ化
9.4　補完手法の評価結果
第10章　100万件データによる補完手法の実データ検証
10.1　100万件データの前処理
10.2　100万件データにおける変数選択とグループ化
10.3　大規模データ処理への対応
10.4　100万件データにおける補完結果
第11章　擬似データ・100万件データ分析の総括と欠損値処理方法の選択指針
11.1　欠損値処理方法の選択に関する概観
11.2　補完手法間の比較
11.3　改良案
付録A　傾向スコアと逆確率重み付け(IPW)
付録B　実践分析で用いた関連手法の補足解説