Kayıp veri olması durumunda lojistik regresyon uygulamaları

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.