MARC

 008250123s2024        us                              c    eng  d
■001000017165121
■00520250211153126
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346859673
■035    ▼a(MiAaPQ)AAI31765212
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a151
■1001  ▼aTibbe,  Tristan  Dale.
■24512▼aA  Comprehensive  Comparison  of  Missing  Data  Procedures  for  Tree-Based  Machine  Learning  Methods
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a151  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  A.
■500    ▼aAdvisor:  Montoya,  Amanda  K.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aAs  machine  learning  techniques  increase  in  popularity  among  psychology  researchers,  decision  trees---and  their  offshoots  such  as  random  forests  and  qualitative  interaction  trees  (QUINT)---have  received  special  attention  due  to  their  interpretability  and  ease  of  use.  Although  these  tree-based  methods  are  versatile  in  terms  of  the  types  and  number  of  relationships  they  can  model,  missingness  still  needs  to  be  addressed  before  they  can  produce  predictions.  The  current  literature  comparing  missing  data  methods  available  for  tree-based  models  is  fragmented,  with  only  subsets  of  conditions  or  methods  examined  in  each  study.  Furthermore,  the  application  of  missing  data  methods  to  the  specialized  tree-based  algorithm  QUINT  has  largely  gone  uninvestigated  in  previous  research.  Thus,  there  is  a  great  need  to  clarify  which  missing  data  methods  are  best  to  use  in  which  situations,  especially  with  niche  tree-based  models  like  QUINT.  Since  tree-based  methods  are  quick  to  set  up  and  easy  to  interpret,  it  is  particularly  important  that  users  who  may  not  be  experienced  in  machine  learning  or  statistics  receive  guidance  on  how  they  should  manage  missingness  in  their  data  before  they  apply  such  methods.  In  order  to  consolidate  the  research  that  has  already  been  done  on  missing  data  methods  with  tree-based  models,  this  dissertation  provides  a  summary  of  the  existing  literature  on  the  topic,  introducing  the  methods  and  factors  that  are  important  to  consider  when  choosing  how  to  deal  with  missingness  in  datasets  for  tree  models.  Also,  to  understand  which  missing  data  methods  are  currently  applied  to  tree-based  models  in  psychological  studies  and  under  which  conditions,  recent  substantive  research  articles  were  reviewed  and  information  about  their  datasets  and  methodologies  were  recorded.  Finally,  to  extend  the  knowledge  accumulated  in  the  literature,  a  plethora  of  popular/modern  missing  data  methods  for  tree  models  were  applied  to  the  QUINT  algorithm  and  compared  in  a  simulation  study,  varying  factors  such  as  the  amount  of  missingness,  the  type  of  missingness,  and  where  the  missingness  appeared  in  the  data  to  cover  a  variety  of  scenarios  that  may  arise  in  the  real  world.  The  results  reveal  that,  in  terms  of  both  prediction  accuracy  and  variable  selection,  imputation  methods---specifically  regression  and  hot  deck  imputation---and  missingness  incorporated  in  attributes  (MIA)  are  able  to  address  missing  data  and  produce  QUINT  models  of  consistently  high  quality.  The  complete  case  method,  on  the  other  hand,  should  be  avoided  due  to  its  highly  variable  performance  and  inconsistent  nature,  leading  to  models  that  differ  greatly  from  would  have  been  produced  had  the  data  been  complete.
■590    ▼aSchool  code:  0031.
■650  4▼aQuantitative  psychology
■650  4▼aStatistics
■650  4▼aPsychology
■650  4▼aInformation  science
■653    ▼aDecision  trees
■653    ▼aMissing  data
■653    ▼aQualitative  interaction  trees
■653    ▼aTree-based  methods
■653    ▼aMachine  learning
■690    ▼a0632
■690    ▼a0621
■690    ▼a0723
■690    ▼a0463
■71020▼aUniversity  of  California,  Los  Angeles▼bPsychology  0780.
■7730  ▼tDissertations  Abstracts  International▼g86-06A.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165121▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books