Руководство по принятию правильных решений в мире недостающих данных «Темные данные: Практическое руководство по принятию правильных решений в мире недостающих данных»

Прогнозирование на основе других переменных 
До сих пор мы рассматривали такие несложные методы вменения — среднее значение от 
наблюдаемых, предыдущее значение для того же объекта или пациента, — что с ними 
справился бы и ребенок. Однако моделирование взаимосвязи между переменной с 
недостающим значением и другими переменными, а затем прогнозирование этого 
недостающего значения на основе значений наблюдаемых уже более сложная стратегия. 
Модель базируется на анализе полных наблюдений, где все значения присутствуют. Мы уже 
сталкивались с этой идеей, когда давали определение для категории SDD. 

---

131 
Например, в табл. 6 есть четыре строки, в которых присутствуют и значение возраста, и 
значение массы тела. Четыре соответствующие точки показаны на графике (рис. 6). Мы 
могли бы использовать их для построения простой статистической модели, связывающей 
возраст и массу тела. Прямая линия на рисунке является подходящей моделью, 
демонстрирующей, что для этих данных более высокие значения возраста связаны с 
меньшими значениями массы. (Замечу, что не стоит строить модели на выборках размером 
всего в четыре точки в реальной жизни!) Теперь мы можем использовать эту модель для 
прогнозирования недостающих значений массы при наличии значений возраста. Например, 
человеку, описанному в восьмой строке таблицы, 41 год, но значение массы тела для него 
неизвестно. Линия, которая служит нам моделью, подсказывает, что это значение может 
составлять около 91 кг. 
Можно сказать, что это расширение идеи простого добавления среднего значения 
наблюдаемых данных с применением более сложной статистической модели, которая 
использует преимущества другой информации, доступной в таблице. Поскольку 
задействованы значения возраста, а не только массы тела, стратегия может дать лучшие 
результаты, чем простое использование среднего. В частности, ее применение 
целесообразно, если недостающие значения массы тела принадлежат категории SDD, а 
вероятность их отсутствия зависит только от возраста. Но если недостающие данные 
относятся к категории UDD, такая модель нам не поможет. Тем не менее нужно отметить, 
что эта стратегия моделирования и прогнозирования содержит в себе зачатки одной очень 
продуктивной идеи, к которой мы вернемся позже.