Comment traiter intelligemment les valeurs manquantes sans fausser votre matrice de covariance ?

Optimisation de la Covariance en Environnement Distribué

La gestion des données absentes est critique lors de la préparation des données. L'action propose le paramètre listwiseDelMiss. Lorsqu'il est activé, le moteur distribué applique une suppression stricte, écartant toute observation possédant au moins une valeur manquante parmi les variablesColonnes d'une table SAS contenant des données spécifiques (numériques ou caractères). Elles possèdent des attributs comme le nom, le type, la longueur, l'étiquette et le format d'affichage. d'analyse. Si ce paramètre est inactif, l'approche par défaut utilise la suppression par paire. Vous pouvez également purger les statistiques associées à cette suppression via le paramètre excludePairStats afin d'alléger la lecture des résultats tout en préservant l'intégrité de votre analyse exploratoire.

Exemples pour l'action correlation

Corrélation de Pearson basique

Calcule la matrice de corrélation pour toutes les variables numériques de la table.

Analyse avancée avec Alpha de Cronbach et sauvegarde

Analyse complète incluant les covariances, l'alpha de Cronbach, le tri par rang, et l'exportation des résultats vers une table CAS.

Corrélation croisée (With)

Calcule uniquement les corrélations entre un groupe cible (Income) et les autres variables.

Vous pourriez aussi aimer...

Conseil de l'Expert

Pour les jeux de données massifs, privilégiez toujours l'approche Pairwise (par défaut) afin de maximiser la puissance statistique. Cependant, si votre matrice doit servir d'entrée à une PROC CALIS ou une analyse de structure de covariance (SEM), la cohérence interne est primordiale : utilisez listwiseDelMiss=true pour garantir que chaque coefficient de la matrice repose sur le même sous-ensemble exact d'observations.

Cette réponse vous a-t-elle aidé ?

Vos votes aident à améliorer notre base de connaissances.