التعامل مع البيانات المفقودة: طرق احتساب أبحاث 2024

"بدون بيانات، أنت مجرد شخص آخر لديه رأي." هذه المقولة لـ دبليو إدواردز ديمينغ صحيحة تمامًا اليوم، خاصةً عند التعامل مع البيانات المفقودة . فالبيانات المفقودة ليست مجرد مشكلة، بل قد تجعل بحثك أقل موثوقية. في عام 2024، يُعدّ إتقان التعامل مع البيانات المفقودة أمرًا أساسيًا للحصول على نتائج دقيقة.

تشير الدراسات إلى أن البيانات المفقودة شائعة، لا سيما في الدراسات الصحية. ويحدث ذلك لأسباب عديدة، منها عدم رغبة المرضى في المشاركة أو عدم العثور عليهم لاحقًا ^. من المهم معرفة أنواع البيانات المفقودة المختلفة لاختيار الطريقة الأمثل لملئها. قد تساعد الطرق البسيطة، مثل تقدير المتوسط، ولكن يجب توخي الحذر لأنها قد لا تكون دقيقة ^دائمًا.

ستتناول هذه المقالة طرقًا مختلفة لمعالجة البيانات المفقودة، وما تعنيه هذه البيانات بالنسبة للبحث العلمي. يُعدّ هذا الأمر بالغ الأهمية لأنه يؤثر على مدى موثوقية النتائج. لمزيد من النصائح حول ضمان جودة البيانات عند التعامل مع البيانات المفقودة ، يُرجى مراجعة هذا المصدر.

الوجبات السريعة الرئيسية

• يعد فهم أنواع البيانات المفقودة أمرًا أساسيًا للاختيار المناسب طرق الإسناد.
• يمكن أن يؤدي التضمين المتوسط ​​إلى تبسيط التحليلات الأولية ولكنه قد يؤدي إلى تحيزات.
• الإسناد المتعدد يعتبر بمثابة نهج قوي للتعامل مع القيم المفقودة.
• تشمل الاستراتيجيات الفعالة لتقليل البيانات المفقودة التخطيط الدقيق للدراسة وأدوات جمع البيانات سهلة الاستخدام.
• تقنيات النمذجة الإحصائية يمكن أن يعزز جودة تحليل البيانات وسط القيم المفقودة.

فهم أهمية التعامل مع البيانات المفقودة

يُعدّ التعامل مع البيانات المفقودة أمرًا بالغ الأهمية لدقة نتائج الأبحاث، لا سيما في الدراسات الصحية. غالبًا ما تواجه ما يصل إلى 95% من التجارب هذه المشكلة. يمكن أن تُضعف البيانات المفقودة قوة الإحصاءات وتُدخل تحيزًا، مما يجعل النتائج أقل موثوقية. لذلك، يُعدّ ضمان جودة البيانات أساسيًا للحصول على نتائج موثوقة وقابلة للتكرار.

من الضروري معرفة أنواع البيانات المفقودة : MCAR و MAR و MNAR . في دراسة حول مشاركة الموظفين، فُقدت بعض البيانات بسبب تشتت انتباه المشاركين ^. بالنسبة لبيانات MAR ، يساعد استخدام أساليب مثل الإسناد المتعدد على تقليل التحيز وتحسين النتائج^.

يمكن أن تُسهم طريقة إدارة البيانات المفقودة بشكل كبير في تحسين منهجية البحث . استعرضت إحدى الدراسات 101 مقالة، ووجدت أن 99 منها تستحق المزيد من الدراسة بسبب نقص البيانات فيها . ⁴ ووجدت الدراسة 31 طريقة مختلفة للتعامل مع البيانات المفقودة، مما يُظهر تنوع الاستراتيجيات المتاحة.

أنواع البيانات المفقودة في البحث

يُعدّ فهم أنواع البيانات المفقودة أساسيًا لحلّ تحديات البحث. ولكل نوع مجموعة من المشكلات التي يجب على الباحثين معالجتها. أهم هذه الأنواع هي: البيانات المفقودة عشوائيًا تمامًا ( MCAR )، والبيانات المفقودة عشوائيًا ( MAR )، والبيانات المفقودة غير عشوائيًا ( MNAR ). معرفة هذه الأنواع تُساعد في اختيار أساليب التعويض المناسبة.

مفقود تمامًا بشكل عشوائي (MCAR)

يشير مصطلح MCAR إلى أن البيانات مفقودة بشكل عشوائي ولا تعتمد على بيانات أخرى. هذا النوع من البيانات لا يُدخل تحيزًا في البحث. تُظهر الدراسات الحديثة أن بيانات MCAR أسهل في التعامل معها لأنها لا تُشوّه النتائج بشكل كبير ^. على سبيل المثال، تُسهّل نتائج المختبر المفقودة لمرضى السكري، والتي تبدو عشوائية، عملية التحليل^.

مفقود بشكل عشوائي (مارس)

في نموذج MAR، ترتبط البيانات المفقودة بما هو معروف مسبقًا، وليس بما هو مفقود. يمكنك استخدام بياناتك لسدّ هذه الثغرات. يستخدم الباحثون طرقًا متنوعة للحدّ من التحيزات . في دراسات مرض السكري ، يمكن معالجة البيانات المفقودة لبعض المجموعات باستخدام تقنيات مثل الإسناد ^{المتعدد.}

مفقود بشكل عشوائي (MNAR)

يُعدّ النقص في البيانات غير العشوائي (MNAR) أصعب أنواع البيانات، حيث يرتبط النقص بما لا نعرفه. وقد يؤدي ذلك إلى نتائج متحيزة إذا لم يُعالج بشكل صحيح. في أبحاث مرض السكري، قد تدفع المضاعفات الخطيرة بعض المرضى إلى عدم الإبلاغ عن النتائج، مما يجعله مثالًا على النقص في البيانات غير العشوائي (MNAR) ^. ولتجاوز هذه المشكلة، يحتاج الباحثون إلى استخدام أساليب معقدة وجمع البيانات ^بعناية.

التحديات التي تفرضها البيانات المفقودة

يُعدّ التعامل مع البيانات المفقودة أمراً صعباً في البحث العلمي، لا سيما عندما يؤثر ذلك على القوة الإحصائية والتحيز في التقدير . ويواجه الباحثون صعوبة في التوصل إلى استنتاجات قوية عندما تكون البيانات الأساسية مفقودة.

التأثير على القوة الإحصائية

يؤدي نقص البيانات إلى صغر حجم العينات، مما يقلل من القوة الإحصائية للدراسات. وبدون جميع البيانات، يصبح من الصعب تحديد التأثيرات الحقيقية. وهذا مصدر قلق كبير للباحثين.

في التجارب العشوائية العنقودية، يصبح التعامل مع البيانات المفقودة أكثر صعوبة. يلجأ الباحثون إلى أساليب معقدة مثل نماذج التأثيرات المختلطة وأساليب GEE ⁷.

التحيز في التقدير

قد تؤدي طريقة التعامل مع البيانات المفقودة إلى تحيز كبير في التقدير ، خاصةً إذا لم تكن مفقودة عشوائيًا. وهناك فجوة كبيرة في طرق التعامل مع أنواع البيانات المفقودة المختلفة^.

على الرغم من وجود العديد من الطرق، مثل الإسناد المتعدد والترجيح، إلا أنها لا تعمل دائمًا بشكل جيد ^8. ويجري الآن النظر إلى التعلم العميق كوسيلة لمعالجة هذه المشكلات وتقليل التحيز في التقدير ⁸.

طرق الإسناد الشائعة

عند التعامل مع البيانات، وفي حال وجود بعض القيم المفقودة، توجد عدة طرق لملء هذه الفراغات. لكل طريقة أسلوبها الخاص في معالجة البيانات المفقودة ، مما يتيح لك اختيار الأنسب لدراستك.

حذف بالقائمة

يعني حذف البيانات المفقودة استبعاد أي حالة تحتوي على قيم مفقودة من الدراسة. وهي طريقة بسيطة وفعالة إذا كانت البيانات مفقودة بشكل عشوائي تمامًا. ولكن، إذا كانت لديك مجموعة بيانات كبيرة تحتوي على العديد من المتغيرات، فقد تؤدي هذه الطريقة إلى فقدان الكثير من المعلومات^.

حذف زوجي

تتيح لك عملية الحذف الثنائي استخدام البيانات المتوفرة لديك، مع الاحتفاظ بمعلومات أكثر من عملية الحذف الكلي . تساعد هذه الطريقة في الحفاظ على بياناتك كاملة. ولكن، قد تحصل على نتائج مختلفة في تحليلات مختلفة لأن أحجام العينات تتغير مع كل زوج من المتغيرات^.

يعني الاستبدال

يُعدّ استبدال المتوسط ​​طريقة سريعة لملء القيم المفقودة بمتوسط ​​البيانات المتوفرة. ورغم سهولة هذه الطريقة، إلا أنها قد تُقلّل من دقة البيانات وتُخفي الفروقات الحقيقية، مما قد يؤثر على جودتها^.

تقنيات الاحتساب المتقدمة لعام 2024

تُعدّ تقنيات الإسناد المتقدمة أساسيةً للتعامل مع البيانات المفقودة في مختلف المجالات، إذ تُسهم في ضمان موثوقية البحث. وباستخدام أساليب مثل إسناد الانحدار ، والإسناد المتعدد، وخوارزمية التوقع والتعظيم ، يُمكنك تحسين جودة تحليل البيانات.

بتر الانحدار

تعتمد تقنية تعويض القيم المفقودة بالانحدار على تحليل الأنماط في البيانات الكاملة. وتُجدي هذه التقنية نفعًا عندما تُظهر البيانات أنماطًا واضحة، ولكنها قد تكون معقدة إذا لم تكن هذه الأنماط قوية. ولتحسين الدقة، يُعدّ دمج خوارزمية أقرب الجيران k مع الخوارزميات التكرارية خطوة ^ذكية.

بتر متعدد

تُنشئ هذه الطريقة العديد من مجموعات البيانات الكاملة عن طريق ملء القيم المفقودة بتخمينات مختلفة، مما يسمح بتحليل مدى دقة هذه التخمينات. وبافتراض أن البيانات مفقودة عشوائيًا (MAR)، فإنها تقلل من التحيز وتُعطي نتائج صحيحة ^. في السنوات الأخيرة، أصبحت هذه الطريقة أكثر شيوعًا من الطرق القديمة مثل طريقة ملء القيم المفقودة ^{بالمتوسط}.

التوقع-التعظيم

خوارزمية التوقع والتعظيم هي طريقة تكرارية تُعزز احتمالية البيانات. وهي مثالية لمجموعات البيانات التي تُحسّن التنبؤات بشكل كبير. استخدام هذه الطريقة مع خوارزمية أقرب الجيران k يُؤدي إلى نتائج أكثر دقة ووقت حسابي أقل ^. إضافة هذه التقنيات المتقدمة إلى بحثك يُمكن أن يُؤثر بشكل كبير على نتائجك، خاصةً في المجالات التي تتطلب بيانات ^دقيقة.

تقنيات النمذجة الإحصائية في التعامل مع البيانات المفقودة

تُعدّ تقنيات النمذجة الإحصائية أساسيةً للتعامل مع البيانات المفقودة، إذ تُسهم في تحسين عملية استكمال البيانات وتحليلها. وتُعتبر الأساليب المتقدمة، مثل النماذج الخطية المعممة والتقنيات البايزية، فعّالةً للغاية في معالجة البيانات المفقودة، حيث تُعزز هذه الأساليب دقة التنبؤات في مجالاتٍ مثل الرعاية الصحية.

تُظهر الدراسات أن طرق تعويض البيانات المختلفة تُحقق نتائج أفضل مع معدلات البيانات المفقودة المتفاوتة. على سبيل المثال، وجدت إحدى الدراسات أن خوارزمية أقرب الجيران (KNN) كانت الأفضل، حيث بلغ متوسط ​​الخطأ المطلق (MAE) 0.2032 ومساحة المنطقة تحت المنحنى (AUC) 0.730 ^. غالبًا ما تعجز الطرق التقليدية، مثل استبدال المتوسط، ^عن التعامل مع البيانات المعقدة. لذا، نحتاج إلى تقنيات متقدمة لحالات البيانات المفقودة عشوائيًا (MAR) وغير عشوائيًا (MNAR).

عند استخدام النمذجة الإحصائية للبيانات المفقودة، قم بإجراء تحليلات الحساسية. وهذا يساعد على تحسين دقة توقعاتك. من خلال توثيق أساليبك والتحقق من صحتها، فإنك تجعل بياناتك أكثر موثوقية. وهذا أمر بالغ الأهمية لإجراء بحث أفضل وفهم البيانات المفقودة.

خوارزميات التعلم الآلي للإحتساب

لقد غيّر التعلّم الآلي طريقة تعاملنا مع البيانات المفقودة. وتُعدّ خوارزمية أقرب الجيران (KNN) وخوارزمية استكمال البيانات المفقودة باستخدام الغابات العشوائية من الأساليب الرئيسية الآن.

K- أقرب الجيران (KNN)

تبحث KNN عن نقاط بيانات مماثلة لملء القيم المفقودة. ويستخدم البيانات القريبة لإجراء التنبؤات. تعمل هذه الطريقة بشكل جيد مع مجموعات البيانات التي تحتوي على الكثير من البيانات المفقودة.

تُظهر الدراسات أن خوارزمية الجيران الأقرب (KNN) تُحسّن النماذج التنبؤية بجعل القيم المُستنتجة مُشابهة للبيانات الحقيقية. فهي تحافظ على التوزيع الأصلي للبيانات، مما يجعلها خيارًا مُفضلاً لمجموعات البيانات ^{المُعقدة}.

احتساب الغابات العشوائية

تستخدم تقنية استكمال البيانات باستخدام الغابات العشوائية العديد من أشجار القرار لتخمين القيم المفقودة. وتجمع نتائج هذه الأشجار لاكتشاف أنماط البيانات المعقدة. غالبًا ما تتفوق هذه الطريقة على طرق استكمال البيانات القديمة، خاصةً مع البيانات المعقدة.

يُحافظ كلٌ من خوارزمية الجيران الأقرب (KNN) وخوارزمية الغابات العشوائية على جودة البيانات ويعززان دقتها. ويُمكن للاختيار الصحيح للخوارزمية أن يُحسّن جودة البيانات وأداء النموذج بشكلٍ كبير ^. تتميز خوارزمية الغابات العشوائية بقدرتها الفائقة على التعامل مع أنواع البيانات ^{المختلفة}.

التعامل مع البيانات المفقودة: طرق احتساب أبحاث 2024

مع تطور الأبحاث، ستكون معالجة البيانات المفقودة بكفاءة أمرًا بالغ الأهمية في عام 2024. استعرض الباحثون العديد من المقالات ووجدوا 31 طريقة مختلفة لملء البيانات المفقودة. وبعد مراجعة 101 مقالة، اختاروا تسع دراسات جيدة لمزيد من التفاصيل ^. تُظهر هذه الدراسات أن استخدام طرق مختلفة لملء البيانات يُمكن أن يُحسّن النتائج بشكل ملحوظ.

تُعدّ طريقة تعويض القيم المفقودة باستخدام المتوسط ​​من أفضل الطرق ، خاصةً إذا كانت البيانات المفقودة مفقودة تمامًا بشكل عشوائي (MCAR). على سبيل المثال، نجحت هذه الطريقة في إصلاح 7 قيم مفقودة في العمود ¹⁶ من ملف Solar.R . وعند تطبيقها على جميع الأعمدة، حصل الباحثون على مجموعة بيانات كاملة خالية من القيم المفقودة.

أظهرت رسوم الكثافة البيانية تغيراً كبيراً في البيانات بعد استخدام تقنية الإسناد. يُبين هذا التغير أهمية الإلمام الجيد بالبيانات عند اختيار استراتيجيات التعامل مع البيانات المفقودة . كما أظهرت نماذج الانحدار الخطي نتائج متقاربة لكل من البيانات الأصلية والبيانات المُسندة، إلا أن معامل التحديد المعدل (R²) كان أقل قليلاً في النسخة ^{المُسندة}.

يُظهر هذا مدى أهمية اختيار الطرق المناسبة لملء البيانات المفقودة بناءً على نوع البيانات. يوجد اليوم عشر طرق مختلفة لملء البيانات المفقودة، واثنان وثلاثون برنامجًا متخصصًا في هذا المجال. في عام ٢٠٢٤، من الضروري مراجعة هذه الطرق وكيفية الاستفادة من التعلم الآلي، نظرًا لغيابه عن برامج SAS وStata.

إن فهم كيفية التعامل مع البيانات المفقودة في عام 2024 سيؤثر بشكل كبير على نتائج بحثك ومدى قوة تحليلك.

ضمان جودة البيانات في التعامل مع البيانات المفقودة

يُعدّ ضمان جودة البيانات أمرًا أساسيًا عند التعامل مع البيانات المفقودة. ويعني ذلك وضع استراتيجيات فعّالة للتعامل مع البيانات المفقودة للحدّ من مخاطر القيم المفقودة. تُشير الأبحاث إلى وجود ثلاثة أنواع رئيسية من البيانات المفقودة: MCAR وMAR وMNAR، ولكلٍّ منها نهجٌ خاصٌّ بها^.

يُسهم تدريب جامعي البيانات في ضمان نزاهة البحث. كما يُساعد وضع ضوابط منهجية ومراقبة البيانات في الوقت الفعلي على الحفاظ على جودتها العالية. ومن بين 21 دراسة تم فحصها، برزت أهمية التدقيق في كيفية جمع البيانات وتعبئتها بشكل ^واضح.

إن ضمان الجودة يتجاوز مجرد التدريب، فهو يشمل استخدام طرق مختلفة لملء البيانات المفقودة، مثل المتوسط ​​والوسيط والمنوال للأرقام، وتصنيف البيانات لأنواع البيانات الأخرى. وقد وجدت الدراسات 31 طريقة لملء البيانات المفقودة، مما يوفر قائمة كاملة بالخيارات ^{المتاحة}.

يمكن أن يؤدي استخدام الخوارزميات الذكية مثل الغابات العشوائية والأشجار المعززة بالتدرج إلى تحسين معالجة البيانات المفقودة ^17. من المهم التحقق من كيفية تأثير هذه الأساليب على النماذج والتحيز والاختلافات ¹⁷.

من خلال الشفافية بشأن البيانات المفقودة، يضمن الباحثون معرفة الجميع بكيفية تأثيرها على النتائج. وهذا بدوره يُسهم في الحفاظ على الثقة والمصداقية في البحث العلمي، وحماية نزاهته.

تحسينات منهجية البحث

يُعدّ تحسين أساليب البحث مفتاحًا أساسيًا لحلّ مشكلة البيانات المفقودة. فباستخدام استراتيجيات أفضل، يُمكننا إكمال مجموعات البيانات وتحسين جودة البحث. ومن أهمّ الخطوات في هذا الصدد استخدام استراتيجيات تحليل البيانات المفقودة لتحديد مواطن النقص فيها.

يساعدنا استخدام خطط الدراسة التفصيلية على تخمين الأماكن التي قد تكون البيانات مفقودة فيها. وهذا يعني أنه يمكننا تقليل فرصة حدوث تحيزات كبيرة. على سبيل المثال، التحدث مع المشاركين مبكرًا يمكن أن يساعدنا على فهم ما يحتاجون إليه لاحقًا، والاحتفاظ بمزيد من البيانات. تساعد الدراسات التجريبية أيضًا في اكتشاف المشكلات في جمع البيانات، والتأكد من أن دراستنا الرئيسية جاهزة لها.

تساعدنا حلقات التغذية الراجعة أيضًا على التحسين المستمر، مما يسمح لنا بتغيير طريقة جمع البيانات لمعالجة مشكلات البيانات المفقودة. تُحسّن هذه التحسينات في منهجية البحث بياناتنا وتجعلها أكثر موثوقية. ومن خلال العمل معًا، تُساعدنا هذه الخطوات على التعامل مع البيانات المفقودة بشكل أفضل.

في البحوث الطبية، قد تنشأ البيانات المفقودة نتيجةً لعدم رغبة المرضى في المشاركة، أو فقدان التواصل معهم، أو أخطاء في التسجيل. لذا، يحتاج الباحثون إلى معرفة هذه المشكلات وامتلاك مهارات مثل استخدام أسلوب الإسناد المتعدد لسدّ الثغرات. هذا يُعزز البحث ويُحسّن التحليل.

يساعدنا تحسين أساليبنا في الحصول على مجموعات بيانات كاملة ويمنحنا رؤى أعمق لعالم الأبحاث.

باختصار، يؤدي استخدام تحسينات منهجية البحث إلى طرق أفضل لجمع البيانات. وهذا يُظهر مدى أهمية المرونة في البحث، مما يؤدي إلى ^{نتائج أفضل.}

تطبيقات الذكاء الاصطناعي في احتساب البيانات المفقودة

يُغيّر الذكاء الاصطناعي طريقة تعاملنا مع البيانات المفقودة. فالأساليب التقليدية، مثل استخدام المتوسط ​​والوسيط، لا تُجدي نفعًا دائمًا مع البيانات المعقدة في عصرنا الحالي. أما خوارزمية أقرب الجيران (KNN) فهي أفضل لأنها تعتمد على أقرب نقاط البيانات لتقدير القيم ^{المفقودة}.

تُعدّ تقنية الإسناد المتعدد باستخدام المعادلات المتسلسلة (MICE) طريقة فعّالة تستخدم متغيرات أخرى لتقدير البيانات المفقودة. فهي تُنشئ العديد من مجموعات البيانات المُسندة، مما يُتيح لنا فهمًا أعمق من مجرد تقدير واحد ^. وبفضل الذكاء الاصطناعي، يُمكننا استخدام التعلّم العميق لتحسين عملية الإسناد للبيانات المعقدة.

يُعدّ نموذج MICE رائعًا لأنه يعمل مع أنواع مختلفة من البيانات ويُظهر العلاقات المعقدة. أما نموذج KNN فهو مرن ويعمل بكفاءة في العديد من المهام، مثل التنبؤ بأسعار المنازل أو درجات ^الطلاب.

تساهم تقنيات الذكاء الاصطناعي في زيادة شعبية تقنية استكمال البيانات المفقودة، حيث تم العثور على 31 طريقة مختلفة في 99 دراسة. معظم هذه الطرق متاحة للاستخدام في لغتي R و Python، مما يسهل الوصول إليها^.

إن استخدام الذكاء الاصطناعي في فقدان البيانات يجعل الأساليب أقوى ويشجع الأفكار الجديدة في جودة البيانات. ومع استمرار الباحثين في الاستكشاف، فإن إيجاد التوازن الصحيح بين الموارد والتعقيد سيساعدنا على استخدام الذكاء الاصطناعي بشكل كامل.

خاتمة

يُعدّ التعامل الجيد مع البيانات المفقودة أمرًا بالغ الأهمية في عالم البحث سريع التغير اليوم. إنّ معرفة أنواع البيانات المفقودة، مثل البيانات المفقودة عشوائيًا تمامًا (MCAR) والبيانات المفقودة عشوائيًا (MAR) والبيانات المفقودة غير عشوائيًا (MNAR)، تُساعدك على اختيار أساليب التعويض المناسبة ^. تُساهم التقنيات الحديثة والذكاء الاصطناعي في تحسين معالجة البيانات، مما يُؤدي إلى نتائج أكثر موثوقية في دراساتك.

قد يؤدي نقص البيانات إلى تحيزات ويؤثر على قوة دراستك. استخدام أساليب متقدمة مثل الإسناد المتعدد وتحليل الحساسية يُعزز بياناتك ^ويضمن موثوقية نتائجك.

مستقبل معالجة البيانات يتمحور حول التقنيات الحديثة والاستراتيجيات المبتكرة. مواكبة هذه التغييرات تُساعدك على إجراء بحوث مؤثرة في أي مجال. لمزيد من المعلومات حول كيفية عمل طرق الإسناد المختلفة، اطّلع على هذه الدراسات المُفصّلة.

روابط المصدر

1. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8499698/
2. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3668100/
3. https://www.linkedin.com/pulse/importance-understanding-missing-data-analysis-karthik-h-s
4. https://www.medrxiv.org/content/10.1101/2024.05.13.24307268v1.full
5. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11101000/
6. https://www.publichealth.columbia.edu/research/population-health-methods/missing-data-and-multiple-imputation
7. https://rethinkingclinicaltrials.org/news/grand-rounds-biostatistics-series-january-5-2024-methods-for-handling-missing-data-in-cluster-randomized-trials-rui-wang-phd-moderator-fan-li-phd/
8. https://arxiv.org/html/2404.04905v1
9. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10870437/
10. https://airbyte.com/data-engineering-resources/data-imputation
11. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8323724/
12. https://link.springer.com/article/10.1007/s41060-024-00582-1
13. https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-024-02173-x
14. https://www.intechopen.com/online-first/1183357
15. https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-022-01752-6
16. https://libguides.princeton.edu/R-Missingdata
17. https://www.dasca.org/world-of-data-science/article/strategies-for-handling-missing-values-in-data-analysis
18. https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2021.693674/full
19. https://medium.com/@interprobeit/imputation-for-missing-data-through-artificial-intelligence-b6a86cf40008
20. https://www.linkedin.com/pulse/handling-missing-data-how-leads-wrong-conclusions-doug-rose-otnpe
21. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6329020/