Пропуски в лонгитюдных сетевых данных и методы их восстановления

Данные, с которыми приходится работать исследователям в социальных науках, неизбежно содержат большое количество пропусков. В большинстве случаев, исследователи предпочитают оценивать или восстановить пропущенные значения, если существует такая возможность потому, как удаление неполных наблюдений может внести значительный скос в итоговые модели. За последние несколько десятилетий, было разработано множество техник восстановления пропусов специально для лонгитюдных моделей социальных сетей. В данной работе был оценен один из недавно разработанных методов множественной импутации для стохастических агентно-ориентированных моделей (SAOMs), предложенный Краузе и коллегами (2017). Оценка проходит на изначально практически полном наборе сетевых данных, состоящем из трех волн. В нем были сгенерированы пропуски разной природы (MCAR, MAR и MNAR) в зависимости от их ассоциации с другими переменными в даннных и с самим пропущенным значением. В работе дается оценка искаженности модели на восстановленных методом множественной импутации данных в зависимости от природы происхождения пропусков.