Роль эффектов взаимодействий в устранении смещений регрессионных коэффициентов, вызванных наличием в данных случайных и неслучайных пропусков

Проблема неполных данных особенно актуальна для исследователя-социолога, особенно, если в данных присутствуют неслучайные пропуски (MNAR), которые на практике практически невозможно отличить от случайных (MAR). Известные науки методы борьбы с так называемыми миссингами, в частности Complete case analysis и Missing indicator method, не дают точных оценок регрессионных коэффициентов. Данная работа посвящена роли эффектов взаимодействия в устранении смещений регрессионных коэффициентов, вызванных наличием в данных случайных и неслучайных пропусков, при работе с двумя методами борьбы с отсутствующими наблюдениями – Complete Case Analysis и Missing Indicator Method. Основой данного исследования послужил статистический эксперимент на симулированных данных (N=2000), непосредственная цель которого была понять, помогают ли эффекты взаимодействия в линейной регрессии избавиться от смещенных, а, следовательно, ненадёжных результатов при использовании двух разных методов борьбы с пропусками. В ходе эксперимента было выяснено, что Missing Indicator Method как метод, который позволяет избежать сокращения объёма выборки в ходе анализа, можно применять как при случайных, так и неслучайных пропусках без потери качества результатов даже в случае, когда в регрессионной модели присутствуют только прямые эффекты. Complete Case Analysis в свою очередь не даёт точный результат в случае неслучайных пропусков, однако включение в модель эффектов взаимодействия, наряду с прямыми эффектами, нивелирует смещение регрессионных коэффициентов.