TY  - BOOK
AU  - Yasmeen Ahmed Mohamed Sayed Abdelhay,
AU  - Abdelnasser Saad Abdrabou
AU  - Ahmed Mahmoud Gad
AU  - Nesma Mady Mohamed Darwish.  
TI  - On robust imputation methods for non-normal longitudinal data
U1  - 519.5405 
PY  - 2025///
KW  - Statistics
KW  - الاحصاء
KW  - Longitudinal data
KW  - Missing values
KW  - Single imputation methods
KW  - Robust imputation
KW  - البيانات الطولية
KW  - القيم المفقودة
N1  - Thesis (M.Sc)-Cairo University, 2025; Bibliography: pages 55-59.; Issues also as CD
N2  - Longitudinal data is widely used in many fields, where each subject has several measures 
taken over time. Analyzing longitudinal data faces a number of challenges. One of these 
challenges is the presence of missing values. Missing values have a significant effect on 
longitudinal data analysis because they lead to loss of information, biased estimates, and 
misleading results. 
 There are several ways to deal with missing values. The most common method is the 
imputation method. It can be classified into two main branches: single and multiple imputation, 
based on the number of imputed values that replace missing values. However, the most 
traditional imputation methods assume normality of the data; these assumptions can be violated 
in some circumstances. For example, when the data contains outliers or has a skewed or heavy-
tailed distribution. So, there is a need to use robust imputation methods that are not affected 
with any violation in the assumption. 
 In this thesis, a new robust regression-based imputation method utilizing the modified 
adaptive linear regression model is introduced. A simulation studies are conducted to evaluate 
the proposed method and compare it with the available single imputation methods under a 
variety of circumstances. The suggested approach is also evaluated on a real data set, and the 
imputation techniques are compared.;         تُستخدم البيانات الطولية على نطاق واسع في مجالات متعددة، حيث تتميز بقدرتها على تتبع التغيرات التي تحدث لنفس الأفراد عبر فترات زمنية. ومع ذلك، يواجه تحليل هذا النوع من البيانات عددًا من التحديات التي يتوجب معالجتها للحصول على نتائج دقيقة. ويُعد وجود القيم المفقودة أحد أهم هذه التحديات، لأنها تؤدي إلى فقدان المعلومات، وتقديرات متحيزة، ونتائج مضللة. 
       توجد عدة طرق للتعامل مع القيم المفقودة، وأكثرها شيوعًا هي طريقة التعويض (Imputation). يتم التعويض عن طريق استبدال القيم المفقودة بقيم بديلة يتم حسابها بناءً على البيانات المتاحة.  يمكن تصنيفه إلى نوعين رئيسيين: التعويض البسيط (Single Imputation) والتعويض المتعدد (Multiple Imputation) ، وذلك بناءً على عدد القيم التي تحل محل القيم المفقودة. تفترض طرق التعويض التقليدية عادةً أن البيانات تتبع التوزيع الطبيعي، ولكن في بعض الأحيان تتبع البيانات توزيعاً غير طبيعياً على سبيل المثال، عندما تحتوي البيانات على قيم شاذة أو يكون لها توزيع ملتوي (skewed) أو توزيع كثيف الأطراف(heavy-tailed) ، لذا هناك حاجة لاستخدام طرق تعويض حصيفة (Robust Imputation) لا تتأثر بأي انتهاك لهذه الافتراضات.
       تهدف هذه الرسالة الي تقديم طريقة تعويض حصيفة جديدة تعتمد على الانحدار وتستخدم نموذج الانحدار الخطي التكيفي المُعدل (MALR). أُجريت دراسات محاكاة لتقييم هذه الطريقة المقترحة ومقارنتها بطرق التعويض البسيطة المتاحة. كما تم تطبيق النهج المقترح على مجموعة بيانات حقيقية
ER  -