000			05633namaa22004451i 4500
003			EG-GICUC
005			20260313135725.0
008			260313s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519.5405
092			_a519.5405 _221
097			_aM.Sc
099			_aCai01.03.01.M.Sc.2025.Ya.O
100	0		_aYasmeen Ahmed Mohamed Sayed Abdelhay, _epreparation.
245	1	0	_aOn robust imputation methods for non-normal longitudinal data / _cby Yasmeen Ahmed Mohamed Sayed Abdelhay ; Supervisors Prof. Abdelnasser Saad Abdrabou, Prof. Ahmed Mahmoud Gad, Dr. Nesma Mady Mohamed Darwish.
246	1	5	_aطرق التعويض الحصيفة للبيانات الطولية التي تتبع توزيعا غير طبيعياً
264		0	_c2025.
300			_a59 pages : _billustrations ; _c25 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 55-59.
520		3	_aLongitudinal 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.
520		3	_a 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aStatistics
650		0	_aالاحصاء
653		1	_aLongitudinal data _aMissing values _aSingle imputation methods _aRobust imputation _aالبيانات الطولية _aالقيم المفقودة
700	0		_aAbdelnasser Saad Abdrabou _ethesis advisor.
700	0		_aAhmed Mahmoud Gad _ethesis advisor.
700	0		_aNesma Mady Mohamed Darwish. _ethesis advisor.
900			_b01-01-2025 _cAbdelnasser Saad Abdrabou _cAhmed Mahmoud Gad _cNesma Mady Mohamed Darwish _UCairo University _FFaculty of Economics and Political Science _DDepartment of Statistics
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c178998