纵向生活记录运动员数据中缺失值的插补

长期、多样化的个人信息学数据使运动员能够理解并针对其健康和表现目标采取行动，无论是评估当下的准备状态、追踪酸痛如何随时间与训练负荷相关，还是预测睡眠如何影响次日表现。然而，纵向数据中固有的缺失性若处理不当，会使这些分析产生偏差。据我们所知，此前尚无工作系统性地在运动员群体的长期自我追踪数据上对经典与深度学习插补方法进行基准评测。我们在跨越10%–80%的缺失率下，针对四种缺失机制评估了六种插补方法。使用来自231名个体的七个多样化长期自我追踪数据集，我们同时评估了点估计精度以及时间结构与多变量结构的保持情况。我们的结果表明，没有任何单一方法在所有条件下都占优，并揭示了一个关键权衡：PAIN在逐点精度上更优，而深度学习方法（BRITS、GRU-D和GRIN）更善于保持多变量与时间结构，尤其是在较高缺失率下。我们的发现提供了一个实用的、以目标为条件的框架，指导研究人员选择既与潜在缺失机制相一致、又与长期自我追踪研究的特定分析目标相契合的插补策略。

中文由 AI 翻译，仅供参考，以原文为准。