2. 下列哪一項方式較「不」適合遺缺值(Missing Values)的處 理？
(A) 逐案刪除法(Casewise)
(B) 成對刪除法(Pairwise)
(C) 單一補值法(Single Imputation or Simple)
(D) 最大值補值法(Maximum Value Imputation)

(D) 最大值補值法 (Maximum Value Imputation)

解釋：

處理遺缺值 (Missing Values) 的方法有許多種，適當的方法取決於數據的性質、缺失的原因及分析目標。

1. 逐案刪除法 (Casewise Deletion)

   • 直接刪除所有包含遺缺值的觀測值 (整筆數據)。
   • 適用於遺缺值比例很低的情況，否則可能會導致樣本數過少，影響統計結果。

2. 成對刪除法 (Pairwise Deletion)

   • 只在某變數缺值時，不納入該變數進行計算，而保留其他有效數據。
   • 在某些統計分析 (如相關分析) 中可能較為適用，但仍可能導致資料不一致。

3. 單一補值法 (Single Imputation or Simple Imputation)

   • 用某種統計方法填補遺缺值，例如平均值、中位數、回歸預測等。
   • 雖然補值可能降低資料流失問題，但可能會低估變異性，影響分析結果。

4. 最大值補值法 (Maximum Value Imputation) (❌不適合)

   • 以該變數的最大值填補遺缺值，這可能會嚴重偏離數據分布，產生極端偏誤 (bias)。
   • 在實務上極少使用，因為會影響統計分析的有效性，尤其對於有離群值的數據特別不適用。

總結：

最大值補值法 (D) 會導致不合理的數據偏誤，因此較不適合作為遺缺值處理方法。