Análisis de Datos con Valores Perdidos
Análisis de Datos con Valores Perdidos “Missing
Values”
Wilson Guzmán (UDLA)
January 11, 2021
Wilson Guzmán (UDLA) Análisis de Datos con Valores Perdidos “Missing Values”
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Orientación Universidad
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Busca documentos
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Busca tu universidad
Encuentra los documentos específicos para los exámenes de tu universidad
Video Cursos
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Quiz
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pregúntale a la comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Ebooks gratuitos
¡Nuestros e-books salva-estudiantes!
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
Análisis de Datos con Valores Perdidos: Mecanismos y Técnicas de Impuesto, Diapositivas de Microeconomía
Este documento ofrece una introducción a los mecanismos de datos perdidos y presenta diferentes métodos para imputar valores faltantes en un conjunto de datos. El autor Wilson Guzmán explica el concepto de datos faltantes completamente al azar (MCAR), aleatorios (MAR) y no aleatorios (MNAR), y describe las desventajas de la eliminación por lista y la imputación única. Además, el documento detalla el enfoque de imputación múltiple (MI) como una solución efectiva y válida para datos faltantes. El texto incluye ejemplos prácticos y detalles sobre cómo utilizar el paquete 'mi' en R para realizar la imputación y el análisis.
Tipo: Diapositivas
2020/2021
1 / 45
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!
Documentos relacionados
Vista previa parcial del texto
¡Descarga Análisis de Datos con Valores Perdidos: Mecanismos y Técnicas de Impuesto y más Diapositivas en PDF de Microeconomía solo en Docsity!
Análisis de Datos con Valores Perdidos
Análisis de Datos con Valores Perdidos “Missing
Values”
Wilson Guzmán (UDLA)
January 11, 2021
Wilson Guzmán (UDLA) Análisis de Datos con Valores Perdidos “Missing Values”
Análisis de Datos con Valores Perdidos IntroducciónPasos de MI
Mecanismos de datos faltantes
Missing Completely at Ramdon (MCAR): -La falta no está relacionada con ninguna de las variables del modelo. -Los valores perdidos son una muestra aleatoria simple de todos los valores de los datos.
Missing At Random (MAR): -La falta está relacionada con las variables observadas. -Los valores faltantes son una muestra aleatoria simple de todos los valores de datos condicionados a los datos observados
Missing Not At Random (MNAR): -La falta está relacionada con las variables no observadas. -Los valores faltantes no son una muestra aleatoria simple de todos los valores de los datos (ej. ingresos bajos y altos)
Wilson Guzmán (UDLA) Análisis de Datos con Valores Perdidos “Missing Values”
Análisis con valores perdidos
MI se considera a menudo como el enfoque de datos faltantes más flexible. Se puede utilizar con prácticamente cualquier modelo de análisis. El modelo de imputación puede incluir variables auxiliares Personas separadas pueden realizar la imputación y el análisis Se puede utilizar un conjunto de imputaciones para varios modelos de análisis.
Tres pasos de MI
Análisis “complete-case”
Ejemplo
Pasos de MI
(^1) Setup (^2) Imputación (^3) Análisis (^4) Pooling (^5) Post-estimación
-Importación y manejo de la data
Pasos de MI
(^1) Setup (^2) Imputación (^3) Análisis (^4) Pooling (^5) Post-estimación
-Importación y manejo de la data
Estilos mi
Estilos mi
Imputación: Modelos
mi impute imputation_method
Imputación: regress
mi impute regress asume que hay una variable normalmente distribuida (conditionally on complete predictors) con observaciones faltantes.
Utilice un modelo de regresión lineal para completar las observaciones faltantes, agregando variabilidad aleatoria cada vez para crear M imputaciones únicas.
Para demostrarlo, dividiremos el conjunto de datos en dos grupos, X = {Xobs , Xmis } donde Xobs contienen las observaciones completas y Xmis contiene las observaciones con respuestas faltantes
Imputación: regress
Imputación: regress