Imputaciones múltiples, herramienta para la estimación de datos faltantes en la modelación de regresión
Multiple Imputations, tool for the estimation of missing data in regression modeling
La Revista permite al autor(es) mantener los derechos de explotación (copyright) de sus artículos sin restricciones. El(os) autor(es) acepta(n) la distribución de sus artículos en la web, bajo acceso abierto a nivel local, regional e internacional; la inclusión y difusión del texto completo, a través del Portal de Revistas y Repositorio Institucional de la Universidad de Córdoba; y en todas las bases de datos especializadas que la Revista considere pertinentes para su indexación, con el fin de proporcionarle visibilidad y posicionamiento al artículo. Esta revista provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la investigación al público, lo cual fomenta un mayor intercambio de conocimiento global.
Se autoriza la fotocopia de artículos para fines de uso académico o interno de las instituciones, citando la fuente, para impresos dirija la solicitud a la Revista Temas Agrarios. Facultad de Ciencias Agrícolas. Universidad de Córdoba. Montería. Colombia,. Apartado aéreo No.354, correo electrónico: revistatemasagrarios@correo.unicordoba.edu.co
Esta obra está bajo una licencia de Creative Commons Reconocimiento NoComercial 4.0 Internacional.
Mostrar biografía de los autores
En los últimos años se ha apreciado un incremento en la investigación sobre problemas de datos faltantes, siendo la imputación múltiple una fundamental alternativa; donde los conjuntos de datos a menudo presentan complejidades que son actualmente difíciles de manejar de manera apropiada en el marco de probabilidad, pero relativamente simples de tratar con imputación; por esto, el presente artículo describe una serie de aspectos prácticos para aplicar dicha metodología en el caso de la modelación de captura de carbono para Colombia, con base en las bases de datos del Banco Mundial incluyendo datos faltantes alcanzando R2 de 79,30%, resaltándose que al momento de estimar dichos datos y recalcular el modelo respectivo se evidencia un mayor R2, siendo del 94,79%, lo cual evidencia una mejora sustancial del respectivo modelo de regresión lineal múltiple como tal.
Visitas del artículo 860 | Visitas PDF
Descargas
- Allison, P. 2002.Missing data. Newbury Park, CA: Sage. Asparouhov, T., & Muthen, B. (2010). Multiple imputation with Mplus. Retrieved from: http://www.statmodel.com/download/Imputations7.pdf
- Carpenter, J. and Kenward, M. 2013. Multiple imputation and its application. West Sussex, UK: Wiley.
- Collins, L., Schafer, J. and Kam, C. 2001. A comparison of inclusive and restrictive strategies in modern missing data procedures. Psychological Methods, 6,330e351.
- Enders, C. 2010. Applied missing data analysis. New York: Guilford Press.
- Gelman, A., Carlin, J., Stern, H., Dunson, D., Vehtari, A. and Rubin, D. 2014. Bayesian data analysis (3rd ed.). Boca Raton, FL: CRC Press.
- Graham, J. 2012. Missing data: Analysis and design. New York:Springer.
- Jelicic, H., Phelps, E. and Lerner, R. 2009.Use of missing data methods in longitudinal studies: The persistence of bad practices in developmental psychology.
- Jimenez, J. and Mejía L. 2014.Multivariate Stochastic Analysis CO2 emission factor for carbon sequestration and sustainable development for Colombia. Ugciencia 20, 64-71.
- Little, R. and Rubin, D. 2002.Statistical analysis with missing data. Hoboken, NJ: Wiley.
- Meng, X.1994. Multiple-imputation inferences with uncongenial sources of input. Statistical Science, 9, 538e558.
- Peugh, J. and Enders, C. 2004. Missing data in educational research: A review of reporting practices and suggestions for improvement. Review of Educational Research, 74, 525e556.
- Raghunathan, T., Lepkowski, J., Van Hoewyk, J. and Solenberger, P. 2001. A multivariate technique for multiply imputing missing values using a sequence of regression models. Survey Methodology, 27, 85e95.
- Raykov, T. 2011. On Testability of missing data mechanisms in incomplete datasets. Structural Equation Modeling: A Multidisciplinary Journal, 18(3), 419e429.http://dx.doi.org/10.1080/10705511.2011.582396.
- Rubin, D. 1976. Inference and missing data. Biometrika, 63, 581e592.
- Rubin, D. 1987. Multiple imputation for nonresponse in surveys. Hoboken, New Jersey: Wiley.
- Rubin, D. 1996.Multiple imputation after 18þ years. Journal of the American Statistical Association, 91, 473e489.
- Schafer, J. 1997.Analysis of incomplete multivariate data. New York: Chapman &Hall.
- Schafer, J. 2003.Multiple imputation in multivariate problems when the imputation and analysis models differ. Statistica Neerlandica, 57, 19e35.
- Schafer, J. and Graham, J. 2002. Missing data: Our view of the state of the art. Psychological Methods, 7, 147e177.
- Van Buuren, S. 2012. Flexible imputation of missing data. New York: Chapman &Hall.
- Van Buuren, S., Brand, J. Groothuis-Oudshoorn, C. and Rubin, D. 2006. Fully conditional specification in multivariate imputation. Journal of Statistical Computation and Simulation, 76, 1049e1064.
- Widaman, K. 2006. Missing data: What to do with or without them. Monographs of the Society for Research in Child Development, 71, 42e64.
- Wood, A., White, I. and Thompson, S. 2004. Are missing outcome data adequately handled? A review of published randomized controlled trials in major medical journals.Clinical Trials, 1, 368e376.
Palabras clave
Código QR
