Examinando por Materia "Datos faltantes"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Análisis de correspondencias multiples en presencia de datos faltantes : el principio de datos disponibles del algoritmo NIPALS( ACMpdd)
    (Universidad del Valle, 2018) Ochoa Muñoz, Andrés Felipe; González Rojas, Víctor Manuel
    El Análisis de Correspondencias Múltiples (ACM) en presencia de datos faltantes usualmente se trabaja eliminando los registros en donde exista el dato faltante, algunas veces se elimina toda la fila o toda la columna de la matriz de datos, lo cual no es adecuado ya que al realizarlo se pierde información relevante sobre algún individuo o variable del estudio. En algunos otros casos, se asume que el dato faltante es una categoría de la variable cualitativa, trayendo como consecuencia mayor dispersión de varianza en los nuevos ejes. Una solución para esta situación puede ser la imputación del dato faltante o utilizar un algoritmo que permita trabajar con la presencia de ´este tipo de datos. Este trabajo se centra en realizar el método ACM en presencia de datos faltantes sin acudir a técnicas de imputación, para esto se utiliza el principio de datos disponibles del algoritmo NIPALS (Wold et al., 1966). En el caso de ACM los autores Josse et al. (2012) y Audigier et al. (2015) han trabajado con el enfoque de imputación de datos y no se conocen trabajos o ideas que intenten trabajar ACM bajo el principio de datos disponibles; usando NIPALS. Por esta razón, este trabajo de investigación propone una forma de trabajar los datos faltantes con ACM usando el principio de datos disponibles. De tal manera, que se conforman las matrices simétricas en Rp y en Rn, obteniendo los valores y vectores propios; a su vez garantizando las relaciones de transición y las propiedades de ortogonalidad en los ejes factoriales. En una primera instancia se analizó los resultados del ACM en una base de datos completa, luego se generaron aleatoriamente 1000 matrices con el 5%, 10%, 15% y hasta un 50% de datos faltantes. En cada una de las matrices se evaluó el ACM bajo el principio de datos disponibles (ACMpdd) y un método de ACM con el enfoque imputación. Se compararon los planos factoriales, la inercia total y el poder descriptivo con datos completos y faltantes. Se encontró´ que en ACMpdd a medida que aumenta el porcentaje de datos faltantes el poder descriptivo disminuye. Por otro lado, con el método de imputación, se encontró que a medida que aumenta el porcentaje de datos faltantes el poder descriptivo aumenta, situación que no es coherente, por que se espera que a mayor porcentaje de datos faltantes se explique menos variabilidad en los ejes.
  • Miniatura
    PublicaciónAcceso abierto
    Evaluación del desempeño en métodos clásicos y datos funcionales para la estimación de datos faltantes con mediciones de ozono en la ciudad de Santiago de Cali
    (Universidad del Valle, 2018) Henao Peña, Lina Marcela; Silva Guamanga, Sergio Andrés; Ospina Galindez, Johann Alexis
    En este estudio, se introducen varios métodos de imputación que han sido diseñados con base a las técnicas de análisis de datos funcionales (ADF) y se investiga la capacidad de los métodos para estimar valores faltantes óptimos, es decir, que cuenten con el mínimo error posible. Los métodos de imputación única y los métodos de imputación iterativa se realizan mediante la estimación de curvas a través de métodos de regresión y de suavizado. Por otra parte, se realizan estimaciones por medio de métodos clásicos comunmente utilizados en investigaciones científicas por su fácil aplicabilidad y entendimiento, como lo son los métodos de medias y de regresión. El rendimiento de los métodos basados en datos funcionales y clásico, se comparan mediante un conjunto de datos reales de Ozono troposférico (datos de referencia), obtenidos de la estación Compartir, localizada en la parte oriental de la ciudad de Santiago de Cali. Mil conjuntos de datos faltantes se generan a partir de los datos de referencia con seis patrones diferentes de valores faltantes, los cuales se desarrollan con el objetivo de investigar el rendimiento de los métodos considerados. Los patrones se simulan de acuerdo con tres porcentajes (5, 10 y 15) de valores faltantes con respecto a dos tamaños diferentes (3 y 7) de longitudes de espacio máximos (puntos perdidos consecutivos). La decisión conjunta de los indicadores evaluados muestran que el método de imputación iterativa es más flexible y preciso a los otros métodos evaluados para altos porcentajes de valores aleatorios faltantes y longitudes máximas, logrando optimizar el proceso de imputación.
  • Miniatura
    PublicaciónAcceso abierto
    Manejo de datos faltantes en el análisis de datos longitudinales usando un modelo lineal mixto : comparación por medio de simulación de varias alternativas y aplicación a datos de salud.
    (2019-10-18) Flórez Poveda, Alvaro José; Andrade Bejarano, Mercedes; El Helou, Karen Lizeth; Lemus, Marcela
    La presencia de datos faltantes en un análisis de datos longitudinales bastante común, especialmente en estudios médicos donde se trabaja con sujetos humanos, que afecta la precisión de las estimaciones y además puede provocar sesgos, o que puede llevar a conclusiones erróneamente acerca de un tratamiento o terapia. Estas consecuencias negativas dependen, no solo de como se manejan los datos faltantes o de proporción de los mismos, sino también e las razones por las cuales estos se presentan (llamados, mecanismos de datos faltantes. Por esta razón este trabajo tiene como objetivo la comparación de diferentes técnicas para el manejo de los datos faltantes en el análisis de datos longitudinales. Para evaluar el comportamiento de estas técnicas se realizó un estudio de simulación donde se compararon las estimaciones de los efectos fijos y aleatorios de un modelo lineal de efectos mixtos usando cuatro métodos para el manejo de datos faltantes, bajo diferentes escenarios de datos faltantes (mecanismos), estos escenarios se basaron en el análisis de datos longitudinales obtenidos de recién nacidos con bajo peso entre febrero de 2002 y noviembre de 2010 que pertenecen al programa de alto riesgo y canguro del HUV.