Imputación múltiple de datos perdidos en la práctica: Teoría básica y estrategias de análisis

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Multiple Imputation of Missing Data in Practice: Basic Theory and Analysis Strategies

Contenido del libro:

Imputación múltiple de datos ausentes en la práctica: Teoría básica y estrategias de análisis ofrece una introducción exhaustiva al enfoque de la imputación múltiple para los problemas de datos perdidos que suelen plantearse en el análisis de datos. En los últimos 40 años aproximadamente, la imputación múltiple ha experimentado un rápido desarrollo tanto en teorías como en aplicaciones. En la actualidad, es la estrategia más versátil, popular y eficaz para los datos que faltan, utilizada por investigadores y profesionales de distintos campos. Existe una gran necesidad de comprender mejor y aprender sobre la imputación múltiple en la comunidad investigadora y práctica.

Accesible a un público amplio, este libro explica los conceptos estadísticos de los problemas de datos omitidos y la terminología asociada. Se centra en cómo abordar los problemas de datos omitidos mediante la imputación múltiple. Describe la teoría básica de la imputación múltiple y muchos modelos y métodos de uso común. Estas ideas se ilustran con ejemplos de una amplia variedad de problemas de datos ausentes. Se utilizan datos reales de estudios con diferentes diseños y características (por ejemplo, datos transversales, datos longitudinales, encuestas complejas, datos de supervivencia, estudios sujetos a errores de medición, etc.) para demostrar los métodos. ) se utilizan para demostrar los métodos. Para que los lectores no sólo sepan cómo utilizar los métodos, sino que comprendan por qué funciona la imputación múltiple y cómo elegir los métodos adecuados, se utilizan estudios de simulación para evaluar el rendimiento de los métodos de imputación múltiple. Los conjuntos de datos de ejemplo y el código de programación de muestra se incluyen en el libro o están disponibles en un sitio github (https: //github.com/he-zhang-hsu/multiple_imputation_book).

Características principales.

⬤ Proporciona una visión general de los conceptos estadísticos que son útiles para comprender mejor los problemas de datos que faltan y el análisis de imputación múltiple.

⬤ Ofrece un análisis detallado de los modelos y métodos de imputación múltiple orientados a distintos tipos de problemas de datos omitidos (por ejemplo, problemas de datos omitidos univariantes y multivariantes, datos omitidos en análisis de supervivencia, datos longitudinales, encuestas complejas, etc.). )

⬤ Explora los problemas de error de medida con imputación múltiple.

⬤ Discute estrategias de análisis para diagnósticos de imputación múltiple.

⬤ Discute los problemas de producción de datos cuando el objetivo de la imputación múltiple es liberar conjuntos de datos para uso público, como hacen las organizaciones que procesan y gestionan encuestas a gran escala con problemas de falta de respuesta.

⬤ Para algunos ejemplos, se incluyen en el libro conjuntos de datos ilustrativos y ejemplos de código de programación de paquetes estadísticos populares (por ejemplo, SAS, R, WinBUGS). Para otros, están disponibles en un sitio github (https: //github.com/he-zhang-hsu/multiple_imputation_book)