Métodos de imputación por regresión, imputación por moda, imputación múltiple y árboles de decisión para variables categóricas en perspectiva comparada

• Edwin Fernando Mejía-Peñafiel Escuela Superior Politécnica de Chimborazo, Riobamba, Ecuador. https://orcid.org/0000-0001-6888-4621
• Johanna Enith Aguilar-Reyes Escuela Superior Politécnica de Chimborazo, Riobamba, Ecuador. https://orcid.org/0000-0002-1230-2503
• Paulina Fernanda Bolaños-Logroño Escuela Superior Politécnica de Chimborazo, Riobamba, Ecuador. https://orcid.org/0000-0003-3911-0461
• Jorge Rigoberto López-Ortega Escuela Superior Politécnica de Chimborazo, Riobamba, Ecuador. https://orcid.org/0000-0002-4790-6876

DOI: https://doi.org/10.46925//rdluz.43.29

Palabras clave: Estadística, imputación por regresión, imputación por moda, imputaciones múltiples, árboles de decisión

Resumen

La imputación por regresión, la imputación por moda, la imputación múltiple y los árboles de decisión son métodos utilizados para tratar valores faltantes en variables categóricas. En este contexto, el objetivo de la investigación consiste en definir los criterios para comparar estos métodos, estableciendo en el proceso sus semejanzas y diferencias conceptuales. En lo metodológico, se hizo uso del método comparativo y del análisis epistemológico como condición de posibilidad para entender el alcance y significo de cada uno de estos métodos, con arreglo al acopio de fuentes documentales de comprobado valor científico. Aunque parciales y limitados, los resultados obtenidos respaldan la hipótesis de que la estadística es una ciencia en desarrollo que requiere del dialogo inter-metodológico, como condición de posibilidad para obtener resultados más precisos, incluso cuando faltan ciertos datos en una ecuación. En última instancia, este trabajo sienta las bases para futuras investigaciones que podrían profundizar en la perspectiva comparada de ciertos métodos y herramientas de investigación, como los que se enuncian en el título del artículo.

Citas

Alfaro, R., & Fuenzalida, M. (2009). Imputación múltiple en encuestas microeconómicas. Nota Técnica, (46), 273-288. https://www.scielo.cl/pdf/cecon/v46n134/art07.pdf.

Bacallao Guerra, Jorge & Bacallao Gallestey, Jorge (2010). Imputación múltiple en variables categóricas usando data augmentation y árboles de clasificación. Revista Investigacion Operacional, 31 (02), 133-139. En: file:///D:/Descargas/Dialnet-ImputacionMultipleEnVariablesCategoricasUsandoData-3218968.pdf

Bello, A., Cuta, J., & García, E. (2019). Técnicas de imputación para datos de precipitación máxima mensual en la zona central de Boyacá. Revista Ingeniería, Investigación y Desarrollo, 19 (01), 64-79.

Bunge, M. (2005). La ciencia. Su método y su filosofía . Buenos Aires: Debolsillo.

Dancy, J. (1993). Introducción a la epistemología contemporánea . Madrid: Tecnos.

Guijarro, F. (12 de marzo de 2023). Rpub. Obtenido de Árboles de decisión: https://rpubs.com/fraguima/lonja5

Llano, A. (1991). Gnoseología . Barañáin-Pamplona: Ediciones de la univresidad de Navarra. Medina, F., & Galván, M. (2007). Imputacion de datos: Teoria y práctica. Santiago de Chile. CEPAL. Serie 54. En: https://repositorio.cepal.org/server/api/core/bitstreams/02dd479f-fae2-43c4-b5ec-5419fa7f6190/content

Medium (01 de septiembre de 2020). Árboles de decisión (Práctica). Obtenido de Bootcamp AI: https://bootcampai.medium.com/árboles-de-decisión-práctica-62ee5c578b08

Minguillon, J., & Pujol, J. (2015). Arboles de decisión. Terceras Jornadas de Matemática Discreta y Algorítmica. En:https://idus.us.es/bitstream/handle/11441/75448/Árboles%20de%20decisión.pdf?sequence=1&isAllowed=y

Muñoz, J., & Alvarez, E. (2009). Métodos de imputación para el tratamiento de datos faltantes: Aplicación mediante R/S plus. Revista de Métodos Cuantitativos para la Economía y la Empresa, (07), 03-30.

Novoa-Hernández, P., Cobos-Valdes, D., Samaniego-Mena, E., & Novoa-Pérez, M. (2018). Árboles de decisión para la evaluación del riesgo biológico de procesos biofarmacéuticos. Revista Ciencia Unem, 11 (28), 08-17. https://www.redalyc.org/journal/5826/582661251001/582661251001.pdf.

Piovani, J., & Krawczyk, N. (2017). Los Estudios Comparativos: algunas notas históricas, epistemológicas y metodológicas. Educação & Realidade, Porto Alegre, 42 (03), 821-840. http://dx.doi.org/10.1590/2175-623667609.

Porras, A. (2019). Diplomado en analisis de informacion geoespacial. Conceptos basicos de estadistica. México DF. https://centrogeo.repositorioinstitucional.mx/jspui/bitstream/1012/157/1/13-Conceptos%20Básicos%20de%20Estadística%20%20Diplomado%20en%20Análisis%20de%20Información%20Geoespacial.pdf: Centro publico de investigacion CONACYT.

Radío, G. R. (2017). Los valores perdidos en el muestreo de poblaciones. Vigo. http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_1468.pdf: Univresidad de la Corunay Univresidad de Vigo.

Rivas, C., Martínez, M. d., & Galindo, P. (2010). La imputación múltiple como alternativa al análisis de la no respuesta en la variable intención de voto. Revista Española de Ciencia Política. Núm. 22, Marzo 2010, pp. 99-118. En: https://www.researchgate.net/publication/235979983_La_imputacion_multiple_como_alternativa_al_analisis_de_la_no_respuesta_en_la_variable_intencion_de_voto

Useche, L. M., & Mesa, D. M. (2006). Una introducción a la Imputación de Valores Perdidos. Terra Nueva Etapa, XXII (31), 127-151. https://www.redalyc.org/pdf/721/72103106.pdf.