Resumen

La imputación múltiple por ecuaciones encadenadas (MICE) es el método más común para imputar datos faltantes. En el algoritmo MICE, la imputación se puede realizar utilizando una variedad de métodos paramétricos y no paramétricos. La configuración predeterminada en la implementación de MICE es que los modelos de imputación incluyan variables solo como términos lineales sin interacciones, pero la omisión de términos de interacción puede llevar a resultados sesgados. Se investiga, utilizando conjuntos de datos simulados y reales, si la partición recursiva crea la variabilidad adecuada entre las imputaciones y estimaciones de parámetros no sesgadas con intervalos de confianza apropiados. Comparamos cuatro métodos de imputación múltiple (MI) en un conjunto de datos real y uno simulado. Los métodos de MI incluyeron el uso de coincidencia de medias predictivas con un término de interacción en el modelo de imputación en MICE (MICE-interacción), árbol de clasificación y regresión (C

• Materias:Análisis de tendencias Modelos de pronóstico Metodología de verosimilitud Estudios longitudinales Ecuaciones encadenadas
• Subjects:Trend analysis Forecasting models Likelihood methodology Longitudinal studies Chained equations
• Palabras claves:Imputación; Ratones; Interacción; Paramétrico; No paramétrico; Datos faltantes
• Keywords:Imputation; Mice; Interaction; Parametric; Nonparametric; Missing data