Resumen

La imputación de datos faltantes es frecuentemente un paso crucial en el análisis de datos de encuestas. Este estudio revisa problemas típicos con datos faltantes y discute un método para la imputación de datos faltantes en encuestas con un gran número de variables categóricas que no tienen un patrón de datos faltantes monótono. Desarrollamos un método para construir un patrón de datos faltantes monótono que permite la imputación de datos categóricos en conjuntos de datos con un gran número de variables utilizando un enfoque MCMC basado en modelos. Informamos los resultados de la imputación de datos faltantes de un estudio de caso, utilizando datos educativos, sociopsicológicos y socioeconómicos del Estudio Nacional de Latinos y Asiático-Americanos (NLAAS). Reportamos los resultados de datos imputados múltiples en un análisis de regresión logística sustantivo que predice el éxito socioeconómico a partir de varias variables educativas, sociopsicológicas y familiares. Comparamos los resultados de realizar infer

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Imputación; Datos faltantes; Datos de encuesta; Variables categóricas; Patrón de datos faltantes monótono; Enfoque MCMC
• Keywords:Imputation; Missing data; Survey data; Categorical variables; Monotone missing pattern; MCMC approach