Resumen

La imputación de datos faltantes en conjuntos de datos con alta estacionalidad juega un papel importante en el análisis de datos y predicción. No tener en cuenta de manera adecuada los datos faltantes puede llevar a hallazgos erróneos, conclusiones falsas e predicciones inexactas. La esencia de un buen método de imputación es su capacidad de recuperación de datos faltantes, es decir, la capacidad de lidiar con grandes períodos de datos faltantes en el conjunto de datos y la capacidad de extraer las características correctas (por ejemplo, el patrón de estacionalidad) enterradas en el conjunto de datos a analizar. La imputación univariable generalmente no es capaz de proporcionar una imputación razonable para una variable cuando los períodos de valores faltantes son grandes. Por otro lado, el enfoque de imputación multivariable por defecto no puede proporcionar una imputación precisa para una variable cuando los valores faltantes de otras variables correlacionadas utilizadas para la imputación ocurren exactamente en los mismos intervalos de tiempo. Para hacer frente

• Materias:Dispositivos móviles Programación centralizada Redes heterogéneas Cooperación de retransmisión Antenas inteligentes
• Subjects:Mobile devices Centralized scheduling Heterogeneous networks Relay cooperation Smart antennas
• Palabras claves:Análisis de datos; Método de imputación; Datos faltantes; Patrón de estacionalidad; Imputación multivariante; Precisión de predicción
• Keywords:Data analysis; Imputation method; Missing data; Seasonality pattern; Multivariate imputation; Prediction accuracy