Como Implementar Algunos Modelos de Imputación Múltiple Para Datos de Panel

EasyChair Preprint 9007

Abstract

Los datos faltantes son todo un reto en los análisis estadísticos porque los resultados que arrojan tienen limitaciones. La imputación, entendida como el proceso de reemplazar los datos faltantes con un valor estimado, es un problema regular en los proyectos de investigación. Existen muchos modelos y paqueterías destinada para este proceso, sin embargo, la selección del modelo de imputación adecuado al tipo de datos disponibles es trascendental para la fiabilidad del resultado. En este estudio se trabaja con una tabla de datos cruzada que involucran series de tiempo (datos panel) para 33 países y 17 variables (Índice de Gini anual para período 2000-2016), con un 24% de datos faltantes. Con el objetivo de imputar estos datos, se utilizó un modelo de imputación múltiple propuesto por Honaker y King (2010) y se agregaron algunas restricciones al sistema. Los principales resultados obtenidos, conducen a la siguiente interrogante Se puede confiar en la imputación? Todos los archivos necesarios para reproducir los resultados presentados están disponibles en: \url{https://gitlab.com/iesta.fcea.udelar/como-implementar-algunos-modelos-de-imputacion-mulltiple-para-datos-de-panel} .

Keyphrases: Datos faltantes, Datos panel, Imputación

@booklet{EasyChair:9007,
  author    = {Ramón Álvarez-Vaz and Diana Del-Callejo-Canal and Margarita Edith Canal-Martínez and Elena Vernazza and Alar Urruticoechea},
  title     = {How to Implement Some Multiple Imputation Models for Panel Data},
  howpublished = {EasyChair Preprint 9007},
  year      = {EasyChair, 2022}}