Cómo manejar datos faltantes

Overview

Google, IBM & Meta Certificates — All 10,000+ Courses at 40% Off

One annual plan covers every course and certificate on Coursera. 40% off for a limited time.

En este curso, se tratarán los pasos que se deben seguir para ponderar encuestas de muestra. Se incluirán los métodos para ajustar las no respuestas y para usar datos externos a la encuesta para calibrarla. Entre las técnicas que se abordarán, se encuentran los ajustes que se utilizan para las propensiones de respuesta estimada, la postestratificación, el rastrillado y la estimación de regresión general. Asimismo, se discutirán las técnicas alternativas para imputar los valores de los elementos faltantes. Se tratarán las funciones que ofrecen los diferentes paquetes de software estadístico R®, Stata® y SAS® para la ponderación y la imputación.

Syllabus

Pasos generales en la ponderación

Se requieren las ponderaciones para expandir una muestra y transformarla en una población. Para lograrlo, es posible que las ponderaciones corrijan los errores de cobertura en el marco del muestreo, ajusten la no respuesta y reduzcan las varianzas de los estimadores al incorporar covariables. Se indican en el módulo 1 la serie de pasos que se deben realizar.

Pasos específicos

Los pasos específicos para realizar ponderaciones incluyen computar ponderaciones base, efectuar ajustes si hay casos de cuya elegibilidad no estamos seguros, ajustar para no respuestas y usar covariables para calibrar la muestra para los controles de población externos. Brindamos información detallada específica sobre los pasos generales.

Implementar los pasos

El software es crucial a la hora de implementar los pasos, pero el sistema R es una fuente excelente de rutinas gratuitas. En este módulo, se hablará de diversos paquetes en R que incluyen sampling, survey y PracTools, que permiten seleccionar muestras y computar ponderaciones.

Imputación para elementos faltantes

En la mayoría de las encuestas, se encontrarán elementos para los que los respondedores no brindarán información, aunque sí proporcionó datos suficientes en el instrumento de recopilación de datos para considerarlo “completo”. Si solo se retuvieran los casos con todos los elementos completados cuando se ajusta un modelo, se excluirían varios casos del análisis. Imputar los elementos faltantes evita desestimar los casos faltantes. En este módulo, tratamos métodos para hacer la imputación y para reflexionar sobre los efectos de las imputaciones en los errores estándar.