Lección Magistral Pedro M. Valero Mora Facultat de Psicologia Universitat de València Datos Faltantes Multivariantes.

Presentación del tema: "Lección Magistral Pedro M. Valero Mora Facultat de Psicologia Universitat de València Datos Faltantes Multivariantes."— Transcripción de la presentación:

1

2 Lección Magistral Pedro M. Valero Mora Facultat de Psicologia Universitat de València Datos Faltantes Multivariantes

3 Ubicación n Esta lección corresponde al Bloque de contenidos sobre Datos Faltantes en su parte Avanzada n Introduce contenidos Teóricos y además Actividades que podrían realizarse en las Prácticas de la Asignatura

4 El problema n Cuando un sujeto no responde a una pregunta nos encontramos ante un caso con un valor faltante n Algunas variables que producirán valores faltantes a menudo son:

5 El problema n Los valores faltantes producen dos tipos de problemas u Problemas de Cálculo u Problemas de Sesgo

6 El problema: Problemas de Cálculo y ?

7

8 Soluciones a los Problemas de Cálculo Borrado Caso por Caso Ventajas Matriz Completa Disponibilidad Aceptación

9 Soluciones a los Problemas de Cálculo Borrado Caso por Caso Desventajas Agresiva Diferentes casos según modelo Sesgo

10 Soluciones a los Problemas de Cálculo Borrado por Pares Ventajas Menos Agresiva Disponibilidad Aprovechable a veces

11 Soluciones a los Problemas de Cálculo Borrado por Pares Desventajas Los paquetes estadísticos no las usan El número de casos es inestable en cada par

12 Soluciones a los Problemas de Cálculo Estimación-Maximización M t 0

13 Soluciones a los Problemas de Cálculo Estimación-Maximización t 1 E

14 Soluciones a los Problemas de Cálculo Estimación-Maximización t 1 E

15 Soluciones a los Problemas de Cálculo Estimación-Maximización t 1 E M

16 Soluciones a los Problemas de Cálculo Estimación-Maximización t 2

17 Soluciones a los Problemas de Cálculo Estimación-Maximización t 2 E

18 Soluciones a los Problemas de Cálculo Estimación-Maximización t 2 E

19 Soluciones a los Problemas de Cálculo Estimación-Maximización t 2 E M

20 Soluciones a los Problemas de Cálculo Estimación-Maximización Criterio de detención t t-1 t t - < 0.0001

21 Soluciones a los Problemas de Cálculo Estimación-Maximización Ventajas Poco Agresiva Matriz Completa Estimaciones de las Puntuaciones Matriz Covarianzas bien definida

22 Soluciones a los Problemas de Cálculo Estimación-Maximización Desventajas “Inventar datos” Las puntuaciones están sobreajustadas No disponibles Supuestos acerca de mecanismos

23 El problema: Sesgo Ser Faltante es independiente de Y y de X= Datos Faltantes Completamente al Azar (FCA) Caso a Caso Estimación- Maximización Educación Salario

24 El problema: Sesgo Estimación-Maximización Educación Salario Ser Faltante depende de X pero no de Y= Datos Faltantes al Azar (FA)

25 El problema: Sesgo Mecanismo No Ignorable Ni FA ni FCA Ningún Método Educación Salario

26 Exploración de datos faltantes ¿Cómo podemos evaluar unos datos que no tenemos? Comparando los diversos resultados

27 Conclusiones La exploración de datos faltantes con ViSta permite: Comprobar el efecto de los valores faltantes sobre nuestros datos Evaluar el sesgo que introducen Esta exploración puede realizarse de modo interactivo por el alumno, explorando las interconexiones entre gráficos