Imputation of missing data using gaussian linear Cluster-Weighted Modeling

• Ano de defesa: 2021
• Autor(a) principal: Luis Alejandro Masmela Caita
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE ESTATÍSTICA; Programa de Pós-Graduação em Estatística; UFMG
• Palavras-chave em Português: Cluster-Weighted Modeling; Gaussian mixture models; Imputation method; Missing data; Estatística – Teses.; Correlação (Estatistica) – Teses.; Crítica de imputação de dados (Estatística) – Teses.; Ausência de dados (Estatística) – Teses.; Processos gaussianos – Teses
• Link de acesso: http://hdl.handle.net/1843/38120

Dados ausentes ocorrem quando alguns valores não são armazenados ou observados para variáveis de interesse. No entanto, a maior parte da teoria estatística assume que os dados são totalmente observados. Uma alternativa para lidar com bases de dados incompletas é preencher os espaços correspondentes às informações faltantes com base em alguns critérios, essa técnica é chamada de imputação. Apresentamos uma nova metodologia de imputação para bancos de dados com unidades de não resposta usando informações adicionais de variáveis auxiliares totalmente observadas. Assumimos que as variáveis não observadas são contínuas e que as variáveis auxiliares ajudam a melhorar a capacidade de imputação do modelo. Em uma estrutura totalmente Bayesiana, nosso método usa uma mistura flexível de distribuições normais multivariadas para modelar a resposta e as variáveis auxiliares em conjunto. Sob essa estrutura, usamos as propriedades da modelagem Gaussian Cluster-Weighted para construir um modelo preditivo para imputar os valores ausentes usando as informações das covariáveis. Estudos de simulação e uma ilustração de dados reais são apresentados para mostrar a capacidade de imputação do método sob uma variedade de cenários e em comparação com outros métodos da literatura.