Regression-based imputation of explanatory discrete missing data

La imputació de valors que falten és una estratègia per a gestionar les no respostes en enquestes o la pèrdua de dades en processos de mesurament, que pot ser més eficaç que ignorar les pèrdues i ometre-les. Les característiques de les variables amb valors que falten s'han de tenir en compte quan es tria el mètode d'imputació que cal utilitzar; sobretot si la variable és un recompte, ja que hi ha poca literatura sobre aquest tema. Si la variable té molts zeros, cal considerar models que incloguin paràmetres per a gestionar els valors nuls. De la mateixa manera, si s'observen problemes de sobredispersió o infra-dispersió, es recomana fer servir generalitzacions del Poisson, com ara les distribucions d'Hermite o Conway-Maxwell, per a dur a terme la imputació. L'objectiu d'aquest estudi era avaluar el rendiment dels diferents models de regressió en la imputació d'una variable discreta basada en generalitzacions del Poisson, comparant-los amb els models de recompte clàssics mitjançant un estudi exhaustiu que tingués en compte una sèrie d'escenaris i un exemple de dades reals. Per a això es van comparar els resultats de les estimacions usant només dades completes i també imputacions basades en els models més comuns de recompte. En general, la distribució COMPoisson ofereix millors resultats en qualsevol escenari de dispersió, sobretot quan hi ha moltes dades que falten.