Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IBM
Nota
Antes de utilizar esta informacin y el producto al que da soporte, lea la informacin del apartado Avisos en la pgina
23.
Informacin de producto
Esta edicin se aplica a la versin 24, release 0, modificacin 0 de IBM SPSS Statistics y a todos los releases y
modificaciones posteriores hasta que se indique lo contrario en ediciones nuevas.
Contenido
Captulo 1. Introduccin a valores Imputar valores perdidos . . . . . . . . . . 13
perdidos . . . . . . . . . . . . . . 1 Mtodo . . . . . . . . . . . . . . . 14
Restricciones . . . . . . . . . . . . . 15
Resultados. . . . . . . . . . . . . . 16
Captulo 2. Anlisis de valores perdidos 3 Caractersticas adicionales del comando MULTIPLE
Visualizacin de los patrones de los valores perdidos 4 IMPUTATION . . . . . . . . . . . . . 17
Visualizacin de los estadsticos descriptivos de los Trabajo con datos de imputacin mltiple . . . . 17
valores perdidos . . . . . . . . . . . . . 5 Anlisis de datos de imputacin mltiple . . . . 18
Estimacin de los estadsticos e imputacin de los Opciones de imputacin mltiple . . . . . . . 21
valores perdidos . . . . . . . . . . . . . 6
Opciones de estimacin EM . . . . . . . . 7
Opciones de estimacin de regresin . . . . . 8
Avisos . . . . . . . . . . . . . . . 23
Variables pronosticadas y predictoras . . . . . 8 Marcas comerciales . . . . . . . . . . . . 25
Caractersticas adicionales del comando MVA . . . 9
ndice . . . . . . . . . . . . . . . 27
Captulo 3. Imputacin mltiple . . . . 11
Analizar patrones . . . . . . . . . . . . 12
iii
iv IBM SPSS Missing Values 24
Captulo 1. Introduccin a valores perdidos
Los casos con valores perdidos representan un reto importante, ya que los procedimientos de modelado
tradicionales simplemente descartan estos casos para el anlisis. Cuando hay pocos valores perdidos
(aproximadamente, menos del 5 % del nmero total de casos) y dichos valores pueden considerarse
perdidos de forma aleatoria (es decir, que la prdida de un valor no depende de otros valores), entonces
el mtodo tradicional de eliminacin segn la lista es relativamente "seguro". La opcin Valores perdidos
puede ayudarle a determinar si la eliminacin segn la lista es suficiente; asimismo, proporciona mtodos
para gestionar los valores perdidos cuando no lo sea.
La opcin Valores perdidos proporciona dos conjuntos de procedimientos para gestionar los valores
perdidos:
v Los procedimientos de Imputacin mltiple proporcionan un anlisis de los patrones de datos
perdidos, dirigidos a una imputacin mltiple de valores perdidos. Esto es, se producen versiones
mltiples del conjunto de datos, cada una con su propio conjunto de valores imputados. Cuando se
realizan anlisis estadsticos, se combinan las estimaciones de los parmetros de todos los conjuntos de
datos imputados, con lo que se ofrecen estimaciones generalmente ms precisas de lo que seran con
slo una imputacin.
v Anlisis de valores perdidos proporciona un conjunto ligeramente diferente de herramientas
descriptivas para analizar los datos perdidos (en especial, la prueba MCAR de Little) e incluye una
variedad de mtodos de imputacin individual. Tenga en cuenta que por lo general la imputacin
mltiple suele considerarse superior a la imputacin individual.
Puede empezar con el anlisis de valores perdidos siguiendo estos pasos bsicos:
1. Examinar la ausencia. Utilice Anlisis de valores perdidos y Analizar patrones para explorar patrones
de valores perdidos en sus datos y determinar si es necesario recurrir a la imputacin mltiple.
2. Imputar valores perdidos. Utilice Imputar valores perdidos para imputar de forma mltiple los
valores perdidos.
3. Analizar datos "completos". Utilice cualquier procedimiento que admita datos de imputacin
mltiple. Consulte Anlisis de datos de imputacin mltiple en la pgina 18 para obtener ms
informacin sobre el anlisis de conjuntos de datos de imputacin mltiple y una lista de
procedimientos que admiten dichos datos.
El anlisis de valores perdidos ayuda a resolver varios problemas ocasionados por los datos incompletos.
Si los casos con valores perdidos son sistemticamente diferentes de los casos sin valores perdidos, los
resultados pueden ser equvocos. Adems, los datos perdidos pueden reducir la precisin de los
estadsticos calculados, porque no se dispone de tanta informacin como originalmente se pensaba. Otro
problema radica en que los supuestos subyacentes a muchos procedimientos estadsticos se basan en
casos completos y los valores perdidos pueden complicar la teora exigida.
Datos. Los datos pueden ser categricos o cuantitativos (de escala o continuos). Sin embargo, puede
estimar los estadsticos e imputar los datos perdidos nicamente en el caso de variables cuantitativas.
Para cada variable, los valores perdidos que no estn codificados como valores perdidos del sistema
deben definirse como valores perdidos del usuario. Por ejemplo, si un elemento del cuestionario tiene la
respuesta No sabe codificada como 5 y desea tratarlo como valor perdido, el elemento debera tener el 5
codificado como valor perdido del usuario.
Ponderaciones de frecuencia. Este procedimiento respeta las ponderaciones de frecuencia (rplica). Los
casos con un valor negativo o cero de valor de ponderacin de rplica se ignoran. Las ponderaciones no
enteras se truncan.
Supuestos. La estimacin por lista, por parejas y mediante regresin depende del supuesto de que el
patrn de valores perdidos no depende de los valores de los datos (esta condicin se conoce como
perdidos completamente al azar o MCAR). (Esta condicin se conoce como perdida completamente al
azar o MCAR). Por tanto, todos los mtodos (incluido el mtodo EM) de estimacin ofrecen estimaciones
coherentes y no sesgadas de las correlaciones y las covarianzas cuando los datos son MCAR. El
3
incumplimiento del supuesto MCAR puede dar lugar a estimaciones sesgadas producidas por los
mtodos de regresin, por lista o por parejas. Si los datos no son MCAR, es necesario utilizar la
estimacin EM.
La estimacin EM depende del supuesto de que el patrn de los datos perdidos est relacionado
nicamente con los datos observados. (Esta condicin se denomina perdidos al azar o MAR). Este
supuesto permite ajustar las estimaciones utilizando la informacin disponible. Por ejemplo, en un
estudio sobre la educacin y los ingresos, los sujetos con un menor nivel educativo pueden tener ms
valores perdidos de ingresos. En este caso, los datos son MAR, no MCAR. Es decir, para MAR, la
probabilidad de que se registren los ingresos depende del nivel educativo del sujeto. La probabilidad
puede variar segn el nivel educativo pero no segn los ingresos dentro de ese nivel educativo. Si la
probabilidad de que se registre el ingreso tambin depende del valor de los ingresos dentro de cada nivel
educativo (por ejemplo, las personas con ingresos elevados no los declara), los datos no sern ni MCAR
ni MAR. Se trata de una situacin poco habitual y, si se produce, no hay ningn mtodo adecuado.
Procedimientos relacionados. Muchos procedimientos permiten utilizar la estimacin por lista o por
parejas. Regresin lineal y Anlisis factorial permiten reemplazar los valores perdidos por los valores de
las medias. El mdulo adicional Previsiones ofrece varios mtodos para reemplazar los valores perdidos
en las series temporales.
Si lo desea, puede:
v Seleccionar variables categricas (numricas o de cadena) y establecer un lmite para el nmero de
categoras (N. mximo de categoras).
v Pulse en Patrones para tabular los patrones de los datos perdidos. Consulte el tema Visualizacin de
los patrones de los valores perdidos para obtener ms informacin.
v Pulse en Descriptivos para mostrar los estadsticos descriptivos de los valores perdidos. Consulte el
tema Visualizacin de los estadsticos descriptivos de los valores perdidos en la pgina 5 para
obtener ms informacin.
v Seleccione un mtodo para estimar los estadsticos (medias, covarianzas y correlaciones) y
posiblemente imputar los valores perdidos. Consulte el tema Estimacin de los estadsticos e
imputacin de los valores perdidos en la pgina 6 para obtener ms informacin.
v Si selecciona EM o Regresin, pulsar en Variables para especificar el subconjunto que se va a utilizar
para la estimacin. Consulte el tema Variables pronosticadas y predictoras en la pgina 8 para
obtener ms informacin.
v Seleccione una variable de etiqueta de caso. Esta variable se utiliza para etiquetar los casos en las
tablas de patrones que muestran los casos individuales.
Representacin
Casos tabulados. Se tabulan los patrones de los valores perdidos en las variables de anlisis y se
muestran las frecuencias de cada patrn. Utilice Ordenar variables segn patrn de valores perdidos
para especificar si los recuentos y las variables se ordenan segn la similaridad de los patrones. Utilice
Omitir patrones con menos del n % de los casos para eliminar los patrones que aparecen con poca
frecuencia.
Casos con valores perdidos. Cada caso con un valor perdido o extremo se tabula para cada variable de
anlisis. Utilice Ordenar variables segn patrn de valores perdidos para especificar si los recuentos y
las variables se ordenan segn la similaridad de los patrones.
Todos los casos. Se tabula cada caso y se indican los valores perdidos y extremos para cada variable. Los
casos se enumeran en el orden en que aparecen en el archivo de datos, a menos que se especifique una
variable en Ordenar por.
En las tablas que muestran los casos individuales, se utilizan los siguientes smbolos:
Variables
Puede mostrar informacin adicional acerca de las variables que se incluyen en el anlisis. Las variables
que se aadan a Informacin adicional acerca de aparecern individualmente en la tabla de patrones
perdidos. Para las variables cuantitativas (de escala), se muestra la media; para las variables categricas,
se muestra el nmero de casos que presentan el patrn en cada categora.
v Ordenar por. Los casos se listan segn el orden ascendente o descendente de los valores de la variable
especificada. Esta opcin est disponible slo si se selecciona Todos los casos.
Los estadsticos univariados pueden ayudarle a identificar el alcance general de los datos perdidos. Para
cada variable, se muestran los siguientes datos:
v Nmero de valores no perdidos
v Nmero y porcentaje de valores perdidos
Para cada variable, se crea una variable de indicador. Esta variable categrica indica si la variable est
presente o perdida en un determinado caso. Las variables de indicador se utilizan para crear la
discordancia, la prueba t y las tablas de frecuencia.
Porcentaje de discordancia. Para cada par de variables muestra el porcentaje de casos en los que una
variable tiene un valor perdido y la otra variable tiene un valor no perdido. Cada elemento diagonal de
la tabla contiene el porcentaje de valores perdidos para una sola variable.
Pruebas t con los grupos formados por las variables de indicador. Se comparan las medias de los dos
grupos para cada variable cuantitativa, utilizando el estadstico t de Student. Los grupos especifican si
una variable est presente o perdida. Se muestra el estadstico t, los grados de libertad, los recuentos de
valores perdidos y no perdidos y las medias de los dos grupos. Tambin se pueden mostrar todas las
probabilidades bilaterales asociadas con el estadstico t. Si el anlisis genera ms de una prueba, no utilice
estas probabilidades para contrastar la significacin. Estas probabilidades slo son adecuadas cuando se
calcula una nica prueba.
Tabulaciones cruzadas de variables categricas y de indicador. Para cada variable categrica se muestra
una tabla. Para cada categora, la tabla muestra la frecuencia y el porcentaje de los valores no perdidos
para las dems variables. Tambin se muestran los porcentajes de cada tipo de valor perdido.
Omitir variables con menos valores perdidos que el n % de los casos. Para reducir el tamao de la
tabla puede omitir los estadsticos que se calculen slo para un pequeo nmero de casos.
Este mtodo nicamente utiliza los casos completos. Si alguna de las variables de anlisis tiene valores
perdidos, se omite dicho caso de los clculos.
Este mtodo examina las parejas de variables del anlisis y utiliza un caso nicamente si tiene valores no
perdidos para ambas variables. Las frecuencias, medias y desviaciones estndar se calculan por separado
Mtodo EM
Este mtodo supone que los datos parcialmente perdidos siguen una distribucin determinada y basa las
inferencias en la probabilidad segn dicha distribucin. Cada iteracin se compone de un paso E y un
paso M. El paso E determina la esperanza condicional de los datos "perdidos", teniendo en cuenta los
valores observados y las estimaciones actuales de los parmetros. A continuacin, se sustituyen estas
esperanzas por los datos "perdidos". En el paso M, se calculan las estimaciones de mxima verosimilitud
de los parmetros como si se hubieran rellenado los datos perdidos. Se especifica "perdidos" entre
comillas ya que los valores perdidos no se rellenan directamente, sino que en su lugar se utilizan
funciones de ellos en el log verosimilitud.
El estadstico de chi cuadrado de Roderick J. A. Little para contrastar si los valores estn perdidos
completamente al azar (MCAR) se imprime como nota al pie de las matrices de EM. Para este contraste,
la hiptesis nula es que los datos estn perdidos completamente al azar y el valor p es significativo al
nivel 0,05. Si el valor es inferior a 0,05, los datos no estn perdidos completamente al azar. Los datos
pueden estar perdidos al azar (MAR) o no perdidos al azar (NMAR). No se puede suponer la situacin
en la que se encuentran los datos perdidos, por lo que es necesario analizar los datos para determinar de
qu manera estn perdidos.
Mtodo de regresin
Este mtodo calcula las estimaciones de regresin lineal mltiple y ofrece opciones que permiten
incrementar las estimaciones con componentes aleatorios. Para cada valor predicho, el procedimiento
puede aadir un residuo de un caso completo seleccionado de manera aleatoria, una desviacin normal
aleatoria o una desviacin aleatoria (escalada por la raz cuadrada del residuo cuadrtico promedio) de la
distribucin t.
Opciones de estimacin EM
Utilizando un proceso iterativo, el mtodo EM estima las medias, la matriz de covarianzas y la
correlacin de las variables cuantitativas (de escala) con los valores perdidos.
Nmero mximo de iteraciones. Establece el nmero mximo de iteraciones para estimar la covarianza
autntica. El procedimiento se detiene cuando se alcanza el nmero de iteraciones, incluso si no han
convergido las estimaciones.
Guardar datos completados. Puede guardar un conjunto de datos con los valores imputados en el lugar
de los valores perdidos. No obstante, tenga en cuenta que los estadsticos basados en la covarianza que
utilicen los valores imputados estimarn valores de los parmetros menores que los reales. El grado en
que esta estimacin es inferior a la real es proporcional al nmero de casos que no se observaron
conjuntamente.
Nmero mximo de predictores. Establece un lmite mximo para el nmero de variables predictoras
(independientes) utilizadas en el proceso de estimacin.
Guardar datos completados. Escribe un conjunto de datos en la sesin actual o en un archivo de datos
externo con formato IBM SPSS Statistics, reemplazando los valores perdidos por los valores estimados
mediante el mtodo de regresin.
Un icono situado junto a cada variable de la lista de variables identifica el nivel de medicin y el tipo de
datos.
Tabla 1. Iconos de nivel de medicin
Numrico Cadena Fecha Hora
Escala (Continuo) n/a
Ordinal
Nominal
Ponderaciones de frecuencia. Este procedimiento respeta las ponderaciones de frecuencia (rplica). Los
casos con un valor negativo o cero de valor de ponderacin de rplica se ignoran. Las ponderaciones no
enteras se redondean al nmero entero ms cercano.
Valores perdidos. Los valores perdidos tanto del usuario como del sistema se consideran valores no
vlidos; es decir, ambos tipos de valores perdidos se sustituyen cuando se imputan los valores y los dos
se consideran valores no vlidos de variables utilizadas como predictores de modelos de imputacin. Los
valores perdidos del usuario y del sistema tambin se consideran perdidos en los anlisis de valores
perdidos.
Replicacin de los resultados (Imputar valores perdidos). Si desea replicar exactamente los resultados de
imputacin, utilice el mismo valor de inicializacin para el generador de nmeros aleatorios, el mismo
orden de datos y el mismo orden de variables, adems de utilizar la misma configuracin del
procedimiento.
v Generacin de nmeros aleatorios. El procedimiento utiliza la generacin de nmeros aleatorios
durante el clculo de valores imputados. Para reproducir los mismos resultados aleatorios en el futuro,
utilice el mismo valor de inicializacin para el generador de nmeros aleatorios antes de cada ejecucin
del procedimiento Imputar valores perdidos.
v Orden de casos. Los valores se imputan en el orden de casos.
v Orden de las variables. El mtodo de imputacin de especificacin totalmente condicional imputa los
valores en el orden especificado en la lista Variables de anlisis.
Analizar patrones
Analizar patrones proporciona medidas descriptivas de los patrones de valores perdidos en los datos y
puede resultar til como paso exploratorio antes de la imputacin.
Ejemplo. Un proveedor de telecomunicaciones desea comprender mejor los patrones de uso de servicio
en su base de datos de clientes. Tienen datos completos de los servicios utilizados por sus clientes, pero
la informacin demogrfica recopilada por la empresa tiene diferentes valores perdidos. El anlisis de
patrones de valores perdidos puede ayudar a determinar los siguientes pasos que se imputarn.
Configuracin opcional
Ejemplo. Un proveedor de telecomunicaciones desea comprender mejor los patrones de uso de servicio
en su base de datos de clientes. Tienen datos completos de los servicios utilizados por sus clientes, pero
la informacin demogrfica recopilada por la empresa tiene diferentes valores perdidos. Adems, estos
valores no estn perdidos de forma aleatoria, por lo que se utilizar la imputacin mltiple para
completar el conjunto de datos.
Configuracin opcional
La alerta de nivel de medicin se muestra si el nivel de medicin de una o ms variables (campos) del
conjunto de datos es desconocido. Como el nivel de medicin afecta al clculo de los resultados de este
procedimiento, todas las variables deben tener un nivel de medicin definido.
Explorar datos. Lee los datos del conjunto de datos activo y asigna el nivel de medicin predefinido en
cualquier campo con un nivel de medicin desconocido. Si el conjunto de datos es grande, puede llevar
algn tiempo.
Asignar manualmente. Abre un cuadro de dilogo que contiene todos los campos con un nivel de
medicin desconocido. Puede utilizar este cuadro de dilogo para asignar el nivel de medicin a esos
campos. Tambin puede asignar un nivel de medicin en la Vista de variables del Editor de datos.
Como el nivel de medicin es importante para este procedimiento, no puede acceder al cuadro de dilogo
para ejecutar este procedimiento hasta que se hayan definido todos los campos en el nivel de medicin.
Mtodo
La pestaa Mtodo especifica la forma en la que se imputarn los valores perdidos, incluidos los tipos de
modelos utilizados. Los predictores categricos estn codificados con indicadores (dummy).
Mtodo de imputacin. El mtodo Automtico explora los datos y utiliza el mtodo monotnico si los
datos muestran un patrn monotnico de valores perdidos; de lo contrario, se utiliza la especificacin
totalmente condicional. Si est seguro de qu mtodo desea utilizar, puede especificarlo como un mtodo
Personalizado.
v Especificacin totalmente condicional. ste es un mtodo de Monte Carlo y cadenas de Markov
(MCMC) iterativo que puede utilizarse cuando el patrn de datos perdidos es arbitrario (monotnico o
no monotnico).
El mtodo de especificacin totalmente condicional (FCS) ajusta un modelo univariante (variable
dependiente simple) para cada iteracin y variable en el orden especificado en la lista de variables
utilizando como predictores todas las dems variables disponibles en el modelo para luego imputar los
valores perdidos de las variables que se estn ajustando. El mtodo continua hasta que se alcanza el
nmero mximo de iteraciones y los valores imputados en la mxima iteracin se guardan en el
conjunto de datos imputado.
Nmero mximo de iteraciones. Esto especifica el nmero de iteraciones, o "pasos", realizadas por la
cadena de Markov utilizada por el mtodo de especificacin totalmente condicional. Si el mtodo de
especificacin totalmente condicional se seleccion automticamente, utilizar el nmero
predeterminado de 10 iteraciones. Cuando selecciona la especificacin totalmente condicional de
La regresin logstica siempre se utiliza como modelo univariante para variables categricas. Los
predictores categricos estn codificados con indicadores (dummy), independientemente del tipo de
modelo.
Tolerancia para la singularidad. Las matrices singulares (que no se pueden invertir) tienen columnas
linealmente dependientes, lo que causar graves problemas al algoritmo de estimacin. Incluso las
matrices casi singulares pueden generar resultados deficientes, por lo que el procedimiento tratar una
matriz cuyo determinante es menor que la tolerancia como singular. Especifique un valor positivo.
Restricciones
La pestaa Restricciones le permite restringir el papel de una variable durante la imputacin y restringir
el rango de valores imputados de una variable de escala de modo que sean convincentes. Adems, puede
restringir el anlisis a variables con menos de un porcentaje mximo de valores perdidos.
Exploracin de datos para resumen de variables. Al pulsar en Explorar datos la lista muestra variables
de anlisis y el porcentaje observado de ausencia, mnimo y mximo para cada una. Los resmenes
pueden basarse en todos los casos o limitarse a una exploracin de los primeros n casos, como aparece
especificado en el cuadro de texto Casos. Puede actualizar los resmenes de distribucin al pulsar en
Volver a explorar datos.
Exclusin de variables con grandes cantidades de datos perdidos. Normalmente, las variables de
anlisis se imputan y utilizan como predictores independientemente de cuntos valores perdidos tengan,
siempre que tengan los suficientes datos para calcular un modelo de imputacin. Puede decidir excluir
variables con un alto porcentaje de valores perdidos. Por ejemplo, si especifica 50 como Porcentaje
mximo de valores perdidos, las variables de anlisis con ms del 50 % de valores perdidos no se
imputarn, ni se utilizarn como predictores en modelos de imputacin.
Tenga en cuenta que el incremento de estos valores puede incrementar el tiempo de procesamiento. Si el
procedimiento tarda demasiado tiempo o si no puede encontrar extracciones adecuadas, compruebe los
valores mnimos y mximos especificados para asegurarse de que sean correctos.
Resultados
Representacin. Controla la visualizacin de resultados. Siempre se muestra un resumen de imputacin
general, que incluye tablas que relacionan las especificaciones de imputacin, iteraciones (para el mtodo
de especificacin totalmente condicional), variables dependientes imputadas, variables dependientes
excluidas de la imputacin y la secuencia de imputacin. Si se especifica, tambin se muestran las
restricciones para variables de anlisis.
v Modelo de imputacin. Esto muestra el modelo de imputacin para las variables dependientes y los
predictores e incluye el tipo de modelo univariante, efectos de modelo y el nmero de valores
imputados.
v Estadsticos descriptivos. Esto muestra estadsticos descriptivos para variables dependientes para los
que se imputan valores. En el caso de las variables de escala, los estadsticos descriptivos incluyen
Cuando abre un conjunto de datos, la presencia de Imputation_ identifica el conjunto de datos como un
posible conjunto de datos de imputacin mltiple.
El conjunto de datos debe dividirse utilizando la opcin Comparar los grupos, con Imputation_ como
variable de agrupacin para que se considere un conjunto de datos de imputacin mltiple en los
anlisis. Tambin puede definir divisiones en otras variables.
Asimismo, cuando activa las marcas (consulte a continuacin), el archivo se divide en el Nmero de
imputacin [Imputation_)].
Puede distinguir entre los valores imputados y los observados segn el color de fondo de las casillas, la
fuente y la negrita (en el caso de valores imputados). Cuando cree un conjunto de datos nuevo en la
Para activar las marcas, elija en los mens del Editor de datos:
Tambin puede seleccionar la imputacin en la lista desplegable de la barra de edicin en Vista de datos
del Editor de datos.
La posicin relativa de caso se mantiene al seleccionar imputaciones. Por ejemplo, si hay 1.000 casos en el
conjunto de datos original, el caso 1.034, el 34 caso de la primera imputacin, aparece en la parte
superior de la cuadrcula. Si selecciona la imputacin 2 en la lista desplegable, el caso 2034, el 34 caso de
la segunda imputacin, aparecer en la parte superior de la cuadrcula. Si selecciona Datos originales en
la lista desplegable, el caso 34 aparecer en la parte superior de la cuadrcula. La posicin de columna
tambin se mantiene al desplazarse entre imputaciones, de modo que es fcil comparar valores entre
imputaciones.
A veces deber realizar transformaciones en datos imputados. Por ejemplo, puede que desee tomar el
registro de todos los valores de una variable de salario y guardar el resultado en una nueva variable. Un
valor calculado mediante datos imputados se considerar imputado si difiere del valor calculado
utilizando los datos originales.
Si edita un valor imputado en una casilla del Editor de datos, dicha casilla se seguir considerando
imputada. No se recomienda editar valores imputados de esta forma.
Tanto los resultados tabulares como el modelo PMML pueden combinarse. No hay ningn procedimiento
nuevo para solicitar resultados combinados; en su lugar, una nueva pestaa del cuadro de dilogo
Opciones le permite tener un control global sobre los resultados de imputacin mltiple.
v Combinacin de resultados tabulares. De manera predeterminada, cuando ejecuta un procedimiento
compatible en un conjunto de datos de imputacin mltiple, se producen resultados automticamente
para cada imputacin, los datos originales (no imputados) y los resultados combinados (finales) que
tienen en cuenta la variacin entre las imputaciones. Los estadsticos combinados varan segn el
procedimiento.
Niveles de combinacin
Los coeficientes (regresin y correlacin), quieren decir (diferencias) y los recuentos se combinan
tpicamente. Si el error estndar del estadstico est disponible, se utiliza la combinacin univariante; en
caso contrario se utiliza la combinacin nave.
Los siguientes procedimientos admiten conjuntos de datos de imputacin mltiple a los niveles de
combinacin especificados para cada resultado.
Aspecto de datos imputados. De manera predeterminada, las casillas que contienen datos imputados
tendrn un color de fondo diferente que las casillas con datos no imputados. El aspecto distintivo de los
Resultados. Este grupo controla el tipo de resultados del Visor producidos cuando se analiza un conjunto
de datos imputado de forma mltiple. De manera predeterminada, se producirn resultados para el
conjunto de datos originales (de antes de la imputacin) y para cada uno de los conjuntos de datos
imputados. Adems, se generarn resultados combinados finales para los procedimientos que sean
compatibles con la combinacin de datos imputados. Los diagnsticos de combinacin tambin
aparecern cuando se realice una combinacin univariante. Sin embargo, puede suprimir los resultados
que no desee ver.
Es posible que IBM no ofrezca los productos, servicios o caractersticas que se tratan en este documento
en otros pases. El representante local de IBM le puede informar sobre los productos y servicios que estn
actualmente disponibles en su localidad. Cualquier referencia a un producto, programa o servicio de IBM
no pretende afirmar ni implicar que solamente se pueda utilizar ese producto, programa o servicio de
IBM. En su lugar, se puede utilizar cualquier producto, programa o servicio funcionalmente equivalente
que no infrinja los derechos de propiedad intelectual de IBM. Sin embargo, es responsabilidad del usuario
evaluar y comprobar el funcionamiento de todo producto, programa o servicio que no sea de IBM.
IBM puede tener patentes o solicitudes de patente en tramitacin que cubran la materia descrita en este
documento. Este documento no le otorga ninguna licencia para estas patentes. Puede enviar preguntas
acerca de las licencias, por escrito, a:
Para consultas sobre licencias relacionadas con informacin de doble byte (DBCS), pngase en contacto
con el departamento de propiedad intelectual de IBM de su pas o enve sus consultas, por escrito, a:
Esta informacin puede incluir imprecisiones tcnicas o errores tipogrficos. Peridicamente, se efectan
cambios en la informacin aqu y estos cambios se incorporarn en nuevas ediciones de la publicacin.
IBM puede realizar en cualquier momento mejoras o cambios en los productos o programas descritos en
esta publicacin sin previo aviso.
Las referencias hechas en esta publicacin a sitios web que no son de IBM se proporcionan slo para la
comodidad del usuario y no constituyen de modo alguno un aval de esos sitios web. La informacin de
esos sitios web no forma parte de la informacin de este producto de IBM y la utilizacin de esos sitios
web se realiza bajo la responsabilidad del usuario.
IBM puede utilizar o distribuir la informacin que se le proporcione del modo que considere adecuado
sin incurrir por ello en ninguna obligacin con el remitente.
23
Los titulares de licencias de este programa que deseen tener informacin sobre el mismo con el fin de
permitir: (i) el intercambio de informacin entre programas creados independientemente y otros
programas (incluido este) y (ii) el uso mutuo de la informacin que se ha intercambiado, debern ponerse
en contacto con:
Esta informacin estar disponible, bajo las condiciones adecuadas, incluyendo en algunos casos el pago
de una cuota.
El programa bajo licencia que se describe en este documento y todo el material bajo licencia disponible
los proporciona IBM bajo los trminos de las Condiciones Generales de IBM, Acuerdo Internacional de
Programas Bajo Licencia de IBM o cualquier acuerdo equivalente entre las partes.
Los ejemplos de datos de rendimiento y de clientes citados se presentan solamente a efectos ilustrativos.
Los resultados reales de rendimiento pueden variar en funcin de las configuraciones especficas y
condiciones de operacin.
La informacin relacionada con productos no IBM se ha obtenido de los proveedores de esos productos,
de sus anuncios publicados o de otras fuentes disponibles pblicamente. IBM no ha probado esos
productos y no puede confirmar la exactitud del rendimiento, la compatibilidad ni ninguna otra
afirmacin relacionada con productos no IBM. Las preguntas sobre las posibilidades de productos que no
son de IBM deben dirigirse a los proveedores de esos productos.
Las declaraciones sobre el futuro rumbo o intencin de IBM estn sujetas a cambio o retirada sin previo
aviso y representan nicamente metas y objetivos.
Esta informacin contiene ejemplos de datos e informes utilizados en operaciones comerciales diarias.
Para ilustrarlos lo mximo posible, los ejemplos incluyen los nombres de las personas, empresas, marcas
y productos. Todos estos nombres son ficticios y cualquier parecido con personas o empresas comerciales
reales es pura coincidencia.
Esta informacin contiene programas de aplicacin de muestra escritos en lenguaje fuente, los cuales
muestran tcnicas de programacin en diversas plataformas operativas. Puede copiar, modificar y
distribuir estos programas de muestra de cualquier modo sin realizar ningn pago a IBM, con el fin de
desarrollar, utilizar, comercializar o distribuir programas de aplicacin que se ajusten a la interfaz de
programacin de aplicaciones para la plataforma operativa para la que se han escrito los programas de
muestra. Estos ejemplos no se han probado exhaustivamente en todas las condiciones. Por lo tanto, IBM
no puede garantizar ni dar por supuesta la fiabilidad, la capacidad de servicio ni la funcionalidad de
estos programas. Los programas de muestra se proporcionan "TAL CUAL" sin garanta de ningn tipo.
IBM no ser responsable de ningn dao derivado del uso de los programas de muestra.
Cada una de las copias, totales o parciales, de estos programas de ejemplo o cualquier trabajo derivado
de ellos, debe incluir el siguiente aviso de copyright:
(nombre de la compaa) (ao). Algunas partes de este cdigo procede de los programas de ejemplo de
IBM Corp.
Adobe, el logotipo Adobe, PostScript y el logotipo PostScript son marcas registradas o marcas comerciales
de Adobe Systems Incorporated en Estados Unidos y/o otros pases.
Intel, el logotipo de Intel, Intel Inside, el logotipo de Intel Inside, Intel Centrino, el logotipo de Intel
Centrino, Celeron, Intel Xeon, Intel SpeedStep, Itanium y Pentium son marcas comerciales o marcas
registradas de Intel Corporation o sus filiales en Estados Unidos y otros pases.
Linux es una marca registrada de Linus Torvalds en Estados Unidos, otros pases o ambos.
Microsoft, Windows, Windows NT, y el logotipo de Windows son marcas comerciales de Microsoft
Corporation en Estados Unidos, otros pases o ambos.
UNIX es una marca registrada de The Open Group en Estados Unidos y otros pases.
Java y todas las marcas comerciales y los logotipos basados en Java son marcas comerciales o registradas
de Oracle y/o sus afiliados.
Avisos 25
26 IBM SPSS Missing Values 24
ndice
A Imputar valores de datos perdidos
(continuacin)
Anlisis de valores perdidos 3 mtodo de imputacin 14
Caractersticas adicionales del restricciones 15
comando 9 salida 16
EM 7
estadsticos descriptivos 5
estimacin de los estadsticos 6
expectation-maximization M
(maximizacin esperada) 8 media
imputacin de valores perdidos 6 en Anlisis de valores perdidos 5, 7,
mtodos 6 8
patrones 4
prueba MCAR 6
regression 8 O
Analizar patrones 12 ordenacin de casos
en Anlisis de valores perdidos 4
C
correlaciones P
en Anlisis de valores perdidos 7, 8 prueba MCAR
covarianza en Anlisis de valores perdidos 3
en Anlisis de valores perdidos 7, 8 prueba MCAR de Little 6
en Anlisis de valores perdidos 3
Prueba t
D en Anlisis de valores perdidos 5
datos incompletos prueba t de Student
consultar Anlisis de valores en Anlisis de valores perdidos 8
perdidos 3
desviacin estndar
en Anlisis de valores perdidos 5 R
discordancia recuentos de valores extremos
en Anlisis de valores perdidos 5 en Anlisis de valores perdidos 5
regression
en Anlisis de valores perdidos 8
E residuos
eliminacin por lista en Anlisis de valores perdidos 8
en Anlisis de valores perdidos 3
eliminacin por parejas
en Anlisis de valores perdidos 3 T
EM tablas de frecuencias
en Anlisis de valores perdidos 7 en Anlisis de valores perdidos 5
especificacin totalmente condicional tabulacin de casos
en imputacin mltiple 14 en Anlisis de valores perdidos 4
tabulacin de categoras
en Anlisis de valores perdidos 5
H
historial de iteraciones
en imputacin mltiple 16 V
valores perdidos
estadsticos univariados 5
I variables de indicador
imputacin monotnica en Anlisis de valores perdidos 5
en imputacin mltiple 14 variables de indicador de valores
imputacin mltiple 11 perdidos
analizar patrones 12 en Anlisis de valores perdidos 5
imputar valores perdidos 13 variantes normales
Imputacin mltiple 17, 18 en Anlisis de valores perdidos 8
Imputar valores de datos perdidos 13
27
28 IBM SPSS Missing Values 24
IBM
Impreso en Espaa