Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples
Encontrarse con valores faltantes en un conjunto de datos, es un problema muy frecuente y el no llevar a cabo un adecuado tratamiento puede causar sesgo en las estimaciones o alterar la varianza y distribución de los datos. Para ello, se propone implementar una técnica de imputación con redes neuron...
- Autores:
-
Báez Vergara, Kelly Juliana
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/42861
- Acceso en línea:
- http://hdl.handle.net/11634/42861
- Palabra clave:
- Missing values
Imputation
Neural networks
Datos
Estadística
Neuro ciencia
Datos faltantes
Imputación
Redes neuronales
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SANTTOMAS2_49a10cc2cf94e43bd7a3c1544876ac86 |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/42861 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples |
| title |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples |
| spellingShingle |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples Missing values Imputation Neural networks Datos Estadística Neuro ciencia Datos faltantes Imputación Redes neuronales |
| title_short |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples |
| title_full |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples |
| title_fullStr |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples |
| title_full_unstemmed |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples |
| title_sort |
Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiples |
| dc.creator.fl_str_mv |
Báez Vergara, Kelly Juliana |
| dc.contributor.advisor.none.fl_str_mv |
Romero, Gil Robert |
| dc.contributor.author.none.fl_str_mv |
Báez Vergara, Kelly Juliana |
| dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/0000-0001-8602-6890 |
| dc.contributor.googlescholar.spa.fl_str_mv |
https://scholar.google.com/citations?user=LUEZqaYAAAAJ&hl=es |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
Missing values Imputation Neural networks |
| topic |
Missing values Imputation Neural networks Datos Estadística Neuro ciencia Datos faltantes Imputación Redes neuronales |
| dc.subject.lemb.spa.fl_str_mv |
Datos Estadística Neuro ciencia |
| dc.subject.proposal.spa.fl_str_mv |
Datos faltantes Imputación Redes neuronales |
| description |
Encontrarse con valores faltantes en un conjunto de datos, es un problema muy frecuente y el no llevar a cabo un adecuado tratamiento puede causar sesgo en las estimaciones o alterar la varianza y distribución de los datos. Para ello, se propone implementar una técnica de imputación con redes neuronales, y medir su eficiencia frente a métodos de imputación simples y múltiples. |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-01T12:25:23Z |
| dc.date.available.none.fl_str_mv |
2022-02-01T12:25:23Z |
| dc.date.issued.none.fl_str_mv |
2022-01-27 |
| dc.type.local.spa.fl_str_mv |
Trabajo de grado |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.category.spa.fl_str_mv |
Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Báez Vergara, K.J. (2022). Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simples y múltiples. [Trabajo de Pregrado, Universidad Santo Tomás] Repositorio Institucional |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/42861 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Báez Vergara, K.J. (2022). Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simples y múltiples. [Trabajo de Pregrado, Universidad Santo Tomás] Repositorio Institucional reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/42861 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Little, R. and Rubin, D., 2002. Statistical analysis with missing data. Hoboken: Wiley. Basogain, X., n.d. [online] Ocw.ehu.eus. Available at: <https://ocw.ehu.eus/pluginfile.php/40137/mod_resource/content/1/redes_neuro/con tenidos/pdf/libro-del-curso.pdf>. Useche Castro, Lelly María, Mesa Ávila, Dulce Maria Una introducción a la Imputación de Valores Perdidos. Terra. Nueva Etapa [en línea]. 2006, XXII(31), 127-151 ISSN: 1012-7089. Disponible en: https://www.redalyc.org/articulo.oa?id=72103106. Li, C., 2013. Little's Test of Missing Completely at Random. The Stata Journal: Promoting communications on statistics and Stata, 13(4), pp.795-809. Azur, M., Stuart, E., Frangakis, C. and Leaf, P., 2011. Multiple imputation by chained equations: what is it and how does it work?. International Journal of Methods in Psychiatric Research, 20(1), pp.40-49. GitHub. 2021. GitHub - AnotherSamWilson/miceforest: Multiple Imputation with Random Forests in Python. [online] Available at: <https://github.com/AnotherSamWilson/miceforest> Lall, R. and Robinson, T., 2021. The MIDAS Touch: Accurate and Scalable Missing-Data Imputation with Deep Learning. Political Analysis, pp.1-18. Javadi, S., Bahrampour, A., Saber, M. M., Garrusi, B., & Baneshi, M. R. (2021). Evaluation of four multiple imputation methods for handling missing binary outcome data in the presence of an interaction between a dummy and a continuous variable. Journal of Probability and Statistics, 2021, 1–14. https://doi.org/10.1155/2021/6668822 (S/f). Mcgill.ca. (2021), de https://www.math.mcgill.ca/yyang/resources/doc/randomforest.pdf Hastie, T., Tibshirani, R., & Friedman, J. (2009). Random Forests. In The Elements of Statistical Learning (pp. 587–604). Springer New York. Woodford, C. (2011). How neural networks work - A simple introduction. Explain That Stuff. https://www.explainthatstuff.com/introduction-to-neural-networks.html 37 |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia Atribución-NoComercial-SinDerivadas 2.5 Colombia Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Rregrado estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de estadística |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/42861/8/license_rdf https://repository.usta.edu.co/bitstream/11634/42861/1/2022kellybaez.pdf https://repository.usta.edu.co/bitstream/11634/42861/2/Carta_autorizacion_derechos_autor_ok.pdf https://repository.usta.edu.co/bitstream/11634/42861/7/Carta%20aprobaci%c3%b3n%20facultad.pdf https://repository.usta.edu.co/bitstream/11634/42861/9/license.txt https://repository.usta.edu.co/bitstream/11634/42861/10/2022kellybaez.pdf.jpg https://repository.usta.edu.co/bitstream/11634/42861/11/Carta_autorizacion_derechos_autor_ok.pdf.jpg https://repository.usta.edu.co/bitstream/11634/42861/12/Carta%20aprobaci%c3%b3n%20facultad.pdf.jpg |
| bitstream.checksum.fl_str_mv |
217700a34da79ed616c2feb68d4c5e06 24e4e15837022eab6738633b458dcc7e 8cc4b8e79c887f2758fd4af2798d27cb d86d4f6948445e83f1c1b658e52eccd6 aedeaf396fcd827b537c73d23464fc27 f8d6d231081eb5e58970ae839dfdf07f 2a84eaf2cf422a08d53e8513bb42df2e 04f65397d934213f12a1a90c28eb3219 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
| _version_ |
1782026186606510080 |
| spelling |
Romero, Gil RobertBáez Vergara, Kelly Julianahttps://orcid.org/0000-0001-8602-6890https://scholar.google.com/citations?user=LUEZqaYAAAAJ&hl=esUniversidad Santo Tomás2022-02-01T12:25:23Z2022-02-01T12:25:23Z2022-01-27Báez Vergara, K.J. (2022). Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simples y múltiples. [Trabajo de Pregrado, Universidad Santo Tomás] Repositorio Institucionalhttp://hdl.handle.net/11634/42861reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEncontrarse con valores faltantes en un conjunto de datos, es un problema muy frecuente y el no llevar a cabo un adecuado tratamiento puede causar sesgo en las estimaciones o alterar la varianza y distribución de los datos. Para ello, se propone implementar una técnica de imputación con redes neuronales, y medir su eficiencia frente a métodos de imputación simples y múltiples.Finding missing values in a data set is a very frequent problem and not performing an adequate treatment can cause bias in the estimates or alter the variance and distribution of the data. For this, it is proposed to implement an imputation technique with neural networks, and measure its efficiency against simple and multiple imputation methods.Profesional en estadísticahttp://unidadinvestigacion.usta.edu.coPregradoapplication/pdfspaUniversidad Santo TomásRregrado estadísticaFacultad de estadísticaAtribución-NoComercial-SinDerivadas 2.5 ColombiaAtribución-NoComercial-SinDerivadas 2.5 ColombiaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Estimación de datos faltantes a través de redes neuronales, una comparación con métodos simpes y múltiplesMissing valuesImputationNeural networksDatosEstadísticaNeuro cienciaDatos faltantesImputaciónRedes neuronalesTrabajo de gradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáLittle, R. and Rubin, D., 2002. Statistical analysis with missing data. Hoboken: Wiley.Basogain, X., n.d. [online] Ocw.ehu.eus. Available at: <https://ocw.ehu.eus/pluginfile.php/40137/mod_resource/content/1/redes_neuro/con tenidos/pdf/libro-del-curso.pdf>.Useche Castro, Lelly María, Mesa Ávila, Dulce Maria Una introducción a la Imputación de Valores Perdidos. Terra. Nueva Etapa [en línea]. 2006, XXII(31), 127-151 ISSN: 1012-7089. Disponible en: https://www.redalyc.org/articulo.oa?id=72103106.Li, C., 2013. Little's Test of Missing Completely at Random. The Stata Journal: Promoting communications on statistics and Stata, 13(4), pp.795-809.Azur, M., Stuart, E., Frangakis, C. and Leaf, P., 2011. Multiple imputation by chained equations: what is it and how does it work?. International Journal of Methods in Psychiatric Research, 20(1), pp.40-49.GitHub. 2021. GitHub - AnotherSamWilson/miceforest: Multiple Imputation with Random Forests in Python. [online] Available at: <https://github.com/AnotherSamWilson/miceforest>Lall, R. and Robinson, T., 2021. The MIDAS Touch: Accurate and Scalable Missing-Data Imputation with Deep Learning. Political Analysis, pp.1-18.Javadi, S., Bahrampour, A., Saber, M. M., Garrusi, B., & Baneshi, M. R. (2021). Evaluation of four multiple imputation methods for handling missing binary outcome data in the presence of an interaction between a dummy and a continuous variable. Journal of Probability and Statistics, 2021, 1–14. https://doi.org/10.1155/2021/6668822(S/f). Mcgill.ca. (2021), de https://www.math.mcgill.ca/yyang/resources/doc/randomforest.pdfHastie, T., Tibshirani, R., & Friedman, J. (2009). Random Forests. In The Elements of Statistical Learning (pp. 587–604). Springer New York.Woodford, C. (2011). How neural networks work - A simple introduction. Explain That Stuff. https://www.explainthatstuff.com/introduction-to-neural-networks.html 37CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/42861/8/license_rdf217700a34da79ed616c2feb68d4c5e06MD58open accessORIGINAL2022kellybaez.pdf2022kellybaez.pdfTrabajo de gradoapplication/pdf950032https://repository.usta.edu.co/bitstream/11634/42861/1/2022kellybaez.pdf24e4e15837022eab6738633b458dcc7eMD51open accessCarta_autorizacion_derechos_autor_ok.pdfCarta_autorizacion_derechos_autor_ok.pdfCarta derechos de autorapplication/pdf924471https://repository.usta.edu.co/bitstream/11634/42861/2/Carta_autorizacion_derechos_autor_ok.pdf8cc4b8e79c887f2758fd4af2798d27cbMD52metadata only accessCarta aprobación facultad.pdfCarta aprobación facultad.pdfCarta de aprobaciónapplication/pdf202758https://repository.usta.edu.co/bitstream/11634/42861/7/Carta%20aprobaci%c3%b3n%20facultad.pdfd86d4f6948445e83f1c1b658e52eccd6MD57metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/42861/9/license.txtaedeaf396fcd827b537c73d23464fc27MD59open accessTHUMBNAIL2022kellybaez.pdf.jpg2022kellybaez.pdf.jpgIM Thumbnailimage/jpeg5425https://repository.usta.edu.co/bitstream/11634/42861/10/2022kellybaez.pdf.jpgf8d6d231081eb5e58970ae839dfdf07fMD510open accessCarta_autorizacion_derechos_autor_ok.pdf.jpgCarta_autorizacion_derechos_autor_ok.pdf.jpgIM Thumbnailimage/jpeg7674https://repository.usta.edu.co/bitstream/11634/42861/11/Carta_autorizacion_derechos_autor_ok.pdf.jpg2a84eaf2cf422a08d53e8513bb42df2eMD511open accessCarta aprobación facultad.pdf.jpgCarta aprobación facultad.pdf.jpgIM Thumbnailimage/jpeg8716https://repository.usta.edu.co/bitstream/11634/42861/12/Carta%20aprobaci%c3%b3n%20facultad.pdf.jpg04f65397d934213f12a1a90c28eb3219MD512open access11634/42861oai:repository.usta.edu.co:11634/428612022-10-10 15:52:00.144open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |