Estimación de Datos Faltantes a través de Redes Neuronales, una Comparación con Métodos Simples y Múltiples

Báez Vergara, Kelly Juliana

Estimación de Datos Faltantes a través de Redes Neuronales, una Comparación con Métodos Simples y Múltiples

dc.contributor.advisor	Romero, Gil Robert	Spa
dc.contributor.author	Báez Vergara, Kelly Juliana	Spa
dc.contributor.corporatename	Universidad Santo Tomás	spa
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000157060	Spa
dc.contributor.googlescholar	https://scholar.google.com/citations?user=LUEZqaYAAAAJ&hl=es	spa
dc.contributor.orcid	https://orcid.org/0000-0001-8602-6890	Spa
dc.coverage.campus	CRAI-USTA Bogotá	spa
dc.date.accessioned	2022-02-01T12:25:23Z
dc.date.available	2022-02-01T12:25:23Z
dc.date.issued	2022-01-27
dc.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.	spa
dc.description.abstract	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.	Eng
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Profesional en estadística	spa
dc.description.domain	http://unidadinvestigacion.usta.edu.co	spa
dc.format.mimetype	application/pdf	spa
dc.identifier.citation	Báez Vergara, K. J. (2022). Estimación de Datos Faltantes a través de Redes Neuronales, una Comparación con Métodos Simples y Múltiples. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.	spa
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/42861
dc.language.iso	spa	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.faculty	Facultad de estadística	spa
dc.publisher.program	Rregrado estadística	spa
dc.relation.references	Little, R. and Rubin, D., 2002. Statistical analysis with missing data. Hoboken: Wiley.	spa
dc.relation.references	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>.	spa
dc.relation.references	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.	spa
dc.relation.references	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.	spa
dc.relation.references	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.	spa
dc.relation.references	GitHub. 2021. GitHub - AnotherSamWilson/miceforest: Multiple Imputation with Random Forests in Python. [online] Available at: <https://github.com/AnotherSamWilson/miceforest>	spa
dc.relation.references	Lall, R. and Robinson, T., 2021. The MIDAS Touch: Accurate and Scalable Missing-Data Imputation with Deep Learning. Political Analysis, pp.1-18.	spa
dc.relation.references	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	spa
dc.relation.references	(S/f). Mcgill.ca. (2021), de https://www.math.mcgill.ca/yyang/resources/doc/randomforest.pdf	spa
dc.relation.references	Hastie, T., Tibshirani, R., & Friedman, J. (2009). Random Forests. In The Elements of Statistical Learning (pp. 587–604). Springer New York.	spa
dc.relation.references	Woodford, C. (2011). How neural networks work - A simple introduction. Explain That Stuff. https://www.explainthatstuff.com/introduction-to-neural-networks.html 37	spa
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia	*
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia	*
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia	*
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/	*
dc.subject.keyword	Missing values	Eng
dc.subject.keyword	Imputation	Eng
dc.subject.keyword	Neural networks	Eng
dc.subject.lemb	Datos	spa
dc.subject.lemb	Estadística	spa
dc.subject.lemb	Neuro ciencia	spa
dc.subject.proposal	Datos faltantes	spa
dc.subject.proposal	Imputación	spa
dc.subject.proposal	Redes neuronales	spa
dc.title	Estimación de Datos Faltantes a través de Redes Neuronales, una Comparación con Métodos Simples y Múltiples	spa
dc.type	bachelor thesis
dc.type.category	Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.local	Tesis de pregrado	spa
dc.type.version	info:eu-repo/semantics/acceptedVersion