La aparición de datos faltantes en las Investigaciones Sociales es frecuente, este problema ha tomado relevancia en los últimos años por las implicaciones que tienen sobre la validez de las técnicas estadísticas empleadas, los resultados y las conclusiones que se reportan en los estudios. Además, su abordaje implica una serie de cuestionamientos que deben de considerarse para determinar si las observaciones han sido perdidas al azar o si su falta se debe a causas definibles, llevando esto a debatirsi estos datos pueden o no ser tratados como ignorables, así como la conveniencia, facilidad y apropiado de utilizar algún método de imputación para su recuperación. Por lo anterior se plantea esta investigación, cuyo objetivo es comparar el enfoque Bayesiano Objetivo y Frecuentista para la imputación de valores faltantes en un contexto típico de encuestas de investigación social. El estudio de simulación permitió evidenciar que, fijar por defecto en 10 la cantidad de iteraciones del mecanismo de imputación múltiple permite minimizar el tiempo de procesamiento estadísticos y no implica que se vea incrementado el sesgo. Además, se detecta la relevancia de la magnitud de la asociación entre la variable con el dato faltante y las independientes utilizadas para su predicción, en el nivel de precisión resultante del proceso de imputación múltiple. Entre mayor sea esta, menor es el error promedio introducido en los datos, independientemente del enfoque de estimación utilizado (frecuentista o bayesiano). Finalmente, a partir de lo encontrado en esta investigación, se puede concluye que existen casos en los que la imputación múltiple no es recomienda, específicamente en aquellos donde la asociación entre la variable con datos faltantes y las predictoras sea moderada (menor a 0.55), esto porque se observan grandes diferencias entre resultados que arrojan los datos completos originales, y los que se generarían a partir de una imputación. Por lo que se recomienda incluir en el diseño de investigación un plan de teoría de los valores faltantes y valorar la implementación alternativa de incentivos a los participantes para minimizar la cantidad de datos faltantes.

UCR::Vicerrectoría de Investigación::Sistema de Estudios de Posgrado::Ciencias Sociales::Maestría Académica en Estadística