Construcción de un modelo de imputación para variables de ingreso con valores perdidos a partir de ensamble learning. Aplicación en la Encuesta Permanente de Hogares (EPH)

Abstract

El presente documento se propone exponer los avances realizados en la construccion de un modelo de imputacion de valores perdidos y sin respuesta para las variables de ingreso en encuestas a hogares. Se presentara la propuesta metodologica general y los resultados de las pruebas realizadas. Se evaluan dos tipos de modelos de imputacion de datos perdidos: 1) el metodo hot-deck (ampliamente utilizado por relevamientos importantes en el Sistema Estadistico Nacional, tales como la Encuesta Permanente de Hogares y la Encuesta Anual de Hogares de la Ciudad de Buenos Aires) y 2) un ensamble de modelos de regresion LASSO (Least Absolute Shrinkage and Selection Operator). El mismo se basa en la generacion de multiples modelos de regresion LASSO a traves del algoritmo bagging y de su agregacion para la generacion de la imputacion final. En la primera y segunda parte del documento plantea el problema de forma mas especifica y se pasa revista a los principales mecanismos de generacion de los valores perdidos y las implicancias que los mismos tienen al momento de generar modelos de imputacion. En el tercer apartado se resenan los metodos de imputacion mas habitualmente utilizados, enfatizando sus ventajas y limitaciones. En la cuarta parte, se desarrollan los fundamentos teoricos y metodologicos de las dos tecnicas de imputacion propuestas. Finalmente, en la quinta seccion, se presentan algunos resultados de la aplicacion de los metodos propuestos a datos de la Encuesta Permanente de Hogares.