Aplicación de redes neuronales artificiales al tratamiento de datos incompletos

Abstract

El objetivo de la tesis es comparar la eficacia de las redes neuronales artificiales del tipo perceptrón multicapa y función base radial con la de los métodos estadísticos tradicionales, en el análisis de matrices de datos incompletos tanto a nivel univariado como en la generación de modelos de clasificación, Para conseguir el objetivo planteado se diseña un complejo experimento de simulación estadística en el que se manipulan el tipo de variable que contiene la información faltante y el nivel de correlación entre dicha variable y el resto de variables registradas. Los tipos de variable estudiados son binaria y ordinal con distribución equiprobable y no equiprobable, y cuantitativa con distribución normal y asimétrica. A cada variable se le aplican diversas técnicas de imputación de los valores desconocidos, entre las que cabe destacar la imputación de la media o la moda, del valor predicho por un modelo de regresión lineal o logística, del valor predicho por una red neuronal artificial perceptrón multicapa y por una red de función base radial. En la estimación de modelos de clasificación, aparte de las técnicas comentadas se aplican otros procedimientos como la eliminación de los registros incompletos y la codificación de los valores faltantes con la inclusión de variables indicadoras de la presencia/ausencia de valor. Los resultados permiten obtener un esquema de decisión que guía el análisis estadístico de matrices de datos incompletos.