Propuesta metodológica para imputación de datos categóricos para el próximo Censo Nacional de Población y Viviendas
Notice bibliographique
Résumé
El Instituto Nacional de Estadística y Censos (INDEC) es el encargado del planeamiento y organización del Censo Nacional de Población y Viviendas (CNPyV) que se lleva a cabo cada 10 años. El mismo es el operativo más importante en términos de costo, logística y procesamiento y se caracteriza por recolectar información a través de variables mayormente del tipo categórica; por ejemplo: sexo, estado civil, rama de actividad y nivel educativo, entre otras. \nAsegurar la consistencia y completitud de la información es uno de los objetivos claves que se plantea el INDEC a la hora de realizar los CNPyV. Una vez finalizada la recolección de los datos, el Instituto usualmente debe tratar con el problema de datos faltantes, tanto a nivel individual como al de hogar/vivienda para la mayoría de las preguntas del cuestionario. Esta falta de información puede ocurrir por incompletitud ocasionada en parte por los censistas, por el proceso de lectura, por el reconocimiento óptico e interpretación de las cédulas censales para conformar la base censal, o bien porque la información brindada por la población presenta valores inconsistentes en algunas de las variables que se indaga, entre otras fuentes de error. \nUna de las metodologías claves a la hora de afrontar estos problemas que se mencionan son los métodos de imputación de valores perdidos; y en particular los orientados a la imputación de variables categóricas. \nEl INDEC, en preparación para el próximo CNPyV, se encuentra evaluando diferentes métodos de imputación y las posibles herramientas disponibles para aplicarlos; entre ellos se encuentra la del vecino más cercano, implementado, por ejemplo, en el software CANCEIS desarrollado por Statistics Canada y principal cadidato a la hora de elegir una herramienta. Una modificación de este método fue propuesta por Tutz y Faisal (2017), que considera una distancia ponderada por la asociación entre las distintas variables para definir la vecindad entre unidades. \nEl objetivo de este trabajo es el de presentar la modificación de Tutz y Faisal, su aplicación en diferentes escenarios simulados y evaluar su desempeño contrastándolo contra la imputación por la mediana y MissForest (Pantanowitz y Marwala, 2009), cuyo método está basado en la técnica Random Forest. Además, se evalúa su performance, su implementación en grandes volúmenes de datos, y la facilidad de interactuar con todo el proceso censal. Los resultados preliminares sugieren que el método de Tutz y Faisal es una alternativa viable para la imputación del futuro censo.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».