Los datos perdidos son una realidad inevitable en la investigación en psicología. Participantes que no completan todas las sesiones de un estudio longitudinal, ítems que se dejan en blanco en un cuestionario, fallos técnicos en el registro de respuestas, abandonos en ensayos clínicos. La cuestión no es si tendrás datos perdidos, sino cómo vas a manejarlos. Y la forma en que lo hagas puede afectar profundamente a las conclusiones de tu estudio, desde la estimación de los efectos hasta la validez de las inferencias estadísticas.
Lo primero que hay que entender es que no todos los datos perdidos son iguales. Rubin (1976) propuso una clasificación en tres mecanismos que sigue siendo la base de todo el campo. Los datos que faltan completamente al azar (MCAR, Missing Completely At Random) son aquellos cuya ausencia no está relacionada con ninguna variable del estudio, ni observada ni no observada. Es como si hubieras lanzado una moneda para decidir qué datos eliminar. Los datos que faltan al azar (MAR, Missing At Random) son aquellos cuya ausencia puede explicarse por otras variables observadas en el estudio, pero no por el valor del propio dato perdido. Y los datos que faltan de forma no aleatoria (MNAR, Missing Not At Random) son aquellos cuya ausencia está relacionada con el propio valor que falta, como cuando los participantes más deprimidos son los que abandonan un estudio sobre depresión precisamente porque están demasiado deprimidos para continuar.
Por qué la eliminación por lista es problemática
La estrategia más común para manejar datos perdidos, y también la peor en la mayoría de situaciones, es la eliminación por lista (listwise deletion): simplemente eliminas a todos los participantes que tengan algún dato faltante y analizas solo los casos completos. Esta estrategia tiene dos problemas graves. El primero es la pérdida de potencia estadística. Si tienes 200 participantes y cada uno tiene un 5% de probabilidad de faltar en cualquier variable, con 10 variables puedes perder fácilmente el 40% de tu muestra. El segundo problema es más sutil pero potencialmente más dañino: si los datos no faltan completamente al azar (es decir, si el mecanismo es MAR o MNAR), la eliminación por lista produce estimaciones sesgadas. Los participantes que quedan en el análisis no son representativos de la muestra original, y las conclusiones que extraigas pueden no generalizarse a la población de interés.
A pesar de estos problemas, la eliminación por lista sigue siendo el método por defecto en la mayoría del software estadístico. SPSS la aplica automáticamente si no le dices lo contrario, y muchos investigadores ni siquiera son conscientes de que la están usando. Esto es especialmente preocupante porque la alternativa más sencilla y más recomendada por los metodólogos lleva décadas disponible: la imputación múltiple.
Imputación múltiple: el estándar actual
La imputación múltiple (MI) funciona de la siguiente manera. En lugar de eliminar los datos perdidos o rellenarlos con un solo valor (como la media, que es otra práctica desaconsejada porque subestima la variabilidad), el procedimiento genera múltiples copias del dataset, cada una con los valores perdidos reemplazados por valores plausibles generados a partir de la distribución de los datos observados. Típicamente se generan entre 20 y 50 datasets imputados. Luego se realiza el análisis estadístico de interés en cada uno de los datasets imputados, y finalmente se combinan los resultados usando las reglas de Rubin, que tienen en cuenta tanto la variabilidad dentro de cada imputación como la variabilidad entre imputaciones.
La belleza de la imputación múltiple es que produce estimaciones no sesgadas bajo el supuesto MAR (uno de los supuestos estadísticos que conviene verificar) (que es el más realista en la mayoría de situaciones en psicología) y que los errores estándar reflejan adecuadamente la incertidumbre adicional causada por los datos perdidos. Un intervalo de confianza obtenido tras imputación múltiple es correctamente más amplio que uno obtenido con eliminación por lista, porque incorpora la incertidumbre sobre cuáles serían los valores reales de los datos perdidos.
En R, el paquete mice (Multivariate Imputation by Chained Equations) es la referencia para imputación múltiple. Su funcionamiento es relativamente sencillo: la función mice() genera los datasets imputados, with() aplica el modelo estadístico a cada uno, y pool() combina los resultados. En SPSS, el módulo de imputación múltiple está disponible desde la versión 17, aunque su flexibilidad es menor que la de mice. JASP no ofrece imputación múltiple de forma nativa, lo cual es una limitación importante para estudios con datos faltantes.
Consideraciones prácticas y recomendaciones
Antes de aplicar cualquier método para manejar datos perdidos, es fundamental describir el patrón y la extensión de los datos faltantes en tu muestra. Cuántos participantes tienen datos completos, cuántos tienen datos parciales, qué variables tienen más datos perdidos, y si hay patrones sistemáticos en la ausencia. El paquete naniar en R ofrece herramientas de visualización excelentes para explorar los patrones de datos perdidos. También es importante evaluar si el mecanismo de datos perdidos es MCAR (mediante el test de Little) o si la ausencia está asociada a variables observadas (lo que sugiere MAR). El mecanismo MNAR no es testable con los datos disponibles, pero puede evaluarse mediante análisis de sensibilidad.
Mi recomendación general es que uses imputación múltiple como método por defecto siempre que tengas más de un 5% de datos perdidos. Por debajo de ese umbral, la eliminación por lista suele producir resultados muy similares a la imputación múltiple, siempre que los datos falten de forma aleatoria. Pero si tienes un 10%, un 20% o más de datos faltantes (situación frecuente en estudios longitudinales y clínicos, donde a menudo se recurre a modelos mixtos), la imputación múltiple no es solo recomendable, sino necesaria para obtener conclusiones válidas. Y en cualquier caso, reporta siempre la proporción de datos perdidos y el método que has usado para manejarlos, porque esta transparencia permite al lector evaluar la robustez de tus resultados. Si necesitas orientación con tus datos faltantes, consulta nuestro servicio de análisis para tesis.