Dados faltantes em modelos para dados longitudinais

Abstract

Em todas as áreas de conhecimento, quando vamos analisar os dados em busca de informações, nos deparamos com dados faltantes Esse tipo de dados diversas vezes nos fazem tomar decisões erradas devido terem apresentado resultados equivocados em suas análises, e devido isso devemos -tomar muito cuido e sermos minuciosos quanto tratamos esse tipo de dados, Para (Little e Rubin, 2019)[13], dados faltantes são valores não observados que seriam significativos para análise se observados; em outras palavras, um valor ausente oculta um valor significativo. Dados longitudinais são gerados quando os indivíduos são medidos repetidamente ao longo do tempo, e os modelos longitudinais descrevem o processo estocástico dos dados observados. Esses modelos permitem-nos distinguir, sobretudo, a variabilidade dos dados dentro e entre indivíduos (Diggle,2002) [9]. De acordo com (Little e Rubin, 2019)[13], dados faltardes são valores não observados que seriam significativos para análise se observados; em outras palavras, um valor ausente oculta um valor significativo. O problema de dados faltantes tem sido alvo de muitas pesquisas recentemente devido o fato de que quando se tem uma população com observações faltantes, ao se fazer a inferência estatística, se mio usarmos os procedimentos adequados, os resultados podem não ser fiáveis e assim levarão a conclusões equivocadas. O que queremos é muito simples, se F é uma população a ser estimada e F é uma estimativa de F, onde a amostra é composta por observações faltantes, então o procedimento que será usado para, calcular esses dados deve ser levado em conta o método estatístico que será usado para calcular Ê. Logo, se esse procedimento estatístico funcionar corretamente teremos então Ê com valor próximo de F para a média. Estamos a procura de que o viés seja mínimo, assim como o desvio padrão e variância de F onde assim poderemos fazer inferência. com mais precisão para urna tomada de decisão.

In all areas of knowledge; when we analyze the data in search of information, we come across missing data. This type of data often makes us make wrong decisions because they have presented wrong results in their analyses, and because of that we must be very careful and be thorough when we handle this type of data. For (Little and Rubin, 2019)[13], missing data are unobserved values that would be significant. for analysis if observed., in other words, a missing value hides a significant value. Longitudinal data are generated when individuals are measured repeatedly over time, and longitudinal models describe the stochastic process of the observed data. These models allow Es to distinguish, above all, the variability of data within and between individuals (Diggle, 2002) M. According to (Little and Rubin, 2019)113], missing data are unobserved values that would be significant for analysis if observed; in other words, a missing value hides a significant. value. The problem of missing data has been the subject of much research recently due to the fact that when you have a population with missing observations, when making the statistical inference, if we don't use the proper procedures, the results may not be reliable and thus lead to wrong conclusions. What. we want is very simple, if F is a population to be estimated and F is an estimate of F, where the sample is made up of missing observations, then the procedure that will be used to calculate these data must take into account the statistical method that will be used to calculate F. Therefore, if this statistical procedure works correctly, then we will have F with a value close to F for the mean. We are looking for the bias to be minimal, as well as the standard deviation and variance of F, so that we can make inferences more accurately for decision making.