<div dir="ltr">Elias,<div><br></div><div>A imputação é uma técnica que super simplificadamente objetiva colocar dados em variáveis cujos valores estão ausentes para não "perturbar" uma determinada estatística e permitir analisar as outras variáveis dos casos sob estudo.  </div><div><br></div><div>Um exemplo simples seria colocar a média da variável em todos os casos de valores ausentes¹.</div><div><br></div><div>No seu caso que você deseja fazer uma pesquisa usando redes bayesianas haveria necessidade de ver se a abordagem em si da imputação faria sentido e então ver qual (tipo) seria mais apropriada.</div><div><br></div><div>Há uma extensa literatura sobre esse tema, que suponho você esteja familiarizado e consultando-a, e pelo meu contato com o tema quer me parecer que há uma certa preferência (do jeito da imputação) em função do domínio do problema.</div><div><br></div><div>HTH</div><div>--</div><div>Cesar Rabak</div><div><br></div><div><br></div><div>[1] Bem simples, vou elidir a discussão sobre vantagens e desvantagens dessa específica abordagem e propriedade em função da quantidade de dados faltantes.</div></div><div class="gmail_extra"><br><div class="gmail_quote">2017-04-19 0:34 GMT-03:00 Elias Carvalho via R-br <span dir="ltr"><<a href="mailto:r-br@listas.c3sl.ufpr.br" target="_blank">r-br@listas.c3sl.ufpr.br</a>></span>:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr"><div class="gmail_default" style="font-family:"times new roman",serif;font-size:small"><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">Usando o pacote mice fiz o seguinte teste (imputação de dados):</p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">imp <- mice(nhanes)</p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">Isso gerou 5 conjuntos de dados imputados:</p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">imp$imp$bmi </p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif"><br><img src="cid:ii_j1of8ck81_15b844391a1d7c4a" width="237" height="228"><br>​​<br></p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">Eu gostaria de entender como escolher o melhor dataset imputado</p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">Por exemplo, para bmi (acima) qual das 5 colunas será a melhor escolha?</p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">Eu achei vários exemplos usando regressão logistica, mas eu não vou rodar uma regressão logistica, vou usar os dados para criar uma rede bayesiana.</p><p style="margin:0px 0px 1em;padding:0px;border:0px;font-size:15px;clear:both;color:rgb(36,39,41);font-family:arial,"helvetica neue",helvetica,sans-serif">Alguém poderia me ajudar por favor?</p></div><span class="HOEnZb"><font color="#888888">-- <br><div class="m_-8802774608755463934gmail_signature"><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"><div dir="ltr"><div><font face="times new roman, serif"><i><span style="font-size:12.8px">In Jesu et Maria</span><br><br style="font-size:small"></i></font><div><div dir="ltr"><div dir="ltr"><div dir="ltr"><div style="font-size:small"><font face="times new roman, serif"><i>Obrigado</i></font></div><div style="font-size:small"><font face="times new roman, serif"><i>Prof. Elias Carvalho</i></font></div><div style="font-size:small"><font face="times new roman, serif"><i><br></i></font></div><div><font face="times new roman, serif" size="2"><i><div>"Felix, qui potuit rerum cognoscere causas" (Virgil 29 BC)</div><div>"Blessed is he who has been able to understand the cause of things"</div></i></font></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div></div>
</font></span></div>
<br>______________________________<wbr>_________________<br>
R-br mailing list<br>
<a href="mailto:R-br@listas.c3sl.ufpr.br">R-br@listas.c3sl.ufpr.br</a><br>
<a href="https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br" rel="noreferrer" target="_blank">https://listas.inf.ufpr.br/<wbr>cgi-bin/mailman/listinfo/r-br</a><br>
Leia o guia de postagem (<a href="http://www.leg.ufpr.br/r-br-guia" rel="noreferrer" target="_blank">http://www.leg.ufpr.br/r-br-<wbr>guia</a>) e forneça código mínimo reproduzível.<br></blockquote></div><br></div>