Predictive Mean Matching como método de imputação alternativo ao hot deck no Vigitel

Abstract

<jats:p>O objetivo deste estudo foi descrever a estimativa das médias de peso, altura e índice de massa corporal (IMC) segundo dois métodos de imputação, usando dados do Vigitel (Vigilância de Fatores de Risco e Proteção para Doenças Crônicas por Inquérito Telefônico). O delineamento do estudo é transversal e utilizaram-se dados secundários do Vigitel do período de 2006 a 2017. Os dois métodos para imputação utilizados no estudo foram hot deck e Predictive Mean Matching (PMM). As variáveis peso e altura imputadas por hot deck foram disponibilizadas pelo Vigitel. Dois modelos foram conduzidos com a utilização da PMM: (i) variáveis explicativas - cidade, sexo, idade em anos, raça/cor e escolaridade; (ii) variáveis explicativas - cidade, sexo e idade em anos. Nos dois modelos, as variáveis peso e altura foram as variáveis de desfecho. Na PMM, combinam-se regressão linear e seleção aleatória de valor para imputação. A predição linear é usada como medida de distância entre o valor faltante e os seus possíveis doadores e, com isso, se cria o espaço virtual com os casos candidatos a ceder o valor para imputação. Um dos candidatos do pool é aleatoriamente selecionado, e o seu valor é atribuído à unidade faltante. O IMC foi calculado por meio da divisão do peso em quilogramas pela altura ao quadrado. Nos resultados, apresentamos as médias e erros-padrão de peso, altura e IMC, segundo método de imputação e ano de monitoramento. Nas estimativas, utilizou-se o módulo survey do Stata, que considera os efeitos da amostragem. Observou-se que os valores médios de peso, altura e IMC estimados por hot deck e PMM são similares. Os resultados com os dados do Vigitel sugerem a aplicabilidade do PMM ao conjunto dos inquéritos de saúde.</jats:p>

Estimating a panel MSK dataset for comparative analyses of national absorptive capacity systems, economic growth, and development in low and middle income countries

“…Many research fields in physical and biological sciences have embraced such techniques [24][25][26][27]. This work explicitly employs univariate regression modeling, a variable-by-variable (sequential or chained) predictive mean matching (PMM) technique [28]. As an MI conditional modeling approach, PMM imputes missingness dependent on observed data in continuous, panel variables that do not have to be normally distributed [28][29][30].…”

“…This work explicitly employs univariate regression modeling, a variable-by-variable (sequential or chained) predictive mean matching (PMM) technique [28]. As an MI conditional modeling approach, PMM imputes missingness dependent on observed data in continuous, panel variables that do not have to be normally distributed [28][29][30]. This technique returns meaningful imputations that respect the data distribution of the original incomplete dataset (observed dataset).…”

Archetypal analysis as an imputation method and multivariate data augmentation

“…PMM is a versatile and easy-to-use method in which linear regression and random value selection for imputation are combined (Van Buuren, 2018). Santos and Conde (2020) explain that a linear prediction is used considering that the variable of interest is the variable to be imputed and the other variables are the explanatory ones. Thus, the imputations are very realistic as they are based on values observed elsewhere and because imputations outside the data range will not occur (Van Buuren, 2018).…”