Reconstrucción de series temporales en ciencias ambientales

Barra lateral del artículo

PDF
Publicado: sep 1, 2008
Palabras clave:
Datos ausentes, métodos clásicos, métodos de máxima verosimilitud, imputación múltiple, algoritmo EMB, Amelia II

Contenido principal del artículo

Manuel Benítez-Gilabert
Instituto de Recursos Naturales

Resumen

El registro cada vez más frecuente de datos ambientales a largo plazo tiene, a menudo como consecuencia no deseada, huecos en la serie temporal, debidos a las causas más variadas. La ausencia de datos, además de implicar pérdida de información, imposibilita la aplicación de los métodos clásicos de análisis, poniendo al investigador en el dilema de aplicar métodos avanzados de análisis o de tratar de rellenar los datos ausentes para aplicar métodos estadísticos clásicos. El tratamiento estadístico de dichas series exige el relleno de los datos ausentes. En este trabajo exponemos brevemente las principales metodologías estadísticas que se están aplicando al problema, inventariamos el software disponible (parte del cual es de distribución gratuita) y ofrecemos un ejemplo de aplicación de estas técnicas, basado en series españolas de meteorología y calidad de aguas. El método empleado es el del algoritmo EMB de máxima verosimilitud y el “software” usado es el AMELIA II, de carácter gratuito.

Detalles del artículo

Cómo citar
Benítez-Gilabert, M. (2008). Reconstrucción de series temporales en ciencias ambientales. Revista Latinoamericana De Recursos Naturales, 4(3), 326-335. Recuperado a partir de https://revista.itson.edu.mx/index.php/rlrn/article/view/141
Número
Vol. 4 Núm. 3 (2008): septiembre-diciembre
Sección
Artículos Originales
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.

Citas

Allison, P. D. 2000. Multiple imputation for missing data.Sociological Methods and Research 28: 301-309.
Allison, P. D. 2001. Missing Data. Sage University, Paper 136,London.
Benítez-Gilabert, M. y Alvarez-Cobelas, M. 2008. Stream waterquality is influenced by climatic change and teleconnectionsin Southwestern Europe. Climatic Change (en prensa).
Coenders, G., Batista-Folget, J. M. y Willem, E. S. 2005. Temasavanzados en modelos de ecuaciones estructurales. LaMuralla S.A., Madrid.
Cohen, J. y Cohen, P. 1985. Applied multiple Regression andCorrelation Analysis for the behavioural Sciences. 2ndedition. Eribaum Press. Hillsdale, New Jersey.
Dempster, A. B., Laird, N. M. y Rubin, D. B. 1997. Maximumlikelihood estimation from incomplete data via the EMalgorithm. Journal of the Royal Statistical Society, Series B:39: 1-38.
Enders, C. K. 2001. The impact of non-normality on fullinformation maximum likelihood estimation for structuralequation models with missing data. Psychological Methods6: 352-370.
Finkbeiner, C. 1979. Estimation for the multiple factor modelwhen data are missing. Psychometrika 44: 409-420.
Ford, B. L. 1983. An overview of Hot-Deck procedures. InMadow, W. G., Olkin, I. y Rubin, D. B. (Eds.), IncompleteData in multiple Surveys, pp 185-207. Academic Press,New York.
Graham, J. W. y Schafer, J. L. 1999. On the performance ofmultiple imputation for multivariate data with small samplesize. In Hoyle, R. H. (Ed.), Statistical Strategies for smallSample Research, pp 1-29. Sage Publications, London.
Graham, J. W, Hofer, S. M. y Piccinin, M.,1994. Analysis withmissing data in drug prevention research. In Collins, I. M. ySeitz, L. (Eds.), Advances in Data Analysis for PreventionIntervention Research. National Institute on Drugs Abuse.Monography series 142. Washington DC.
Homaker, J., King, G. y Blackwell, M. 2006. Amelia II: Aprogram for missing data.(http://gking.harvard.edu/amelia/).
Jones, M. P. 1996. Indicator and stratification methods formissing explanatory variables in multiple linear regressions.Journal of the American Statistical Association 91: 222-230.
Kim, J.O. y Curry, J. 1977. The treatment of missing data inmultivariate analysis. Sociological Methods and Research 6:215-240.
King, G. J., Honaker, A. J. y Kenneth, S. 2001. Analyzingincomplete Political Science Data. An alternative Algorithmfor multiple imputation. Political Science Review 95: 49-69.(http://gking.harvard,edu/files/abs/evil-abs.shtml).
Little, R. J. A. y Rubin, D. B. 1987. Statistical Analysis withmissing Data. Wiley, New York.
McLachlan, G. J. y Krishnan, T. 1997. The EM Algorithm andExtension. Wiley, New York.
Meng, X. 1994. Multiple imputation inference with uncongenialsources of input. Statistical Science 9: 538-573.
Plaia, A. y Bondi, A. L. 2006. Single imputation method ofmissing values in environmental pollution data sets.Atmospheric Environment 40: 7316–7330.
Rao, J. N. K. y Shao, J. 1992. Jacknife variance estimation withsurvey data under Hot-Deck imputation. Biometrika 70:811-822.
Reales, J. M. 2007. Valores perdidos en el análisis de datos enPsicología. Apuntes en preparación. UNED, Facultad dePsicología. Dpto. de Metodología de las Ciencias delComportamiento. Madrid.
Schafer, J. L. 1997. Analysis of incomplete multivariate Data.Chapman and Hall, London.
Van Buuren, S. y Oudshoorn, K. 1999. Flexible multipleimputation by MICE. Report TNO-PG 99054, TNOPrevention and Health, Leiden. (http://www.multipleimputation.com).