Search

In recent years, much research has been devoted to solve the problem of missing data imputation. Although most of the novel proposals look attractive for some reason, less attention has been paid to the problem of when and why a particular method should be chosen while discarding the others. This matter is far crucial in applications, given that unsuitable solutions could heavily affect the reliability of statistical analyses. Starting from this, this work is addressed to study how well several algorithmic-type imputation methods perform in the case of quantitative data. We focus on three different logics of imputing, based respectively on the use of random forests, iterative PCA, and the forward procedure. In particular, the latter, having initially been introduced for ordinal data, has required us to develop an original adaptation so that it handles missing quantitative values.

In questo lavoro il binomio robustezza–modelli multilivello viene affrontato secondo due diverse accezioni: la robustezza nei modelli multilivello e i modelli multilivello come procedura robusta. Nel primo caso vengono discusse le proprietà statistiche degli usuali stimatori dei parametri dei modelli multilivello quando è violata l’ipotesi di normalità delle componenti erratiche. Nel secondo, il modello multilivello è utilizzato come approccio robusto al problema della taratura statistica in presenza di dati raggruppati. Lo stesso viene poi comparato con modelli alternativi mediante uno studio di simulazione.