La imputacin mltiple (MI) se inicia mediante la imputacin de valores

para los datos que faltan varias veces por muestreo a partir de una
modelo de imputacin (usando ecuaciones encadenadas o un modelo
normal multivariante. La imputacin modelo debe contener las variables
que se van a
incluir en el modelo estadstico utilizado para el
anlisis epidemiolgico, as como variables auxiliares que pueden
contener informacin sobre los datos que faltan, y un
procedimiento de "adecuada" imputacin incorpora apropiada
variabilidad en los valores imputados. El proceso de imputacin
crea mltiples versiones "completas" de los conjuntos de datos.
Se analizan estos conjuntos de datos '' completos con el
modelo estadstico para el anlisis epidemiolgico y las estimaciones
obtenidas a partir de cada conjunto de datos se promedian para
producir una estimacin global MI. El error estndar para esta
estimacin global se deriva usando MI reglas de Rubin, que representan
la variabilidad entre las estimaciones obtenidas de los anlisis separados
de cada base de datos completada.
Es tenido en cuenta que la variabilidad de las bases completadas
producen una estimacin precisa y valida.
Cuando la imputacin es hecha usando mtodos estndar que ahora
estn disponibles
en muchos paquetes de computador, con las especificaciones del
modelo apropiados
para reflejar la estructura de los datos, la estimacin resultanten MI ser
vlida (con estimaciones de parmetros imparciales con confianza
nominal de cobertura de intervalo)
si los datos faltante los datos son "perdidos al azar '(MAR). MAR
describe una situacin en la que la probabilidad de la falta de una
variable en particular (por ejemplo, circunferencia de la cintura) puede
ser explicada por otras variables observadas en el conjunto de datos,
pero es (condicionalmente) independiente de la variable.
Por otra parte, MI puede producir estimaciones sesgadas si los datos no
son perdidos al azar MNAR que ocurre cuando los participantes del
estudio del cual faltan datos difieren de lo participantes del estudio con
datos completos en una manera que no pueden explicarse los datos
observados en el estudio.
MI ahora se implementa en muchas de los principales paquete
estadsticos por lo que es

un mtodo de fcil acceso. Sin embargo, puede ser un tiempo-proceso

intensivo imputar mltiples conjuntos de datos, analizar los conjuntos de
datos '' completarlos y combinar los resultados; y el modelo de
imputacin puede ser complejo ya que debe conner las variables de exposicin y el resultado incluidas en el
modelo de anlisis, las variables auxiliares y cualquier interaccin
que se incluirn en el modelo de anlisis
han descrito una serie de trampas que
puede ser encontrado en el procedimiento de imputacin que
podra dar lugar a resultados sesgados para el anlisis epidemiolgico
de inters.
Los datos que faltaban tambin se pueden manejar con los siguientes
mtodos ms sofisticados: a base de mxima verosimilitud
formulaciones, modelos bayesianos y totalmente ponderacin
SAO. mtodos basados en la verosimilitud donde se usa toda la
formacin disponible (es decir, informacin de los participantes con
ambos
completa y datos incompletos) para estimar simultneamente
tanto en el modelo de datos que faltan y el modelo de anlisis de datos,
eliminando la necesidad de manejar los datos faltantes directamente
aunque en muchos casos la suposicin de MAR.
Tambin se invoca para que el modelo de datos no se dispongan a ser
ignorado. Los modelos bayesianos tambin se basan en un
completamente especificado
modelo que incorpora tanto el proceso y la perdida entre las
asociaciones de inters .