Estrategia para datos faltantes
Consulta de dos fases sobre datos faltantes centrada en la privacidad: la IA genera un script de perfilado específico del diseño del estudio (con diagnósticos MAR y la prueba MCAR de Little) para ejecutar localmente, luego entrega una estrategia completa basada en la salida anonimizada — los datos brutos nunca salen de su dispositivo.
- Complete el diseno del estudio, la descripcion del conjunto de datos y los patrones de datos faltantes (que variables, % estimado).
- Haga clic en AI Run: la IA generara un script de perfilado adaptado a sus datos (R o Python).
- Ejecute el script localmente sobre su conjunto de datos y pegue la salida de nuevo en el chat.
- Reciba su estrategia completa para datos faltantes: metodo recomendado, codigo de implementacion, borrador de la seccion Methods y plan de analisis de sensibilidad.
Qué hace esta herramienta
Un consultor de datos faltantes en dos fases para investigadores clínicos. Fase 1: la IA genera un script de perfilado consciente del diseño del estudio que cubre tipos de variables, tasas de faltantes, diagnósticos de correlación MAR y verificaciones específicas del diseño (balance de brazos en ECA, patrones de abandono longitudinal, faltantes estratificados por resultado). Fase 2: la IA diagnostica el mecanismo de missing y entrega una estrategia completa — no solo una recomendación de método, sino una decisión completa con supuestos, código de implementación y análisis de sensibilidad.
Referencia de mecanismos de datos faltantes
| Mecanismo | Significado | Señal del perfilador | Enfoque típico |
|---|---|---|---|
| MCAR | Missing independiente de todas las variables | Prueba de Little p > 0.05, sin patrón de correlación | Análisis de caso completo o imputación simple |
| MAR | Missing depende de variables observadas | Señal de correlación detectada | Imputación múltiple (mice/Amelia) o IPW |
| MNAR | Missing depende del valor faltante mismo | Sin señal, pero lógica clínica sugiere patrón | Modelos de mezcla de patrones; debe revelar supuestos |
Salvaguardas clave incorporadas
Las variables binarias/categóricas/de recuento nunca se imputan con media o mediana. Los datos MNAR no pueden imputarse silenciosamente — la IA debe enumerar los supuestos para que el investigador decida. Si alguna variable clave supera el 20% de faltantes, se genera un Informe de Impacto obligatorio con compromisos explícitos para 2–3 enfoques. Todas las preguntas de aclaración se agrupan en un mensaje.
Qué no hará esta herramienta
Genera código de imputación para que usted lo ejecute — no imputa datos directamente. MNAR no puede confirmarse solo con datos observados; la IA lo señala pero no puede probarlo. No reemplaza el juicio de un estadístico para presentaciones regulatorias complejas.
Privacidad de datos
El script de perfilado se ejecuta completamente en su máquina local. Solo se pegan estadísticas de resumen en la conversación — los datos brutos de pacientes nunca salen de su computadora.