Techniques for Robust Imputation in Incomplete Two-Way Tables

Abstract

We describe imputation strategies resistant to outliers, through modifications of the simple imputation method proposed by Krzanowski and assess their performance. The strategies use a robust singular value decomposition, do not depend on distributional or structural assumptions and have no restrictions as to the pattern or missing data mechanisms. They are tested through the simulation of contamination and unbalance, both in artificially generated matrices and in a matrix of real data from an experiment with genotype-by-environment interaction. Their performance is assessed by means of prediction errors, the squared cosine between matrices, and a quality coefficient of fit between imputations and true values. For small matrices, the best results are obtained by applying robust decomposition directly, while for larger matrices the highest quality is obtained by eliminating the singular values of the imputation equation.

Describimos estrategias de imputación resistentes a valores atípicos, a través de modificaciones del método de imputación simple propuesto por Krzanowski y evaluamos su desempeño. Las estrategias utilizan una descomposición robusta de valores singulares, no dependen de supuestos distributivos o estructurales y no tienen restricciones en cuanto al patrón o los mecanismos de datos faltantes. Se prueban a través de la simulación de contaminación y desequilibrio, tanto en matrices generadas artificialmente como en una matriz de datos reales de un experimento con interacción genotipo-ambiente. Su desempeño se evalúa mediante errores de predicción, el coseno cuadrado entre matrices y un coeficiente de calidad de ajuste entre imputaciones y valores verdaderos. Para matrices pequeñas, los mejores resultados se obtienen aplicando directamente la descomposición robusta, mientras que para matrices más grandes la mayor calidad se obtiene eliminando los valores singulares de la ecuación de imputación.