Seguramente no dirías “da igual”. Es arriesgado dar el visto bueno a un presupuesto incompleto: no puedes calcular el precio final de la obra sin esos precios y, quién sabe, quizá justo faltan los importes más altos. E inventarse los datos tampoco es una buena opción: si te pasas con la guindilla, el plato puede quedar incomible, ¿no?
Pues bien, esto mismo nos pasa cuando analizamos datos. A veces un conjunto de datos llega con celdas en blanco, con guiones o con un “NA” (de no disponible en inglés). Y eso no es solo un detalle de limpieza: es una señal de que hay parte de la historia que no hemos podido observar. El peligro no es el hueco en sí, el peligro es actuar como si no existiera.
Cuando un dato falta, rara vez falta “porque sí”
Para entender por qué esos huecos no suelen ser inocentes, pensemos en un ejemplo concreto. Imagina que estamos estudiando los efectos de un infarto sobre la salud. Para ello, en cada persona del estudio (la muestra) medimos algunos parámetros: sexo, índice de masa corporal, el área del corazón afectada, etc. En el proceso de medir todas esas cosas hay mil motivos que pueden hacer que algo no quede anotado: desde que una persona no conteste una pregunta de un cuestionario hasta que falle una prueba, que parte del expediente se pierda o que una medición no se pueda realizar.
Y aquí viene una idea clave: la ausencia suele tener una causa. Puede que el cuestionario fuera demasiado largo. Puede que la persona estuviera muy cansada o preocupada. Puede que la prueba fuera cara o que no se le pudiera hacer a todo el mundo. Incluso puede que hubiera una urgencia y no se registrara todo. La cuestión es que esa causa puede estar relacionada con lo que queremos estudiar (en este caso, la salud). Igual que en un presupuesto no faltan precios “por arte de magia”, en un estudio médico tampoco suelen faltar mediciones sin motivo.
El atajo más común: borrar filas (y por qué puede salir caro)
A quienes nos dedicamos a la estadística suele pasarnos que cuando por fin nos llegan los datos para analizar, aparecen los huecos. Y entonces surge la tentación: “elimino los registros con faltantes y listo”. Pero ojo: un hueco no se elimina solo. Normalmente, tienes que elegir entre dos recortes, eliminar a una persona entera (tirar su fila completa, aunque tenga muchas cosas bien); o eliminar una medición para todo el mundo (tirar una variable completa porque viene muy incompleta).
En ambos casos, el conjunto queda “limpio”, sí… pero puedes estar comprando problemas a cambio ya que añades más datos faltantes.
Te quedas con menos información de la que crees
Si faltan muchos datos, el recorte puede ser brutal. Pongamos el ejemplo de un estudio real con mediciones de 14 parámetros en 60 pacientes. Si decides quedarte solo con quienes tienen todas las medidas de los 14 parámetros, tienes que descartar 38 pacientes y te quedas con 22.
Con menos casos, cualquier conclusión “fina” se vuelve más frágil. Es como intentar adivinar el argumento de una película viendo solo un tercio de las escenas. Puedes acertar… pero también puedes estar convencido de una historia que no es la real, sobre todo si la trama es muy compleja.
Y aquí vuelve el ejemplo del presupuesto: si te faltan precios y decides ignorar todos los capítulos donde hay “huecos”, puede que termines calculando el coste total solo con la parte del presupuesto que estaba mejor escrita, no con la obra completa.
Y no solo pierdes cantidad, tambien puedes cambiar la historia
Podríamos resignarnos a tener menos datos, pero el problema serio es otro: al borrar no siempre estás eliminando al azar y lo que queda puede dejar de representar la realidad.
Sigamos con el ejemplo médico. Si faltan datos porque una prueba no se pudo hacer a pacientes con un determinado índice de masa corporal, al eliminar los registros incompletos no estás quitando “personas al azar”, estás quitando sobre todo a un perfil concreto. El grupo final puede convertirse en una muestra “seleccionada sin querer”, y entonces las conclusiones pueden dejar de generalizarse.
Este punto es importantísimo: la decisión de “borrar” puede cambiar lo que crees que estás viendo. Es como si, al comparar presupuestos, te faltaran precisamente los precios de fontanería en las reformas complicadas. Si solo analizas los presupuestos “completos”, quizá concluyes que reformar un baño es barato… porque has excluido sin darte cuenta los casos donde suele dispararse el coste.
¿Y si rellenamos los huecos?
El siguiente arreglo típico es completar los huecos con un valor fácil de calcular a partir de lo que sí tienes. Por ejemplo, sustituir por la media, por la moda (el valor que más se repite) o incluso poner un 0 “porque seguro que era pequeño”. Así ya no hay blancos.
Pero estamos haciendo trampa. Estamos haciendo parecer que algo tiene un valor cierto cuando, en realidad, nos lo estamos inventando y lo único cierto es que no lo conocemos.
Si de verdad no sabemos qué valor falta, ponerle siempre “la media” es como decir: “Voy a asumir que esta parte desconocida era perfectamente normal”. Con ello hacemos que las observaciones sean más uniformes, “aplastamos” diferencias reales y, sobre todo, damos una sensación de seguridad que no corresponde. Dicho de otra forma: estamos disfrazando la incertidumbre.
En el presupuesto esto sería equivalente a completar los dos precios que faltan con “algo promedio” y actuar como si el total fuera fiable. ¿Y si justo faltaban las partidas más caras? En la receta, sería elegir “una cantidad estándar” de guindilla y sal y confiar en que saldrá bien. A veces sale. A veces no. Pero lo peor es que, si sale mal, no sabrás ni siquiera cuánto riesgo estabas asumiendo.
La incertidumbre no se esconde: se incorpora
Si aceptamos que un hueco en nuestros datos significa “no sé”, la pregunta inteligente no es “¿cómo hago que no se vea?”, sino ¿cómo hago el análisis reconociendo que hay cosas que no sé?
Volvamos a nuestro presupuesto ¿Cómo tomarías una decisión sobre el presupuesto si no puedes preguntar por los precios que faltan? Y en la receta, ¿cómo atreverte si no sabes ciertas cantidades?
Piénsalo un momento. Con el presupuesto podrías plantearte varios escenarios razonables: un escenario “optimista”, uno “intermedio” y uno “pesimista” para esos precios. O podrías moverte en un rango: “si estos dos precios están entre X e Y, el total estará entre A y B”. Y entonces decidirías sabiendo qué riesgo corres.
En la cocina harías algo parecido: podrías probar con varias cantidades (quizá en pequeñas pruebas) y ver cómo cambia el resultado. No estás fingiendo que conoces el dato: estás explorando las opciones plausibles.
Pues esa es, más o menos, la idea detrás de una de las soluciones más sensatas a los datos faltantes: la imputación múltiple.
Imputación múltiple: varias versiones plausibles en lugar de una mentira cómoda
La imputación múltiple funciona con una idea muy simple: si no sabemos qué valor falta, no lo reemplazamos por una única “respuesta inventada”, sino por varias posibilidades razonables, basadas en la información que sí tenemos.
Dicho paso a paso, sin tecnicismos:
- Aprovechamos lo que sí sabemos.
Muchas veces, el valor que falta está relacionado con otras variables observadas. En el ejemplo médico, si una variable tiene valores más altos o más bajos según el índice de masa corporal, esa información puede ayudarnos a generar valores plausibles para lo que falta. - Generamos varias “realidades posibles”.
En lugar de rellenar cada hueco una sola vez, lo rellenamos varias veces de manera coherente con el resto de los datos. Eso produce varias versiones completas del conjunto de datos. - Analizamos cada versión y comparamos resultados.
Con cada versión, hacemos el mismo análisis (la misma pregunta). Así vemos cómo cambian las conclusiones según qué valores plausibles había en los huecos. - Combinamos las conclusiones en una sola… que incluya la incertidumbre.
El resultado final no es “la respuesta perfecta”, sino una respuesta que reconoce: “dado que faltaban datos, hay más variabilidad en lo que podemos concluir que si hubiéramos observado todos los datos”.
Lo más importante de esta aproximación es que la incertidumbre no desaparece. Solo cambia de sitio: pasa de estar escondida en los huecos a estar reflejada en el resultado final. No te decidirás por el presupuesto a ciegas: sabrás qué rango de coste es razonable y qué riesgo asumes. Y al hablar de la enfermedad coronaria, serás capaz de obtener conclusiones más generales (menos dependientes de un subconjunto sesgado), pero midiendo bien cuánto podemos fiarnos de esas conclusiones.
En definitiva: lo que falta importa
Porque los datos faltantes no son solo una molestia para quien los analiza, ni un simple defecto estético de la hoja de cálculo. Son una señal de que hay parte de la historia que no hemos podido observar. Y eso debería reflejarse en lo que concluimos y en la seguridad que mostramos.
Tratar bien los huecos no significa borrarlos o taparlos. Significa medir la incertidumbre que introducen y tomar decisiones sin fingir que sabemos lo que no sabemos. Porque, cuando faltan datos, el peligro no es el vacío. El peligro es llenarlo con certezas inventadas.
