Imputación y limpieza Saber 11, periodo 20224
John Jairo Prado
16/09/2026
1 Propósito del reporte
Este documento reconstruye el procedimiento ejecutado en
06_imputacion_20224.R a partir del registro real de consola
suministrado. Para cada punto se presenta el procedimiento, la salida
observada y una conclusión. Se conservan las tablas de auditoría e
imputación porque constituyen evidencia de trazabilidad, selección
metodológica y validación.
El periodo procesado es 20224. La base partió de 1.065.888 registros; después de retirar cuatro registros estructuralmente incompletos quedó en 1.065.884 registros. La estructura final contiene 77 variables y 0 valores nulos.
2 Importancia de la imputación
La imputación no se utilizó como una sustitución indiscriminada de valores. El procedimiento distinguió variables por naturaleza estadística, auditó categorías y predictores, validó la correspondencia entre faltantes e imputaciones y protegió los valores originalmente observados.
| Aspecto | Importancia dentro del periodo 20224 | Evidencia del procedimiento | Riesgo si no se trataba |
|---|---|---|---|
| Completitud socioeconómica | Alta | 108.072 registros presentaban al menos un faltante en las nueve variables objetivo. | Pérdida de observaciones o sesgo por análisis de casos completos. |
| Estrato de vivienda | Alta | 71.842 faltantes (6,74%). | Reducción de información socioeconómica y posible distorsión del perfil de hogares. |
| Educación de la madre | Alta | 62.036 faltantes (5,82%). | Pérdida de una covariable relevante del contexto familiar. |
| Educación del padre | Alta | 61.824 faltantes (5,80%). | Pérdida de información del entorno educativo familiar. |
| Acceso a internet | Alta | 63.326 faltantes (5,94%). | Menor capacidad para representar brecha digital. |
| Bienes y composición del hogar | Alta | Entre 45.772 y 49.170 faltantes según la variable. | Menor representación de condiciones materiales y tamaño del hogar. |
| Variables institucionales residuales | Relevante | cole_bilingue tenía 192.132 faltantes y
cole_caracter 41.006. |
Persistencia de vacíos en características del establecimiento. |
| Inglés | Relevante | Cuatro representaciones relacionadas presentaban 3.954 faltantes cada una. | Inconsistencia entre puntaje, nivel de desempeño y variables derivadas. |
| Fecha de nacimiento validada | Baja en magnitud, necesaria para completitud | 170 faltantes finales (0,0159%). | Dataset final no completamente observado y dificultad para derivar edad sin tratamiento. |
| Integridad final | Crítica | El proceso terminó con 77 variables completas y 0 celdas nulas. | Exportar una base denominada “limpia” con faltantes residuales. |
2.1 Criterio de selección de métodos aplicado
| Naturaleza de la variable | Método utilizado / criterio | Variables principales |
|---|---|---|
| Binaria | logreg |
fami_tieneinternet,
fami_tieneautomovil, fami_tienecomputador,
fami_tienelavadora |
| Nominal con >2 categorías | polyreg |
fami_estratovivienda,
fami_educacionmadre, fami_educacionpadre |
| Ordinal con >2 categorías | polr |
fami_cuartoshogar,
fami_personashogar |
| Binaria residual | logreg |
cole_bilingue,
estu_genero |
| Nominal residual | polyreg |
cole_caracter |
| Puntaje de inglés | Mediana | punt_ingles_num |
| Variables derivadas de inglés | Reconstrucción determinística | punt_ingles,
punt_ingles_num_valido, desemp_ingles |
| Fecha de nacimiento válida | Muestreo aleatorio de valores observados | estu_fechanacimiento_fecha_valida con
semilla 5477976 |
2.2 Nota
metodológica sobre m = 1 y
maxit = 1
La ejecución documentada utiliza una única realización
(m = 1) y una única iteración (maxit = 1). En
consecuencia, el producto se interpreta operativamente como un
dataset completado mediante ecuaciones encadenadas, no como un
análisis inferencial de imputación múltiple con combinación de
estimaciones mediante reglas de Rubin. La semilla oficial utilizada es
5477976.
3 Reporte detallado por punto
3.1 CARGAR PAQUETES
3.1.1 Procedimiento
Permite leer y escribir archivos Parquet de forma eficiente
Proporciona herramientas para manipulación, transformación y auditoría de datos
Implementa imputación mediante ecuaciones encadenadas
3.1.2 Resultado de consola
>3.1.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
3.2 DEFINIR EL PERIODO Y LAS RUTAS DE TRABAJO
3.2.1 Procedimiento
Define exclusivamente el periodo que será analizado en este archivo
Define el directorio general de datos procesados
Define el directorio de archivos homologados
Define el directorio de bases depuradas por periodo
3.2.2 Resultado de consola
>3.2.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
3.3 LOCALIZAR EXCLUSIVAMENTE EL ARCHIVO HOMOLOGADO DEL PERIODO 20224
3.3.1 Procedimiento
Construye directamente la ruta del único archivo requerido
Detiene el proceso si el archivo fuente no existe
Confirma el único periodo procesado
Muestra la ruta del archivo fuente
3.3.2 Resultado de consola
>
PERIODO DE TRABAJO: 20224
Archivo homologado: data/processed/saber11_homologado_por_periodo/saber11_periodo_20224.parquet
>3.3.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
3.4 DEPURAR EXCLUSIVAMENTE LA BASE DEL PERIODO 20224
3.4.1 Procedimiento
Define las variables técnicas excluidas del análisis
Define la ruta de la base depurada 20224
Lee únicamente la base homologada 20224
Registra el número de observaciones antes de depurar
3.4.2 Resultado de consola
>
DEPURACIÓN DEL PERIODO 20224
Registros: 1.065.888
Variables antes: 83
Variables técnicas encontradas: 4
Variables después: 79
Archivo depurado: data/processed/saber11_depurado_por_periodo/saber11_periodo_20224.parquet
VALIDACIÓN: base 20224 depurada correctamente.
>
used (Mb) gc trigger (Mb) max used (Mb)
Ncells 3279790 175.2 4920687 262.8 4920687 262.8
Vcells 6368924 48.6 12258123 93.6 12117528 92.53.4.3 Conclusión
Variables técnicas encontradas: 4 Variables después: 79 VALIDACIÓN: base 20224 depurada correctamente.
3.5 INSPECCIONAR LA ARQUITECTURA REAL DEL PERIODO 20224
3.5.1 Procedimiento
Abre únicamente la base depurada 20224 sin cargarla completa en memoria
Recupera los nombres reales de las variables
Calcula el número real de variables
Cuenta los registros mediante Arrow
3.5.2 Resultado de consola
>
INSPECCIÓN ARQUITECTÓNICA DEL PERIODO 20224
Archivo: data/processed/saber11_depurado_por_periodo/saber11_periodo_20224.parquet
Registros reales: 1.065.888
Variables reales: 79
>
VALIDACIÓN: arquitectura básica de 20224 consistente.3.5.3 Conclusión
Registros reales: 1.065.888 Variables reales: 79 VALIDACIÓN: arquitectura básica de 20224 consistente.
3.6 VALIDAR LOS NOMBRES DE LAS VARIABLES DEL PERIODO 20224
3.6.1 Procedimiento
Comprueba que el número de nombres coincida con el número de variables detectadas
Impide continuar si existen nombres ambiguos
Confirma la integridad básica del esquema antes de seleccionar las variables de imputación
3.6.2 Resultado de consola
>
VALIDACIÓN: nombres de variables del periodo 20224 inspeccionados correctamente.3.6.3 Conclusión
VALIDACIÓN: nombres de variables del periodo 20224 inspeccionados correctamente.
3.7 AUDITAR LAS VARIABLES CANDIDATAS DEL PERIODO 20224
3.7.1 Procedimiento
Conserva las nueve variables socioeconómicas candidatas del diseño previo, pero todavía no presupone que deban imputarse ni qué método utilizarán
Conserva las nueve auxiliares como candidatas sujetas a auditoría específica en 20224
Integra una sola lista para evitar lecturas redundantes del archivo
Detecta si alguna variable candidata no existe realmente en el periodo
3.7.2 Resultado de consola
>
Variables objetivo candidatas: 9
Predictoras auxiliares candidatas: 9
Variables cargadas una sola vez para auditoría: 18
VALIDACIÓN: conjunto mínimo de auditoría 20224 construido correctamente.3.7.3 Conclusión
Variables objetivo candidatas: 9 Variables cargadas una sola vez para auditoría: 18 VALIDACIÓN: conjunto mínimo de auditoría 20224 construido correctamente.
3.8 RESUMIR FALTANTES Y CARDINALIDAD REAL DE LAS VARIABLES CANDIDATAS
3.8.1 Procedimiento
Resume en una sola tabla la estructura, disponibilidad y cardinalidad observada de cada variable candidata
Muestra la auditoría completa sin seleccionar todavía métodos ni predictoras definitivas
Comprueba que todas las columnas provengan de la misma base íntegra
Cierra la auditoría estructural inicial
3.8.2 Resultado de consola
# A tibble: 18 × 9
periodo variable rol tipo_r registros observados faltantes porcentaje_faltantes
<chr> <chr> <chr> <chr> <int> <int> <int> <dbl>
1 20224 fami_estratovivienda obje… chara… 1065888 994046 71842 6.74
2 20224 fami_educacionmadre obje… chara… 1065888 1003852 62036 5.82
3 20224 fami_educacionpadre obje… chara… 1065888 1004064 61824 5.80
4 20224 fami_tieneinternet obje… chara… 1065888 1002562 63326 5.94
5 20224 fami_tieneautomovil obje… chara… 1065888 1016718 49170 4.61
6 20224 fami_cuartoshogar obje… chara… 1065888 1018422 47466 4.45
7 20224 fami_tienecomputador obje… chara… 1065888 1018750 47138 4.42
8 20224 fami_personashogar obje… chara… 1065888 1020116 45772 4.29
9 20224 fami_tienelavadora obje… chara… 1065888 1018606 47282 4.44
10 20224 estu_genero pred… chara… 1065888 1065878 10 0.000938
11 20224 cole_naturaleza pred… chara… 1065888 1065886 2 0.000188
12 20224 cole_area_ubicacion pred… chara… 1065888 1065886 2 0.000188
13 20224 cole_calendario pred… chara… 1065888 1065886 2 0.000188
14 20224 cole_genero pred… chara… 1065888 1065886 2 0.000188
15 20224 cole_jornada pred… chara… 1065888 1065886 2 0.000188
16 20224 cole_sede_principal pred… chara… 1065888 1065886 2 0.000188
17 20224 cole_cod_depto_ubica… pred… chara… 1065888 1065886 2 0.000188
18 20224 cole_cod_mcpio_ubica… pred… chara… 1065888 1065886 2 0.000188
# ℹ 1 more variable: valores_unicos_observados <int>
>
VALIDACIÓN: faltantes y cardinalidad de las variables candidatas fueron auditados sin definir todavía el modelo MICE.
>3.8.3 Conclusión
periodo variable rol tipo_r registros observados faltantes porcentaje_faltantes VALIDACIÓN: faltantes y cardinalidad de las variables candidatas fueron auditados sin definir todavía el modelo MICE.
3.9 GRAFICAR LA CANTIDAD DE FALTANTES POR VARIABLE OBJETIVO
3.9.1 Procedimiento
Selecciona únicamente las nueve variables objetivo y las ordena de mayor a menor cantidad de faltantes
Construye una barra para cada variable objetivo
Coloca el número exacto de faltantes al final de cada barra
Coloca las variables en el eje vertical para facilitar la lectura de nombres largos
3.9.2 Resultado de consola
Patrón de valores faltantes identificado en el periodo 20224
3.9.3 Conclusión
La sección construyó el objeto gráfico previsto. El registro de consola no contiene la imagen renderizada, por lo que el informe conserva el procedimiento y deja constancia de la salida gráfica.
3.10 AUDITAR LAS CATEGORÍAS REALES DE LAS NUEVE VARIABLES OBJETIVO
3.10.1 Procedimiento
Obtiene las categorías efectivamente presentes en 20224 antes de imponer niveles, orden o método de imputación
Muestra categorías, frecuencias y faltantes reales de cada variable objetivo
Documenta explícitamente que la clasificación estadística queda pendiente de evidencia
3.10.2 Resultado de consola
# A tibble: 59 × 6
periodo variable valor es_na frecuencia porcentaje
<chr> <chr> <chr> <lgl> <int> <dbl>
1 20224 fami_estratovivienda Estrato 2 FALSE 360346 33.8
2 20224 fami_estratovivienda Estrato 1 FALSE 292696 27.5
3 20224 fami_estratovivienda Estrato 3 FALSE 220596 20.7
4 20224 fami_estratovivienda <NA> TRUE 71842 6.74
5 20224 fami_estratovivienda Estrato 4 FALSE 56192 5.27
6 20224 fami_estratovivienda Sin Estrato FALSE 39562 3.71
7 20224 fami_estratovivienda Estrato 5 FALSE 16896 1.59
8 20224 fami_estratovivienda Estrato 6 FALSE 7758 0.728
9 20224 fami_educacionmadre secundaria (bachillerato) completa FALSE 287548 27.0
10 20224 fami_educacionmadre secundaria (bachillerato) incompleta FALSE 139782 13.1
11 20224 fami_educacionmadre primaria incompleta FALSE 125780 11.8
12 20224 fami_educacionmadre educacion profesional completa FALSE 124694 11.7
13 20224 fami_educacionmadre tecnica o tecnologica completa FALSE 104618 9.82
14 20224 fami_educacionmadre primaria completa FALSE 84262 7.91
15 20224 fami_educacionmadre <NA> TRUE 62036 5.82
16 20224 fami_educacionmadre tecnica o tecnologica incompleta FALSE 35972 3.37
17 20224 fami_educacionmadre educacion profesional incompleta FALSE 30440 2.86
18 20224 fami_educacionmadre no sabe FALSE 25282 2.37
19 20224 fami_educacionmadre postgrado FALSE 22756 2.13
20 20224 fami_educacionmadre ninguno FALSE 20522 1.93
21 20224 fami_educacionmadre no aplica FALSE 2196 0.206
22 20224 fami_educacionpadre secundaria (bachillerato) completa FALSE 252146 23.7
23 20224 fami_educacionpadre primaria incompleta FALSE 167138 15.7
24 20224 fami_educacionpadre secundaria (bachillerato) incompleta FALSE 147530 13.8
25 20224 fami_educacionpadre educacion profesional completa FALSE 98270 9.22
26 20224 fami_educacionpadre primaria completa FALSE 87880 8.24
27 20224 fami_educacionpadre no sabe FALSE 72658 6.82
28 20224 fami_educacionpadre tecnica o tecnologica completa FALSE 67928 6.37
29 20224 fami_educacionpadre <NA> TRUE 61824 5.80
30 20224 fami_educacionpadre ninguno FALSE 32818 3.08
31 20224 fami_educacionpadre tecnica o tecnologica incompleta FALSE 23836 2.24
32 20224 fami_educacionpadre educacion profesional incompleta FALSE 22512 2.11
33 20224 fami_educacionpadre postgrado FALSE 18114 1.70
34 20224 fami_educacionpadre no aplica FALSE 13234 1.24
35 20224 fami_tieneinternet si FALSE 727882 68.3
36 20224 fami_tieneinternet no FALSE 274680 25.8
37 20224 fami_tieneinternet <NA> TRUE 63326 5.94
38 20224 fami_tieneautomovil no FALSE 758990 71.2
39 20224 fami_tieneautomovil si FALSE 257728 24.2
40 20224 fami_tieneautomovil <NA> TRUE 49170 4.61
41 20224 fami_cuartoshogar Tres FALSE 396836 37.2
42 20224 fami_cuartoshogar Dos FALSE 392162 36.8
43 20224 fami_cuartoshogar Cuatro FALSE 122892 11.5
44 20224 fami_cuartoshogar Uno FALSE 56340 5.29
45 20224 fami_cuartoshogar <NA> TRUE 47466 4.45
46 20224 fami_cuartoshogar Cinco FALSE 33172 3.11
47 20224 fami_cuartoshogar Seis o mas FALSE 17020 1.60
48 20224 fami_tienecomputador si FALSE 543564 51.0
49 20224 fami_tienecomputador no FALSE 475186 44.6
50 20224 fami_tienecomputador <NA> TRUE 47138 4.42
51 20224 fami_personashogar 3 a 4 FALSE 524570 49.2
52 20224 fami_personashogar 5 a 6 FALSE 300796 28.2
53 20224 fami_personashogar 1 a 2 FALSE 95468 8.96
54 20224 fami_personashogar 7 a 8 FALSE 72122 6.77
55 20224 fami_personashogar <NA> TRUE 45772 4.29
56 20224 fami_personashogar 9 o más FALSE 27160 2.55
57 20224 fami_tienelavadora si FALSE 788672 74.0
58 20224 fami_tienelavadora no FALSE 229934 21.6
59 20224 fami_tienelavadora <NA> TRUE 47282 4.44
>
VALIDACIÓN: categorías reales de las variables objetivo 20224 auditadas; todavía no se han heredado niveles ni métodos de 20142.
>3.10.3 Conclusión
VALIDACIÓN: categorías reales de las variables objetivo 20224 auditadas; todavía no se han heredado niveles ni métodos de 20142.
3.11 ANALIZAR EL PATRÓN CONJUNTO DE FALTANTES DE LAS NUEVE VARIABLES OBJETIVO
3.11.1 Procedimiento
Calcula una sola vez cuántas variables objetivo faltan en cada registro
Resume el patrón real de ausencia desde cero hasta nueve faltantes simultáneos
Muestra la distribución observada sin asumir que 20224 replica el patrón de 20142
Cuenta registros completamente observados en las nueve variables objetivo
3.11.2 Resultado de consola
# A tibble: 10 × 4
periodo numero_faltantes frecuencia porcentaje
<chr> <dbl> <int> <dbl>
1 20224 0 957816 89.9
2 20224 1 24224 2.27
3 20224 2 4028 0.378
4 20224 3 2464 0.231
5 20224 4 32662 3.06
6 20224 5 17846 1.67
7 20224 6 1226 0.115
8 20224 7 634 0.0595
9 20224 8 380 0.0357
10 20224 9 24608 2.31
>
Filas completas en las 9 variables: 957.816
Filas con faltantes parciales entre 1 y 8 variables: 83.464
Filas con las 9 variables faltantes: 24.608
Filas con al menos una variable objetivo faltante: 108.072
>
VALIDACIÓN: patrón conjunto de faltantes 20224 reconstruido correctamente.3.11.3 Conclusión
Filas con faltantes parciales entre 1 y 8 variables: 83.464 Filas con las 9 variables faltantes: 24.608 VALIDACIÓN: patrón conjunto de faltantes 20224 reconstruido correctamente.
3.12 AUDITAR LAS PREDICTORAS JUSTO EN LOS REGISTROS QUE PRESENTAN ALGÚN FALTANTE OBJETIVO
3.12.1 Procedimiento
Identifica todos los registros que presentan al menos una ausencia entre las nueve variables objetivo
Extrae únicamente las predictoras candidatas de los casos que realmente podrían requerir imputación
Evalúa la información auxiliar donde realmente será necesaria, sin decidir todavía qué predictoras entrarán a MICE
Muestra disponibilidad y cardinalidad de las predictoras en los casos candidatos a imputación
3.12.2 Resultado de consola
>
# A tibble: 9 × 8
periodo variable registros_casos_impu…¹ observados faltantes porcentaje_observado
<chr> <chr> <int> <int> <int> <dbl>
1 20224 estu_genero 108072 108072 0 100
2 20224 cole_naturaleza 108072 108070 2 100.0
3 20224 cole_area_ubicacion 108072 108070 2 100.0
4 20224 cole_calendario 108072 108070 2 100.0
5 20224 cole_genero 108072 108070 2 100.0
6 20224 cole_jornada 108072 108070 2 100.0
7 20224 cole_sede_principal 108072 108070 2 100.0
8 20224 cole_cod_depto_ubicac… 108072 108070 2 100.0
9 20224 cole_cod_mcpio_ubicac… 108072 108070 2 100.0
# ℹ abbreviated name: ¹registros_casos_imputar
# ℹ 2 more variables: porcentaje_faltante <dbl>, valores_unicos_observados <int>
>
CASOS CANDIDATOS A IMPUTACIÓN EN 20224: 108.072
AUDITORÍA PREVIA COMPLETADA: con estos resultados se definirán después tipos estadísticos, métodos MICE y predictorMatrix específicos de 20224.
>3.12.3 Conclusión
4 ℹ abbreviated name:
¹registros_casos_imputar # ℹ 2 more variables: porcentaje_faltante
, valores_unicos_observados AUDITORÍA PREVIA COMPLETADA: con
estos resultados se definirán después tipos estadísticos, métodos MICE y
predictorMatrix específicos de 20224.
4.1 PUNTO DE DECISIÓN
4.1.1 Procedimiento
4.1.2 Resultado de consola
>4.1.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.2 DEFINIR VARIABLES Y TIPOS ESTADÍSTICOS
4.2.1 Procedimiento
Define las cuatro variables objetivo que presentan exactamente dos categorías observadas: si y no
Conserva como nominales las variables que contienen categorías especiales que impiden imponer un orden estadístico completo sin recodificación adicional
Define las dos variables cuya secuencia de categorías representa inequívocamente cantidades crecientes
Comprueba que cada variable objetivo haya sido clasificada una sola vez
4.2.2 Resultado de consola
>
CLASIFICACIÓN ESTADÍSTICA DE LAS VARIABLES OBJETIVO — 20224
Variables binarias: 4
Variables nominales: 3
Variables ordinales: 2
Total variables clasificadas: 9
>4.2.3 Conclusión
Variables nominales: 3 Variables ordinales: 2 Total variables clasificadas: 9
4.3 DEFINIR LOS NIVELES ESTADÍSTICOS DE LAS VARIABLES OBJETIVO
4.3.1 Procedimiento
Establece las dos respuestas observadas y utiliza “no” como categoría de referencia
Conserva todas las categorías reales de estrato como niveles nominales sin atribuir orden a “Sin Estrato”
Conserva todas las categorías educativas observadas como niveles nominales, incluidas las respuestas especiales
Define el orden creciente observado para el número de cuartos del hogar
4.3.2 Resultado de consola
>4.3.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.4 VALIDAR LOS NIVELES DEFINIDOS CONTRA LOS VALORES REALES DE 20224
4.4.1 Procedimiento
Relaciona cada variable objetivo con los niveles que se utilizarán posteriormente en MICE
Recupera únicamente las categorías realmente observadas
Identifica categorías reales que no estén contempladas en la definición estadística
Construye una fila de control por variable
4.4.2 Resultado de consola
>
# A tibble: 9 × 5
variable categorias_observadas categorias_definidas categorias_no_reconocidas
<chr> <int> <int> <int>
1 fami_estratovivienda 7 7 0
2 fami_educacionmadre 12 12 0
3 fami_educacionpadre 12 12 0
4 fami_tieneinternet 2 2 0
5 fami_tieneautomovil 2 2 0
6 fami_cuartoshogar 6 6 0
7 fami_tienecomputador 2 2 0
8 fami_personashogar 5 5 0
9 fami_tienelavadora 2 2 0
# ℹ 1 more variable: valores_no_reconocidos <chr>
>
VALIDACIÓN: todas las categorías observadas de 20224 están reconocidas por la clasificación estadística.
>4.4.3 Conclusión
VALIDACIÓN: todas las categorías observadas de 20224 están reconocidas por la clasificación estadística.
4.5 CONSTRUIR DATASET MÍNIMO PARA MICE
4.5.1 Procedimiento
Integra únicamente las variables objetivo y las predictoras candidatas necesarias para construir el modelo MICE
Construye el dataset mínimo reutilizando las 18 variables que ya se encuentran cargadas en memoria
Verifica que la selección de variables no haya alterado las observaciones
Verifica que estén presentes exactamente las variables necesarias
4.5.2 Resultado de consola
>
DATASET MÍNIMO PARA MICE — 20224
Registros: 1.065.888
Variables: 18
Variables objetivo: 9
Predictoras candidatas: 9
>4.5.3 Conclusión
Registros: 1.065.888 Variables: 18 Variables objetivo: 9
4.6 CONVERTIR LAS VARIABLES OBJETIVO A SUS TIPOS ESTADÍSTICOS
4.6.1 Procedimiento
- Materializa la clasificación estadística validada en 7.7 sin modificar el objeto original de auditoría
4.6.2 Resultado de consola
>4.6.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.7 CONVERTIR LAS PREDICTORAS CANDIDATAS A FACTORES
4.7.1 Procedimiento
- Convierte las predictoras categóricas a factores sin interpretar códigos territoriales como variables numéricas continuas
4.7.2 Resultado de consola
>4.7.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.8 VALIDAR LA TRANSFORMACIÓN DEL DATASET MICE
4.8.1 Procedimiento
Recupera el número de faltantes original de cada variable antes de la transformación
Calcula nuevamente los faltantes después de convertir las variables a sus tipos estadísticos
Construye una auditoría variable por variable de la transformación estadística
Muestra las clases obtenidas y comprueba si la conversión produjo nuevos valores faltantes
4.8.2 Resultado de consola
>
# A tibble: 18 × 6
variable clase_original clase_mice faltantes_antes faltantes_despues
<chr> <chr> <chr> <int> <int>
1 fami_estratovivienda character factor 71842 71842
2 fami_educacionmadre character factor 62036 62036
3 fami_educacionpadre character factor 61824 61824
4 fami_tieneinternet character factor 63326 63326
5 fami_tieneautomovil character factor 49170 49170
6 fami_cuartoshogar character ordered/factor 47466 47466
7 fami_tienecomputador character factor 47138 47138
8 fami_personashogar character ordered/factor 45772 45772
9 fami_tienelavadora character factor 47282 47282
10 estu_genero character factor 10 10
11 cole_naturaleza character factor 2 2
12 cole_area_ubicacion character factor 2 2
13 cole_calendario character factor 2 2
14 cole_genero character factor 2 2
15 cole_jornada character factor 2 2
16 cole_sede_principal character factor 2 2
17 cole_cod_depto_ubicacion character factor 2 2
18 cole_cod_mcpio_ubicacion character factor 2 2
nuevos_faltantes
<int>
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
10 0
11 0
12 0
13 0
14 0
15 0
16 0
17 0
18 0
>
>
VALIDACIÓN: dataset mínimo para MICE construido sin alterar el patrón original de faltantes.4.8.3 Conclusión
VALIDACIÓN: dataset mínimo para MICE construido sin alterar el patrón original de faltantes.
4.9 CONSTRUIR DATASET MÍNIMO PARA MICE — ejecución 2
4.9.1 Procedimiento
Integra únicamente las variables objetivo y las predictoras candidatas necesarias para construir el modelo MICE
Construye el dataset mínimo reutilizando las 18 variables que ya se encuentran cargadas en memoria
Verifica que la selección de variables no haya alterado las observaciones
Verifica que estén presentes exactamente las variables necesarias
4.9.2 Resultado de consola
>
DATASET MÍNIMO PARA MICE — 20224
Registros: 1.065.888
Variables: 18
Variables objetivo: 9
Predictoras candidatas: 9
>4.9.3 Conclusión
Registros: 1.065.888 Variables: 18 Variables objetivo: 9
4.10 CONVERTIR LAS VARIABLES OBJETIVO A SUS TIPOS ESTADÍSTICOS — ejecución 2
4.10.1 Procedimiento
- Materializa la clasificación estadística validada en 7.7 sin modificar el objeto original de auditoría
4.10.2 Resultado de consola
>4.10.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.11 CONVERTIR LAS PREDICTORAS CANDIDATAS A FACTORES — ejecución 2
4.11.1 Procedimiento
- Convierte las predictoras categóricas a factores sin interpretar códigos territoriales como variables numéricas continuas
4.11.2 Resultado de consola
>4.11.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.12 VALIDAR LA TRANSFORMACIÓN DEL DATASET MICE — ejecución 2
4.12.1 Procedimiento
Recupera el número de faltantes original de cada variable antes de la transformación
Calcula nuevamente los faltantes después de convertir las variables a sus tipos estadísticos
Construye una auditoría variable por variable de la transformación estadística
Muestra las clases obtenidas y comprueba si la conversión produjo nuevos valores faltantes
4.12.2 Resultado de consola
>
# A tibble: 18 × 6
variable clase_original clase_mice faltantes_antes faltantes_despues
<chr> <chr> <chr> <int> <int>
1 fami_estratovivienda character factor 71842 71842
2 fami_educacionmadre character factor 62036 62036
3 fami_educacionpadre character factor 61824 61824
4 fami_tieneinternet character factor 63326 63326
5 fami_tieneautomovil character factor 49170 49170
6 fami_cuartoshogar character ordered/factor 47466 47466
7 fami_tienecomputador character factor 47138 47138
8 fami_personashogar character ordered/factor 45772 45772
9 fami_tienelavadora character factor 47282 47282
10 estu_genero character factor 10 10
11 cole_naturaleza character factor 2 2
12 cole_area_ubicacion character factor 2 2
13 cole_calendario character factor 2 2
14 cole_genero character factor 2 2
15 cole_jornada character factor 2 2
16 cole_sede_principal character factor 2 2
17 cole_cod_depto_ubicacion character factor 2 2
18 cole_cod_mcpio_ubicacion character factor 2 2
nuevos_faltantes
<int>
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
10 0
11 0
12 0
13 0
14 0
15 0
16 0
17 0
18 0
>
VALIDACIÓN: dataset mínimo para MICE construido sin alterar el patrón original de faltantes.4.12.3 Conclusión
VALIDACIÓN: dataset mínimo para MICE construido sin alterar el patrón original de faltantes.
4.13 DEFINIR MÉTODOS MICE
4.13.1 Procedimiento
Se ejecutó el bloque correspondiente a DEFINIR MÉTODOS MICE, respetando la secuencia definida en el script y las validaciones asociadas.
4.13.2 Resultado de consola
El registro no imprimió una salida textual adicional en este punto; la ejecución continuó sin una detención registrada.
4.13.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.14 AUDITAR LA CARDINALIDAD DE LAS PREDICTORAS ANTES DE DEFINIR LOS MÉTODOS
4.14.1 Procedimiento
Recupera la predictora candidata directamente desde el dataset mínimo ya validado
Calcula la frecuencia de cada categoría observada
Resume la cardinalidad y detecta categorías con muy pocos registros
Audita la complejidad categórica de cada predictora antes de incorporarla a modelos de imputación
4.14.2 Resultado de consola
>
# A tibble: 9 × 7
variable categorias_observadas frecuencia_minima frecuencia_maxima categorias_menor_10
<chr> <int> <int> <int> <int>
1 estu_genero 2 487142 578736 0
2 cole_naturaleza 2 240956 824930 0
3 cole_area_ubicacion 2 182428 883458 0
4 cole_calendario 3 1364 1061434 0
5 cole_genero 3 7564 1034298 0
6 cole_jornada 6 47402 417060 0
7 cole_sede_principal 2 57550 1008336 0
8 cole_cod_depto_ubicacion 33 778 152584 0
9 cole_cod_mcpio_ubicacion 1114 12 152584 0
categorias_menor_50 categorias_menor_100
<int> <int>
1 0 0
2 0 0
3 0 0
4 0 0
5 0 0
6 0 0
7 0 0
8 0 0
9 64 202
>
>
VALIDACIÓN: cardinalidad de las predictoras candidatas auditada correctamente.
>4.14.3 Conclusión
VALIDACIÓN: cardinalidad de las predictoras candidatas auditada correctamente.
4.15 INSPECCIONAR LAS CATEGORÍAS DE LAS PREDICTORAS DE CARDINALIDAD BAJA
4.15.1 Procedimiento
Selecciona únicamente predictoras cuya distribución puede inspeccionarse completamente sin generar una salida excesiva
Obtiene las distribuciones de las predictoras cuya cardinalidad permite una inspección completa
Muestra categorías, frecuencias y porcentajes de las predictoras de cardinalidad baja
4.15.2 Resultado de consola
>
# A tibble: 61 × 4
variable categoria frecuencia porcentaje
<chr> <fct> <int> <dbl>
1 estu_genero F 578736 54.3
2 estu_genero M 487142 45.7
3 estu_genero NA 10 0.000938
4 cole_naturaleza OFICIAL 824930 77.4
5 cole_naturaleza NO OFICIAL 240956 22.6
6 cole_naturaleza NA 2 0.000188
7 cole_area_ubicacion URBANO 883458 82.9
8 cole_area_ubicacion RURAL 182428 17.1
9 cole_area_ubicacion NA 2 0.000188
10 cole_calendario A 1061434 99.6
11 cole_calendario OTRO 3088 0.290
12 cole_calendario B 1364 0.128
13 cole_calendario NA 2 0.000188
14 cole_genero MIXTO 1034298 97.0
15 cole_genero FEMENINO 24024 2.25
16 cole_genero MASCULINO 7564 0.710
17 cole_genero NA 2 0.000188
18 cole_jornada manana 417060 39.1
19 cole_jornada unica 292720 27.5
20 cole_jornada completa 153794 14.4
21 cole_jornada tarde 98678 9.26
22 cole_jornada sabatina 56232 5.28
23 cole_jornada noche 47402 4.45
24 cole_jornada NA 2 0.000188
25 cole_sede_principal S 1008336 94.6
26 cole_sede_principal N 57550 5.40
27 cole_sede_principal NA 2 0.000188
28 cole_cod_depto_ubicacion 11 152584 14.3
29 cole_cod_depto_ubicacion 05 144766 13.6
30 cole_cod_depto_ubicacion 76 78720 7.39
31 cole_cod_depto_ubicacion 25 70042 6.57
32 cole_cod_depto_ubicacion 08 62320 5.85
33 cole_cod_depto_ubicacion 13 54424 5.11
34 cole_cod_depto_ubicacion 68 49768 4.67
35 cole_cod_depto_ubicacion 23 44562 4.18
36 cole_cod_depto_ubicacion 47 33730 3.16
37 cole_cod_depto_ubicacion 52 32930 3.09
38 cole_cod_depto_ubicacion 54 32632 3.06
39 cole_cod_depto_ubicacion 73 31422 2.95
40 cole_cod_depto_ubicacion 15 30370 2.85
41 cole_cod_depto_ubicacion 19 27444 2.57
42 cole_cod_depto_ubicacion 20 27150 2.55
43 cole_cod_depto_ubicacion 41 26360 2.47
44 cole_cod_depto_ubicacion 50 23464 2.20
45 cole_cod_depto_ubicacion 70 22406 2.10
46 cole_cod_depto_ubicacion 17 19864 1.86
47 cole_cod_depto_ubicacion 44 19550 1.83
48 cole_cod_depto_ubicacion 66 19340 1.81
49 cole_cod_depto_ubicacion 63 11310 1.06
50 cole_cod_depto_ubicacion 85 11058 1.04
51 cole_cod_depto_ubicacion 27 9636 0.904
52 cole_cod_depto_ubicacion 18 7880 0.739
53 cole_cod_depto_ubicacion 86 7760 0.728
54 cole_cod_depto_ubicacion 81 6632 0.622
55 cole_cod_depto_ubicacion 95 2098 0.197
56 cole_cod_depto_ubicacion 91 1646 0.154
57 cole_cod_depto_ubicacion 99 1218 0.114
58 cole_cod_depto_ubicacion 88 1154 0.108
59 cole_cod_depto_ubicacion 97 868 0.0814
60 cole_cod_depto_ubicacion 94 778 0.0730
61 cole_cod_depto_ubicacion NA 2 0.000188
>4.15.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.16 DEFINIR LAS PREDICTORAS AUXILIARES QUE ENTRARÁN AL MODELO MICE
4.16.1 Procedimiento
Excluye municipio de la especificación inicial por su alta cardinalidad de 1.114 categorías y conserva las ocho predictoras auxiliares restantes
Verifica que únicamente se haya excluido la variable municipal
Garantiza que la variable municipal no entre accidentalmente en los modelos de imputación
Comprueba la correspondencia entre la especificación y los datos disponibles
4.16.2 Resultado de consola
>
PREDICTORAS AUXILIARES SELECCIONADAS PARA MICE — 20224
Predictoras candidatas originales: 9
Predictoras seleccionadas: 8
Predictora excluida por alta cardinalidad: cole_cod_mcpio_ubicacion
[1] "estu_genero" "cole_naturaleza" "cole_area_ubicacion"
[4] "cole_calendario" "cole_genero" "cole_jornada"
[7] "cole_sede_principal" "cole_cod_depto_ubicacion"
>4.16.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.17 ASIGNAR LOS MÉTODOS DE IMPUTACIÓN A LAS VARIABLES OBJETIVO
4.17.1 Procedimiento
Inicializa todas las variables sin método de imputación para impedir imputaciones no definidas explícitamente
Vincula cada posición del vector de métodos con su variable correspondiente
Asigna regresión logística a las cuatro variables binarias
Asigna regresión logística politómica a estrato y educación, tratadas como variables nominales
4.17.2 Resultado de consola
>
VALIDACIÓN: métodos MICE asignados únicamente a las nueve variables objetivo.
>4.17.3 Conclusión
VALIDACIÓN: métodos MICE asignados únicamente a las nueve variables objetivo.
4.18 7.9.5. AUDITAR LA ESPECIFICACIÓN DE LOS MÉTODOS MICE
4.18.1 Procedimiento
Resume el rol, clase, cardinalidad, faltantes y método asignado a cada variable del dataset MICE
Muestra la especificación completa antes de construir predictorMatrix
Impide continuar si alguna de las 18 variables queda fuera del diseño
Verifica las nueve variables que serán imputadas
4.18.2 Resultado de consola
>
# A tibble: 18 × 6
variable rol clase categorias faltantes metodo_mice
<chr> <chr> <chr> <int> <int> <chr>
1 fami_estratovivienda objetivo factor 7 71842 "polyreg"
2 fami_educacionmadre objetivo factor 12 62036 "polyreg"
3 fami_educacionpadre objetivo factor 12 61824 "polyreg"
4 fami_tieneinternet objetivo factor 2 63326 "logreg"
5 fami_tieneautomovil objetivo factor 2 49170 "logreg"
6 fami_cuartoshogar objetivo ordered/factor 6 47466 "polr"
7 fami_tienecomputador objetivo factor 2 47138 "logreg"
8 fami_personashogar objetivo ordered/factor 5 45772 "polr"
9 fami_tienelavadora objetivo factor 2 47282 "logreg"
10 estu_genero predictora incluida factor 2 10 ""
11 cole_naturaleza predictora incluida factor 2 2 ""
12 cole_area_ubicacion predictora incluida factor 2 2 ""
13 cole_calendario predictora incluida factor 3 2 ""
14 cole_genero predictora incluida factor 3 2 ""
15 cole_jornada predictora incluida factor 6 2 ""
16 cole_sede_principal predictora incluida factor 2 2 ""
17 cole_cod_depto_ubicacion predictora incluida factor 33 2 ""
18 cole_cod_mcpio_ubicacion predictora excluida factor 1114 2 ""
>
4.18.3 Conclusión
VALIDACIÓN: especificación de métodos MICE completada correctamente.
4.19 CONSTRUIR predictorMatrix
4.19.1 Procedimiento
Inicializa una matriz predictora 18 × 18 completamente desactivada para habilitar únicamente relaciones definidas explícitamente
Permite que las nueve variables socioeconómicas objetivo se utilicen mutuamente como predictoras dentro de las ecuaciones encadenadas
Impide que cualquier variable sea utilizada para predecirse a sí misma
Incorpora las ocho variables auxiliares seleccionadas como predictoras de las nueve variables objetivo
4.19.2 Resultado de consola
>
4.19.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.20 AUDITAR LA ESTRUCTURA DE predictorMatrix
4.20.1 Procedimiento
Cuenta cuántas variables predictoras quedaron activadas para cada ecuación MICE
Resume el número de predictores asignados a cada una de las 18 variables
Muestra la estructura general de la matriz predictora
Verifica ocho objetivos adicionales más ocho predictoras auxiliares
4.20.2 Resultado de consola
>
# A tibble: 18 × 4
variable rol metodo_mice numero_predictores
<chr> <chr> <chr> <int>
1 fami_estratovivienda objetivo "polyreg" 16
2 fami_educacionmadre objetivo "polyreg" 16
3 fami_educacionpadre objetivo "polyreg" 16
4 fami_tieneinternet objetivo "logreg" 16
5 fami_tieneautomovil objetivo "logreg" 16
6 fami_cuartoshogar objetivo "polr" 16
7 fami_tienecomputador objetivo "logreg" 16
8 fami_personashogar objetivo "polr" 16
9 fami_tienelavadora objetivo "logreg" 16
10 estu_genero predictora incluida "" 0
11 cole_naturaleza predictora incluida "" 0
12 cole_area_ubicacion predictora incluida "" 0
13 cole_calendario predictora incluida "" 0
14 cole_genero predictora incluida "" 0
15 cole_jornada predictora incluida "" 0
16 cole_sede_principal predictora incluida "" 0
17 cole_cod_depto_ubicacion predictora incluida "" 0
18 cole_cod_mcpio_ubicacion predictora excluida "" 0
>
>
VALIDACIÓN: predictorMatrix construida correctamente para las nueve variables objetivo.
>4.20.3 Conclusión
VALIDACIÓN: predictorMatrix construida correctamente para las nueve variables objetivo.
4.21 7.10.2. INSPECCIONAR predictorMatrix COMPLETA
4.21.1 Procedimiento
- Muestra las relaciones predictivas exactas utilizadas por cada ecuación de imputación
4.21.2 Resultado de consola
fami_estratovivienda fami_educacionmadre fami_educacionpadre
fami_estratovivienda 0 1 1
fami_educacionmadre 1 0 1
fami_educacionpadre 1 1 0
fami_tieneinternet 1 1 1
fami_tieneautomovil 1 1 1
fami_cuartoshogar 1 1 1
fami_tienecomputador 1 1 1
fami_personashogar 1 1 1
fami_tienelavadora 1 1 1
estu_genero 0 0 0
cole_naturaleza 0 0 0
cole_area_ubicacion 0 0 0
cole_calendario 0 0 0
cole_genero 0 0 0
cole_jornada 0 0 0
cole_sede_principal 0 0 0
cole_cod_depto_ubicacion 0 0 0
cole_cod_mcpio_ubicacion 0 0 0
fami_tieneinternet fami_tieneautomovil fami_cuartoshogar
fami_estratovivienda 1 1 1
fami_educacionmadre 1 1 1
fami_educacionpadre 1 1 1
fami_tieneinternet 0 1 1
fami_tieneautomovil 1 0 1
fami_cuartoshogar 1 1 0
fami_tienecomputador 1 1 1
fami_personashogar 1 1 1
fami_tienelavadora 1 1 1
estu_genero 0 0 0
cole_naturaleza 0 0 0
cole_area_ubicacion 0 0 0
cole_calendario 0 0 0
cole_genero 0 0 0
cole_jornada 0 0 0
cole_sede_principal 0 0 0
cole_cod_depto_ubicacion 0 0 0
cole_cod_mcpio_ubicacion 0 0 0
fami_tienecomputador fami_personashogar fami_tienelavadora estu_genero
fami_estratovivienda 1 1 1 1
fami_educacionmadre 1 1 1 1
fami_educacionpadre 1 1 1 1
fami_tieneinternet 1 1 1 1
fami_tieneautomovil 1 1 1 1
fami_cuartoshogar 1 1 1 1
fami_tienecomputador 0 1 1 1
fami_personashogar 1 0 1 1
fami_tienelavadora 1 1 0 1
estu_genero 0 0 0 0
cole_naturaleza 0 0 0 0
cole_area_ubicacion 0 0 0 0
cole_calendario 0 0 0 0
cole_genero 0 0 0 0
cole_jornada 0 0 0 0
cole_sede_principal 0 0 0 0
cole_cod_depto_ubicacion 0 0 0 0
cole_cod_mcpio_ubicacion 0 0 0 0
cole_naturaleza cole_area_ubicacion cole_calendario cole_genero
fami_estratovivienda 1 1 1 1
fami_educacionmadre 1 1 1 1
fami_educacionpadre 1 1 1 1
fami_tieneinternet 1 1 1 1
fami_tieneautomovil 1 1 1 1
fami_cuartoshogar 1 1 1 1
fami_tienecomputador 1 1 1 1
fami_personashogar 1 1 1 1
fami_tienelavadora 1 1 1 1
estu_genero 0 0 0 0
cole_naturaleza 0 0 0 0
cole_area_ubicacion 0 0 0 0
cole_calendario 0 0 0 0
cole_genero 0 0 0 0
cole_jornada 0 0 0 0
cole_sede_principal 0 0 0 0
cole_cod_depto_ubicacion 0 0 0 0
cole_cod_mcpio_ubicacion 0 0 0 0
cole_jornada cole_sede_principal cole_cod_depto_ubicacion
fami_estratovivienda 1 1 1
fami_educacionmadre 1 1 1
fami_educacionpadre 1 1 1
fami_tieneinternet 1 1 1
fami_tieneautomovil 1 1 1
fami_cuartoshogar 1 1 1
fami_tienecomputador 1 1 1
fami_personashogar 1 1 1
fami_tienelavadora 1 1 1
estu_genero 0 0 0
cole_naturaleza 0 0 0
cole_area_ubicacion 0 0 0
cole_calendario 0 0 0
cole_genero 0 0 0
cole_jornada 0 0 0
cole_sede_principal 0 0 0
cole_cod_depto_ubicacion 0 0 0
cole_cod_mcpio_ubicacion 0 0 0
cole_cod_mcpio_ubicacion
fami_estratovivienda 0
fami_educacionmadre 0
fami_educacionpadre 0
fami_tieneinternet 0
fami_tieneautomovil 0
fami_cuartoshogar 0
fami_tienecomputador 0
fami_personashogar 0
fami_tienelavadora 0
estu_genero 0
cole_naturaleza 0
cole_area_ubicacion 0
cole_calendario 0
cole_genero 0
cole_jornada 0
cole_sede_principal 0
cole_cod_depto_ubicacion 0
cole_cod_mcpio_ubicacion 0
>4.21.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.22 7.10.3. DOCUMENTAR LAS RELACIONES PREDICTIVAS ACTIVAS
4.22.1 Procedimiento
Convierte predictorMatrix en una tabla larga tipo tibble que documenta únicamente las relaciones predictivas activas
Muestra las 144 relaciones predictivas activas utilizando el método de impresión de tibble
Verifica matemáticamente las nueve ecuaciones con dieciséis predictores cada una
Verifica que únicamente las nueve variables objetivo tengan relaciones predictivas
4.22.2 Resultado de consola
>
# A tibble: 144 × 3
variable_objetivo variable_predictora activa
<chr> <chr> <int>
1 fami_cuartoshogar cole_area_ubicacion 1
2 fami_cuartoshogar cole_calendario 1
3 fami_cuartoshogar cole_cod_depto_ubicacion 1
4 fami_cuartoshogar cole_genero 1
5 fami_cuartoshogar cole_jornada 1
6 fami_cuartoshogar cole_naturaleza 1
7 fami_cuartoshogar cole_sede_principal 1
8 fami_cuartoshogar estu_genero 1
9 fami_cuartoshogar fami_educacionmadre 1
10 fami_cuartoshogar fami_educacionpadre 1
11 fami_cuartoshogar fami_estratovivienda 1
12 fami_cuartoshogar fami_personashogar 1
13 fami_cuartoshogar fami_tieneautomovil 1
14 fami_cuartoshogar fami_tienecomputador 1
15 fami_cuartoshogar fami_tieneinternet 1
16 fami_cuartoshogar fami_tienelavadora 1
17 fami_educacionmadre cole_area_ubicacion 1
18 fami_educacionmadre cole_calendario 1
19 fami_educacionmadre cole_cod_depto_ubicacion 1
20 fami_educacionmadre cole_genero 1
21 fami_educacionmadre cole_jornada 1
22 fami_educacionmadre cole_naturaleza 1
23 fami_educacionmadre cole_sede_principal 1
24 fami_educacionmadre estu_genero 1
25 fami_educacionmadre fami_cuartoshogar 1
26 fami_educacionmadre fami_educacionpadre 1
27 fami_educacionmadre fami_estratovivienda 1
28 fami_educacionmadre fami_personashogar 1
29 fami_educacionmadre fami_tieneautomovil 1
30 fami_educacionmadre fami_tienecomputador 1
31 fami_educacionmadre fami_tieneinternet 1
32 fami_educacionmadre fami_tienelavadora 1
33 fami_educacionpadre cole_area_ubicacion 1
34 fami_educacionpadre cole_calendario 1
35 fami_educacionpadre cole_cod_depto_ubicacion 1
36 fami_educacionpadre cole_genero 1
37 fami_educacionpadre cole_jornada 1
38 fami_educacionpadre cole_naturaleza 1
39 fami_educacionpadre cole_sede_principal 1
40 fami_educacionpadre estu_genero 1
41 fami_educacionpadre fami_cuartoshogar 1
42 fami_educacionpadre fami_educacionmadre 1
43 fami_educacionpadre fami_estratovivienda 1
44 fami_educacionpadre fami_personashogar 1
45 fami_educacionpadre fami_tieneautomovil 1
46 fami_educacionpadre fami_tienecomputador 1
47 fami_educacionpadre fami_tieneinternet 1
48 fami_educacionpadre fami_tienelavadora 1
49 fami_estratovivienda cole_area_ubicacion 1
50 fami_estratovivienda cole_calendario 1
51 fami_estratovivienda cole_cod_depto_ubicacion 1
52 fami_estratovivienda cole_genero 1
53 fami_estratovivienda cole_jornada 1
54 fami_estratovivienda cole_naturaleza 1
55 fami_estratovivienda cole_sede_principal 1
56 fami_estratovivienda estu_genero 1
57 fami_estratovivienda fami_cuartoshogar 1
58 fami_estratovivienda fami_educacionmadre 1
59 fami_estratovivienda fami_educacionpadre 1
60 fami_estratovivienda fami_personashogar 1
61 fami_estratovivienda fami_tieneautomovil 1
62 fami_estratovivienda fami_tienecomputador 1
63 fami_estratovivienda fami_tieneinternet 1
64 fami_estratovivienda fami_tienelavadora 1
65 fami_personashogar cole_area_ubicacion 1
66 fami_personashogar cole_calendario 1
67 fami_personashogar cole_cod_depto_ubicacion 1
68 fami_personashogar cole_genero 1
69 fami_personashogar cole_jornada 1
70 fami_personashogar cole_naturaleza 1
71 fami_personashogar cole_sede_principal 1
72 fami_personashogar estu_genero 1
73 fami_personashogar fami_cuartoshogar 1
74 fami_personashogar fami_educacionmadre 1
75 fami_personashogar fami_educacionpadre 1
76 fami_personashogar fami_estratovivienda 1
77 fami_personashogar fami_tieneautomovil 1
78 fami_personashogar fami_tienecomputador 1
79 fami_personashogar fami_tieneinternet 1
80 fami_personashogar fami_tienelavadora 1
81 fami_tieneautomovil cole_area_ubicacion 1
82 fami_tieneautomovil cole_calendario 1
83 fami_tieneautomovil cole_cod_depto_ubicacion 1
84 fami_tieneautomovil cole_genero 1
85 fami_tieneautomovil cole_jornada 1
86 fami_tieneautomovil cole_naturaleza 1
87 fami_tieneautomovil cole_sede_principal 1
88 fami_tieneautomovil estu_genero 1
89 fami_tieneautomovil fami_cuartoshogar 1
90 fami_tieneautomovil fami_educacionmadre 1
91 fami_tieneautomovil fami_educacionpadre 1
92 fami_tieneautomovil fami_estratovivienda 1
93 fami_tieneautomovil fami_personashogar 1
94 fami_tieneautomovil fami_tienecomputador 1
95 fami_tieneautomovil fami_tieneinternet 1
96 fami_tieneautomovil fami_tienelavadora 1
97 fami_tienecomputador cole_area_ubicacion 1
98 fami_tienecomputador cole_calendario 1
99 fami_tienecomputador cole_cod_depto_ubicacion 1
100 fami_tienecomputador cole_genero 1
101 fami_tienecomputador cole_jornada 1
102 fami_tienecomputador cole_naturaleza 1
103 fami_tienecomputador cole_sede_principal 1
104 fami_tienecomputador estu_genero 1
105 fami_tienecomputador fami_cuartoshogar 1
106 fami_tienecomputador fami_educacionmadre 1
107 fami_tienecomputador fami_educacionpadre 1
108 fami_tienecomputador fami_estratovivienda 1
109 fami_tienecomputador fami_personashogar 1
110 fami_tienecomputador fami_tieneautomovil 1
111 fami_tienecomputador fami_tieneinternet 1
112 fami_tienecomputador fami_tienelavadora 1
113 fami_tieneinternet cole_area_ubicacion 1
114 fami_tieneinternet cole_calendario 1
115 fami_tieneinternet cole_cod_depto_ubicacion 1
116 fami_tieneinternet cole_genero 1
117 fami_tieneinternet cole_jornada 1
118 fami_tieneinternet cole_naturaleza 1
119 fami_tieneinternet cole_sede_principal 1
120 fami_tieneinternet estu_genero 1
121 fami_tieneinternet fami_cuartoshogar 1
122 fami_tieneinternet fami_educacionmadre 1
123 fami_tieneinternet fami_educacionpadre 1
124 fami_tieneinternet fami_estratovivienda 1
125 fami_tieneinternet fami_personashogar 1
126 fami_tieneinternet fami_tieneautomovil 1
127 fami_tieneinternet fami_tienecomputador 1
128 fami_tieneinternet fami_tienelavadora 1
129 fami_tienelavadora cole_area_ubicacion 1
130 fami_tienelavadora cole_calendario 1
131 fami_tienelavadora cole_cod_depto_ubicacion 1
132 fami_tienelavadora cole_genero 1
133 fami_tienelavadora cole_jornada 1
134 fami_tienelavadora cole_naturaleza 1
135 fami_tienelavadora cole_sede_principal 1
136 fami_tienelavadora estu_genero 1
137 fami_tienelavadora fami_cuartoshogar 1
138 fami_tienelavadora fami_educacionmadre 1
139 fami_tienelavadora fami_educacionpadre 1
140 fami_tienelavadora fami_estratovivienda 1
141 fami_tienelavadora fami_personashogar 1
142 fami_tienelavadora fami_tieneautomovil 1
143 fami_tienelavadora fami_tienecomputador 1
144 fami_tienelavadora fami_tieneinternet 1
>
>
VALIDACIÓN: predictorMatrix contiene exactamente 144 relaciones predictivas activas.
>4.22.3 Conclusión
VALIDACIÓN: predictorMatrix contiene exactamente 144 relaciones predictivas activas.
4.23 7.10.4. VALIDAR EL NÚMERO DE RELACIONES POR VARIABLE OBJETIVO
4.23.1 Procedimiento
Cuenta las relaciones predictivas activas de cada una de las nueve variables objetivo
Muestra el número de predictores utilizado por cada ecuación MICE
Verifica que existan nueve ecuaciones de imputación
Verifica la arquitectura 8 variables objetivo restantes más 8 auxiliares
4.23.2 Resultado de consola
A tibble: 9 × 2
variable_objetivo numero_predictores
1 fami_cuartoshogar 16 2 fami_educacionmadre 16 3 fami_educacionpadre 16 4 fami_estratovivienda 16 5 fami_personashogar 16 6 fami_tieneautomovil 16 7 fami_tienecomputador 16 8 fami_tieneinternet 16 9 fami_tienelavadora 16 VALIDACIÓN: las nueve variables objetivo utilizan exactamente 16 predictores cada una.
4.23.3 Tabla
maestra de métodos de imputación del paquete
mice**
| Grupo | Método en mice() |
Función | Tipo de variable objetivo | ¿Qué hace? | ¿Cuándo se usa? | Ventaja principal | Limitación / advertencia | Recomendación práctica |
|---|---|---|---|---|---|---|---|---|
| Numérica continua | pmm |
mice.impute.pmm() |
Numérica continua | Predictive Mean Matching. Ajusta un modelo predictivo, identifica casos observados con predicciones similares y selecciona un valor real entre los donantes. | Cuando interesa conservar valores plausibles y aproximadamente la distribución observada. | Imputa valores realmente observados y es relativamente robusto frente a desviaciones de normalidad. | Depende de la calidad de los predictores y de los
donantes; donors = 1 no es recomendable. |
Muy buena opción general para variables continuas. |
| Numérica continua | midastouch |
mice.impute.midastouch() |
Numérica continua | Variante de PMM con selección probabilística de donantes basada en distancias. | Cuando se desea una selección de donantes más elaborada que PMM convencional. | Incorpora la distancia entre casos en la probabilidad de seleccionar cada donante. | Mayor complejidad y no necesariamente mejora a
pmm en todos los casos. |
Alternativa para comparar con pmm. |
| Numérica continua | sample |
mice.impute.sample() |
Valores observados de la variable | Extrae aleatoriamente valores observados de
y y los utiliza como imputaciones. |
Como procedimiento simple o de referencia. | Simple y conserva valores existentes. | No utiliza las relaciones con las variables predictoras. | Más apropiado como baseline que como método predictivo principal. |
| Numérica / categórica | cart |
mice.impute.cart() |
Numérica o categórica | Utiliza árboles de clasificación o regresión y selecciona valores observados dentro de los nodos terminales. | Cuando existen no linealidades, interacciones o relaciones complejas. | Detecta automáticamente no linealidades e interacciones. | Depende de la estructura y parámetros del árbol. | Buena alternativa ante relaciones complejas. |
| Numérica / categórica | rf |
mice.impute.rf() |
Numérica o categórica | Imputa mediante Random Forest, utilizando múltiples árboles de clasificación o regresión. | Relaciones predictivas complejas, no lineales y con interacciones. | Alta flexibilidad predictiva. | Puede ser computacionalmente costoso en datasets grandes. | Considerarlo cuando la complejidad justifique el costo computacional. |
| Numérica continua | mean |
mice.impute.mean() |
Numérica continua | Sustituye los faltantes por la media de los valores observados. | Principalmente para referencia o demostración. | Extremadamente sencillo y rápido. | Reduce artificialmente la variabilidad y altera relaciones estadísticas. | No utilizar rutinariamente como método definitivo. |
| Numérica continua | norm |
mice.impute.norm() |
Numérica continua | Imputación mediante regresión lineal bayesiana. | Cuando una estructura aproximadamente lineal/normal condicional es razonable. | Incorpora incertidumbre de los parámetros. | Depende de los supuestos del modelo lineal normal. | Método paramétrico apropiado cuando sus supuestos son defendibles. |
| Numérica continua | norm.nob |
mice.impute.norm.nob() |
Numérica continua | Utiliza regresión lineal sin incorporar incertidumbre de los parámetros. | Situaciones específicas o comparativas. | Puede ser computacionalmente rápido. | No es adecuado en el sentido de Rubin y puede subestimar la variabilidad. | No sería una primera opción para imputación múltiple definitiva. |
| Numérica continua | norm.boot |
mice.impute.norm.boot() |
Numérica continua | Ajusta regresión lineal sobre una muestra bootstrap y añade residuos normales. | Cuando interesa incorporar incertidumbre mediante bootstrap. | El remuestreo incorpora variabilidad entre imputaciones. | Mantiene los supuestos fundamentales de la regresión lineal. | Alternativa paramétrica a norm. |
| Numérica continua | norm.predict |
mice.impute.norm.predict() |
Numérica continua | Utiliza directamente los valores predichos por una regresión como imputaciones. | Comparación o usos deterministas específicos. | Simple y rápido. | Ignora la incertidumbre de los faltantes y puede reforzar artificialmente relaciones. | No utilizar como método definitivo de imputación múltiple. |
| Numérica continua | lasso.norm |
mice.impute.lasso.norm() |
Numérica continua con muchos predictores | Utiliza directamente regresión lineal LASSO con bootstrap. | Alta dimensionalidad o necesidad de regularización. | Regulariza el modelo y puede reducir coeficientes poco informativos a cero. | Mayor complejidad y requiere determinar la penalización. | Candidato cuando existen muchos predictores. |
| Numérica continua | lasso.select.norm |
mice.impute.lasso.select.norm() |
Numérica continua con alta dimensionalidad | Utiliza LASSO para seleccionar predictores y posteriormente regresión lineal bayesiana. | Cuando existen muchos predictores y se necesita selección previa. | Reduce la dimensionalidad antes de la imputación. | La selección puede excluir predictores y aumenta la complejidad metodológica. | Útil con una predictorMatrix de alta
dimensionalidad. |
| Numérica continua | quadratic |
mice.impute.quadratic() |
Numérica continua con relación cuadrática | Preserva relaciones donde una variable interviene como efecto principal y cuadrático. | Cuando el modelo científico incluye explícitamente una relación cuadrática. | Mantiene coherencia entre términos lineales y cuadráticos. | Es un método especializado, no una alternativa general a PMM. | Utilizar solamente cuando exista una relación cuadrática que deba preservarse. |
| Especial / MNAR | ri |
mice.impute.ri() |
Variable bajo un planteamiento no ignorable | Implementa el Random Indicator Method. | Cuando se plantea explícitamente un mecanismo MNAR. | Permite estudiar escenarios de no ignorabilidad. | Requiere una justificación metodológica fuerte sobre el mecanismo de ausencia. | Método especializado para MNAR o análisis de sensibilidad. |
| Binaria | logreg |
mice.impute.logreg() |
Binaria | Utiliza regresión logística bayesiana para estimar probabilidades de las dos categorías. | Caso general de variables binarias con un conjunto razonable de predictores. | Natural e interpretable para respuestas binarias. | Deben vigilarse separación, predicción perfecta y modelos excesivamente complejos. | Método de referencia para variables binarias. |
| Binaria | logreg.boot |
mice.impute.logreg.boot() |
Binaria | Ajusta regresión logística sobre una muestra bootstrap de los casos observados. | Cuando interesa incorporar explícitamente incertidumbre mediante bootstrap. | Introduce variabilidad mediante remuestreo. | Mayor costo computacional que una regresión logística convencional. | Alternativa a logreg cuando interesa
bootstrap. |
| Binaria | lasso.logreg |
mice.impute.lasso.logreg() |
Binaria con muchos predictores | Utiliza directamente regresión logística LASSO con bootstrap. | Alta dimensionalidad o necesidad de regularización. | Combina imputación logística y regularización. | Mayor complejidad y requiere selección de la penalización. | Especialmente útil con muchos predictores. |
| Binaria | lasso.select.logreg |
mice.impute.lasso.select.logreg() |
Binaria con alta dimensionalidad | Primero selecciona predictores mediante LASSO y después ajusta la regresión logística. | Cuando se necesita selección automática previa de predictores. | Reduce el conjunto de variables antes de la imputación. | Un predictor incluido en predictorMatrix
puede finalmente no ser seleccionado por LASSO. |
Útil en problemas de alta dimensionalidad. |
| Ordinal | polr |
mice.impute.polr() |
Categórica ordinal con >2 niveles | Utiliza regresión logística de probabilidades proporcionales para categorías ordenadas. | Cuando las categorías presentan un orden natural real. | Aprovecha explícitamente la información ordinal. | Puede presentar dificultades con datos escasos o predicción perfecta. | Método de referencia para variables ordinales. |
| Nominal | polyreg |
mice.impute.polyreg() |
Categórica nominal con >2 niveles | Ajusta una regresión politómica/multinomial bayesiana y estima probabilidades para cada categoría. | Cuando existen tres o más categorías sin orden natural. | No impone una jerarquía artificial entre las categorías. | Puede ser computacionalmente exigente con muchas categorías o predictores. | Método de referencia para variables nominales multinomiales. |
| Categórica | lda |
mice.impute.lda() |
Categórica | Utiliza análisis discriminante lineal y probabilidades posteriores para producir las imputaciones. | Como alternativa para variables categóricas. | Puede ser más rápido y consumir menos recursos que
polyreg. |
No incorpora la variabilidad de los pesos discriminantes; la documentación advierte que no es adecuado en el sentido de Rubin. | Alternativa computacional, pero no primera elección para una imputación múltiple definitiva. |
4.23.4 Lectura rápida para seleccionar el método
De la tabla maestra de métodos de imputación del paquete
mice puede extraerse una regla práctica para orientar la
selección inicial del método de imputación de acuerdo con la naturaleza
estadística de la variable objetivo y las características del
problema.
| Tipo de variable | Situación principal | Método MICE sugerido |
|---|---|---|
| Numérica continua | Uso general y conservación de valores plausibles | pmm |
| Numérica continua | Relación aproximadamente lineal y normal | norm |
| Numérica o categórica | No linealidad o presencia de interacciones | cart |
| Numérica o categórica | Alta complejidad predictiva | rf |
| Numérica continua | Alta dimensionalidad o muchos predictores | lasso.norm,
lasso.select.norm |
| Binaria | Uso general | logreg |
| Binaria | Incorporación explícita de bootstrap | logreg.boot |
| Binaria | Alta dimensionalidad o muchos predictores | lasso.logreg,
lasso.select.logreg |
| Ordinal con más de 2 niveles | Existe un orden natural entre las categorías | polr |
| Nominal con más de 2 niveles | No existe un orden natural entre las categorías | polyreg |
| Categórica | Alternativa mediante análisis discriminante lineal | lda |
| Especial | Relación cuadrática que debe preservarse | quadratic |
| Especial | Hipótesis explícita de datos MNAR (Missing Not At Random) | ri |
Para el periodo 20224 de Saber 11, esta clasificación permite
justificar directamente la arquitectura de imputación definida. Se
utiliza logreg para las cuatro variables binarias;
polr para fami_cuartoshogar y
fami_personashogar, debido a que presentan categorías con
un orden natural; y polyreg para
fami_estratovivienda, fami_educacionmadre y
fami_educacionpadre, debido a que la estructura completa de
sus categorías no permite establecer un orden inequívoco sin realizar
recodificaciones adicionales.
En consecuencia, la selección del método MICE no debe realizarse únicamente a partir de la cantidad de valores faltantes. Debe considerar principalmente la naturaleza estadística de la variable objetivo, la estructura de sus categorías, las relaciones con las variables predictoras, la dimensionalidad del modelo y los supuestos estadísticos del método de imputación.
4.23.5 Conclusión
lda | mice.impute.lda() |
Categórica | Utiliza análisis discriminante lineal y probabilidades
posteriores para producir las imputaciones. | Como alternativa para
variables categóricas. | Puede ser más rápido y consumir menos recursos
que polyreg. | No incorpora la variabilidad de los pesos
discriminantes; la documentación advierte que no es adecuado en el
sentido de Rubin. | Alternativa computacional, pero no primera elección
para una imputación múltiple definitiva. | Para el periodo 20224 de
Saber 11, esta clasificación permite justificar directamente la
arquitectura de imputación definida. Se utiliza logreg para
las cuatro variables binarias; polr para
fami_cuartoshogar y fami_personashogar, debido
a que presentan categorías con un orden natural; y polyreg
para fami_estratovivienda, fami_educacionmadre
y fami_educacionpadre, debido a que la estructura completa
de sus categorías no permite establecer un orden inequívoco sin realizar
recodificaciones adicionales. En consecuencia, la selección del método
MICE no debe realizarse únicamente a partir de la cantidad de valores
faltantes. Debe considerar principalmente la naturaleza estadística de
la variable objetivo, la estructura de sus categorías, las relaciones
con las variables predictoras, la dimensionalidad del modelo y los
supuestos estadísticos del método de imputación.4.24 EJECUTAR PRUEBA m = 1, maxit = 1
4.24.1 Procedimiento
Define la semilla oficial y reproducible utilizada en todo el proceso de imputación MICE
Fija la semilla global antes de ejecutar la prueba técnica
Registra el momento exacto en que comienza la prueba técnica
Informa el inicio de la ejecución
4.24.2 Resultado de consola
>
INICIO: prueba técnica MICE 20224 con m = 1 y maxit = 1.
Registros: 1065888
Variables: 18
Variables objetivo: 9
Imputaciones m: 1
Iteraciones maxit: 1
Semilla: 5477976
>4.24.3 Conclusión
Registros: 1065888 Variables: 18 Variables objetivo: 9
4.25 EJECUTAR PRUEBA m = 1, maxit = 1 — ejecución 2
4.25.1 Procedimiento
Define la semilla oficial y reproducible utilizada en todo el proceso de imputación MICE
Fija la semilla global antes de ejecutar la prueba técnica
Registra el momento exacto en que comienza la prueba técnica
Informa el inicio de la ejecución
4.25.2 Resultado de consola
>
INICIO: prueba técnica MICE 20224 con m = 1 y maxit = 1.
Registros: 1065888
Variables: 18
Variables objetivo: 9
Imputaciones m: 1
Iteraciones maxit: 1
Semilla: 5477976
>
iter imp variable
1 1 fami_estratovivienda fami_educacionmadre fami_educacionpadre fami_tieneinternet fami_tieneautomovil fami_cuartoshogar fami_tienecomputador fami_personashogar fami_tienelavadora
Avisos:
1: In UseMethod("depth") :
no applicable method for 'depth' applied to an object of class "NULL"
2: In UseMethod("depth") :
no applicable method for 'depth' applied to an object of class "NULL"
>
FIN: prueba técnica MICE 20224 completada.
Duración de la prueba en minutos: 87.14.25.3 Conclusión
Variables: 18 Variables objetivo: 9 FIN: prueba técnica MICE 20224 completada.
4.26 AUDITAR RESULTADO DE LA IMPUTACIÓN MICE
4.26.1 Procedimiento
Se ejecutó el bloque correspondiente a AUDITAR RESULTADO DE LA IMPUTACIÓN MICE, respetando la secuencia definida en el script y las validaciones asociadas.
4.26.2 Resultado de consola
>4.26.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.27 VALIDAR LA ESTRUCTURA DEL OBJETO MICE GENERADO
4.27.1 Procedimiento
Detiene la auditoría si el objeto MICE no existe
Verifica que mice() haya generado correctamente un objeto de imputación MICE
Informa la clase del objeto generado por MICE
Informa el número de realizaciones imputadas almacenadas en el objeto
4.27.2 Resultado de consola
>
Clase del objeto: mids
Número de realizaciones imputadas almacenadas: 1
Número de iteraciones ejecutadas: 1
Número de variables del objeto: 18
Número de registros del objeto: 1065888
>
VALIDACIÓN: el objeto prueba_mice_20224 tiene una estructura MICE válida y conserva las dimensiones y variables originales.
>4.27.3 Conclusión
Número de variables del objeto: 18 Número de registros del objeto: 1065888 VALIDACIÓN: el objeto prueba_mice_20224 tiene una estructura MICE válida y conserva las dimensiones y variables originales.
4.28 AUDITAR EVENTOS REGISTRADOS POR MICE
4.28.1 Procedimiento
Extrae los eventos internos registrados por MICE durante la ejecución
Informa que el componente loggedEvents del objeto MICE está vacío
Informa el número total de eventos internos registrados
Muestra todos los eventos para identificar las variables, métodos o predictores involucrados
4.28.2 Resultado de consola
>
EVENTOS MICE: no se registraron eventos internos durante la imputación.
>4.28.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.29 VALIDAR LA CANTIDAD DE POSICIONES DE IMPUTACIÓN GENERADAS POR VARIABLE
4.29.1 Procedimiento
Incluye exclusivamente las nueve variables socioeconómicas objetivo
Cuenta los valores faltantes originales de cada variable objetivo
Cuenta las posiciones almacenadas por MICE para cada variable objetivo
Calcula la diferencia entre posiciones de imputación y faltantes originales
4.29.2 Resultado de consola
>
# A tibble: 9 × 5
variable faltantes_originales posiciones_imputacion diferencia coincide
<chr> <int> <int> <int> <lgl>
1 fami_estratovivienda 71842 71842 0 TRUE
2 fami_educacionmadre 62036 62036 0 TRUE
3 fami_educacionpadre 61824 61824 0 TRUE
4 fami_tieneinternet 63326 63326 0 TRUE
5 fami_tieneautomovil 49170 49170 0 TRUE
6 fami_cuartoshogar 47466 47466 0 TRUE
7 fami_tienecomputador 47138 47138 0 TRUE
8 fami_personashogar 45772 45772 0 TRUE
9 fami_tienelavadora 47282 47282 0 TRUE
>
VALIDACIÓN: MICE almacenó exactamente una posición de imputación para cada valor faltante de las nueve variables socioeconómicas objetivo.
>4.29.3 Conclusión
VALIDACIÓN: MICE almacenó exactamente una posición de imputación para cada valor faltante de las nueve variables socioeconómicas objetivo.
4.30 VALIDAR EL CONTENIDO DE LAS IMPUTACIONES GENERADAS
4.30.1 Procedimiento
Extrae los valores almacenados en la única realización imputada m = 1 para la variable evaluada
Recupera las categorías válidas definidas previamente para la variable objetivo
Identifica la variable socioeconómica objetivo auditada
Cuenta los valores faltantes originales que debían recibir una imputación
4.30.2 Resultado de consola
>
# A tibble: 9 × 10
variable imputaciones_esperadas imputaciones_generadas imputaciones_na
<chr> <int> <int> <int>
1 fami_estratovivienda 71842 71842 0
2 fami_educacionmadre 62036 62036 0
3 fami_educacionpadre 61824 61824 0
4 fami_tieneinternet 63326 63326 0
5 fami_tieneautomovil 49170 49170 0
6 fami_cuartoshogar 47466 47466 0
7 fami_tienecomputador 47138 47138 0
8 fami_personashogar 45772 45772 0
9 fami_tienelavadora 47282 47282 0
categorias_no_validas categorias_validas cantidad_correcta sin_na_residuales
<int> <int> <lgl> <lgl>
1 0 7 TRUE TRUE
2 0 12 TRUE TRUE
3 0 12 TRUE TRUE
4 0 2 TRUE TRUE
5 0 2 TRUE TRUE
6 0 6 TRUE TRUE
7 0 2 TRUE TRUE
8 0 5 TRUE TRUE
9 0 2 TRUE TRUE
categorias_correctas validacion
<lgl> <lgl>
1 TRUE TRUE
2 TRUE TRUE
3 TRUE TRUE
4 TRUE TRUE
5 TRUE TRUE
6 TRUE TRUE
7 TRUE TRUE
8 TRUE TRUE
9 TRUE TRUE
>
VALIDACIÓN: todas las posiciones de imputación contienen valores efectivos y categorías válidas.4.30.3 Conclusión
VALIDACIÓN: todas las posiciones de imputación contienen valores serios y categorías válidas.
4.31 CERRAR LA AUDITORÍA DE LA IMPUTACIÓN MICE
4.31.1 Procedimiento
Impide cerrar la etapa si alguna variable incumple los criterios de validación
Impide cerrar la etapa si permanece algún valor faltante
Impide cerrar la etapa si alguna imputación está fuera del dominio definido
Confirma el cierre formal de la auditoría de la primera familia de variables
4.31.2 Resultado de consola
VALIDACIÓN FINAL 7.12: las nueve variables socioeconómicas superaron completamente la auditoría de la imputación MICE.
>4.31.3 Conclusión
VALIDACIÓN FINAL 7.12: las nueve variables socioeconómicas superaron completamente la auditoría de la imputación MICE.
4.32 DEFINIR LA REALIZACIÓN IMPUTADA OPERATIVA
4.32.1 Procedimiento
Define una única realización imputada para la construcción operativa del dataset destinado al modelado
Registra la única iteración utilizada en la ejecución MICE ya validada
Conserva la semilla oficial del proyecto para garantizar reproducibilidad
Verifica que exista el objeto MICE previamente auditado
4.32.2 Resultado de consola
>
Realizaciones imputadas utilizadas: 1
Iteraciones utilizadas: 1
Semilla oficial: 5477976
VALIDACIÓN: la realización imputada socioeconómica quedó definida para su reintegración.
>4.32.3 Conclusión
VALIDACIÓN: la realización imputada socioeconómica quedó definida para su reintegración.
4.33 REINTEGRAR LAS NUEVE VARIABLES SOCIOECONÓMICAS
4.33.1 Procedimiento
Se ejecutó el bloque correspondiente a REINTEGRAR LAS NUEVE VARIABLES SOCIOECONÓMICAS, respetando la secuencia definida en el script y las validaciones asociadas.
4.33.2 Resultado de consola
>4.33.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.34 EXTRAER EL DATASET COMPLETADO DEL OBJETO MICE
4.34.1 Procedimiento
Extrae la única realización completada almacenada en el objeto MICE
Verifica la conservación del número de observaciones
Verifica la conservación del número de variables
Verifica la conservación exacta del esquema del dataset mínimo
4.34.2 Resultado de consola
>
>
>
fami_estratovivienda fami_educacionmadre fami_educacionpadre fami_tieneinternet
0 0 0 0
fami_tieneautomovil fami_cuartoshogar fami_tienecomputador fami_personashogar
0 0 0 0
fami_tienelavadora
0
>
VALIDACIÓN: la realización completada contiene cero NA en las nueve variables socioeconómicas.
>4.34.3 Conclusión
VALIDACIÓN: la realización completada contiene cero NA en las nueve variables socioeconómicas.
4.35 CARGAR LAS 79 VARIABLES DE LA BASE DEPURADA
4.35.1 Procedimiento
Materializa una sola vez las 79 variables de la base depurada del periodo 20224
Verifica correspondencia fila a fila antes de reintegrar
Verifica la dimensión esperada del dataset científico
Verifica la conservación exacta del esquema original
4.35.2 Resultado de consola
>
Registros de la base completa: 1065888
Variables de la base completa: 79
VALIDACIÓN: la base completa de 79 variables está disponible para la reintegración.
>4.35.3 Conclusión
Registros de la base completa: 1065888 Variables de la base completa: 79 VALIDACIÓN: la base completa de 79 variables está disponible para la reintegración.
4.36 REINTEGRAR EXCLUSIVAMENTE LOS VALORES IMPUTADOS
4.36.1 Procedimiento
Crea la base de trabajo que recibirá progresivamente todas las imputaciones del periodo 20224
Identifica exclusivamente las posiciones originalmente faltantes de la variable
Reintegra únicamente los valores generados para las posiciones originalmente faltantes
Confirma la finalización de la reintegración
4.36.2 Resultado de consola
>
VALIDACIÓN: las nueve variables socioeconómicas fueron reintegradas a la base completa.
>4.36.3 Conclusión
VALIDACIÓN: las nueve variables socioeconómicas fueron reintegradas a la base completa.
4.37 VALIDAR LA REINTEGRACIÓN DE LAS NUEVE VARIABLES SOCIOECONÓMICAS
4.37.1 Procedimiento
Identifica las posiciones que originalmente requerían imputación
Identifica las posiciones que originalmente contenían información observada
Muestra la auditoría completa de la reintegración socioeconómica
Verifica que cada posición faltante haya recibido un valor
4.37.2 Resultado de consola
+
>
# A tibble: 9 × 5
variable faltantes_originales valores_reintegrados faltantes_residuales
<chr> <int> <int> <int>
1 fami_estratovivienda 71842 71842 0
2 fami_educacionmadre 62036 62036 0
3 fami_educacionpadre 61824 61824 0
4 fami_tieneinternet 63326 63326 0
5 fami_tieneautomovil 49170 49170 0
6 fami_cuartoshogar 47466 47466 0
7 fami_tienecomputador 47138 47138 0
8 fami_personashogar 45772 45772 0
9 fami_tienelavadora 47282 47282 0
observados_modificados
<int>
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
>
>
VALIDACIÓN FINAL 7.14: las nueve variables socioeconómicas fueron reintegradas sin NA residuales y sin modificar valores originalmente observados.
>4.37.3 Conclusión
VALIDACIÓN FINAL 7.14: las nueve variables socioeconómicas fueron reintegradas sin NA residuales y sin modificar valores originalmente observados.
4.38 IMPUTACIÓN DE VARIABLES RESIDUALES PARA MODELADO
4.38.1 Procedimiento
Se ejecutó el bloque correspondiente a IMPUTACIÓN DE VARIABLES RESIDUALES PARA MODELADO, respetando la secuencia definida en el script y las validaciones asociadas.
4.38.2 Resultado de consola
>4.38.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.39 DEFINIR LAS VARIABLES QUE REQUIEREN TRATAMIENTO
4.39.1 Procedimiento
Define las variables categóricas residuales que serán evaluadas para imputación
Define las variables de inglés que requieren análisis para identificar su relación y estrategia de tratamiento
Define las variables derivadas de inglés que no serán imputadas independientemente antes de comprobar su regla de construcción
Integra las siete variables residuales que deben quedar resueltas al finalizar esta etapa
4.39.2 Resultado de consola
>
cole_bilingue cole_caracter estu_genero punt_ingles
192132 41006 10 3954
desemp_ingles punt_ingles_num punt_ingles_num_valido
3954 3954 3954
>
>
Variables categóricas para imputación: 3
Variables base de inglés para evaluación: 2
Variables derivadas de inglés para reconstrucción: 2
Total de variables que deben quedar resueltas: 7
VALIDACIÓN 8.1: las siete variables residuales fueron clasificadas y están disponibles para su tratamiento.
>
>4.39.3 Conclusión
Variables derivadas de inglés para reconstrucción: 2 Total de variables que deben quedar resueltas: 7 VALIDACIÓN
8.1: las siete variables residuales fueron clasificadas y están disponibles para su tratamiento.
4.40 IMPUTAR VARIABLES SOCIO/INSTITUCIONALES CATEGÓRICAS
4.40.1 Procedimiento
Se ejecutó el bloque correspondiente a IMPUTAR VARIABLES SOCIO/INSTITUCIONALES CATEGÓRICAS, respetando la secuencia definida en el script y las validaciones asociadas.
4.40.2 Resultado de consola
>4.40.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.41 AUDITAR LAS VARIABLES CATEGÓRICAS RESIDUALES
4.41.1 Procedimiento
Recupera la variable completa una sola vez durante su auditoría
Conserva exclusivamente los valores observados para evaluar su dominio
Identifica la variable auditada
Registra la clase actualmente almacenada en la base
4.41.2 Resultado de consola
+
>
# A tibble: 3 × 7
variable clase registros observados faltantes porcentaje_faltantes categorias_observadas
<chr> <chr> <int> <int> <int> <dbl> <int>
1 cole_bilingue character 1065888 873756 192132 18.0 2
2 cole_caracter character 1065888 1024882 41006 3.85 4
3 estu_genero character 1065888 1065878 10 0.0009 2
>
>
VALIDACIÓN 8.2.1: las tres variables categóricas residuales contienen información observada y valores faltantes susceptibles de tratamiento.
>4.41.3 Conclusión
variable clase registros observados faltantes porcentaje_faltantes categorias_observadas VALIDACIÓN 8.2.1: las tres variables categóricas residuales contienen información observada y valores faltantes susceptibles de tratamiento.
4.42 AUDITAR CATEGORÍAS Y FRECUENCIAS OBSERVADAS
4.42.1 Procedimiento
Muestra todas las categorías observadas, los NA y sus frecuencias para las tres variables
Detiene conceptualmente la etapa antes de seleccionar métodos sin evidencia empírica
4.42.2 Resultado de consola
>
# A tibble: 11 × 4
variable categoria frecuencia porcentaje
<chr> <chr> <int> <dbl>
1 cole_bilingue N 862442 80.9
2 cole_bilingue S 11314 1.06
3 cole_bilingue <NA> 192132 18.0
4 cole_caracter academico 540140 50.7
5 cole_caracter no aplica 17454 1.64
6 cole_caracter tecnico 117394 11.0
7 cole_caracter tecnico/academico 349894 32.8
8 cole_caracter <NA> 41006 3.85
9 estu_genero F 578736 54.3
10 estu_genero M 487142 45.7
11 estu_genero <NA> 10 0.0009
>
AUDITORÍA 8.2.2 COMPLETADA: revise las categorías y frecuencias antes de definir la naturaleza estadística y el método de imputación.
>4.42.3 Conclusión
AUDITORÍA COMPLETADA: revise las categorías y frecuencias antes de definir la naturaleza estadística y el método de imputación.
4.43 DEFINIR LA NATURALEZA ESTADÍSTICA DE LAS VARIABLES CATEGÓRICAS
4.43.1 Procedimiento
Define las variables residuales que presentan exactamente dos categorías observadas
Define la variable residual nominal con más de dos categorías observadas
Verifica la clasificación de las variables binarias
Verifica la clasificación de la variable nominal
4.43.2 Resultado de consola
>
# A tibble: 3 × 6
variable categorias_observadas categorias_definidas categorias_no_reconocidas
<chr> <int> <int> <int>
1 cole_bilingue 2 2 0
2 cole_caracter 4 4 0
3 estu_genero 2 2 0
categorias_definidas_no_observadas dominio_valido
<int> <lgl>
1 0 TRUE
2 0 TRUE
3 0 TRUE
>
Variables binarias residuales: 2
Variables nominales politómicas residuales: 1
VALIDACIÓN 8.2.3: las tres variables categóricas residuales tienen naturaleza estadística y dominios explícitamente definidos.
>4.43.3 Conclusión
Variables binarias residuales: 2 Variables nominales politómicas residuales: 1 VALIDACIÓN 8.2.3: las tres variables categóricas residuales tienen naturaleza estadística y dominios explícitamente definidos.
4.44 AUDITAR PREDICTORES CANDIDATOS PARA LAS VARIABLES CATEGÓRICAS
4.44.1 Procedimiento
Define un conjunto acotado de predictores institucionales, geográficos y socioeconómicos potencialmente informativos
Verifica la existencia de todos los predictores candidatos
Mantiene separados objetivos y predictores auxiliares
Evita redundancias en el conjunto candidato
4.44.2 Resultado de consola
>
# A tibble: 16 × 5
variable clase faltantes porcentaje_faltantes valores_distintos
<chr> <chr> <int> <dbl> <int>
1 cole_naturaleza character 2 0.0002 2
2 cole_area_ubicacion character 2 0.0002 2
3 cole_calendario character 2 0.0002 3
4 cole_genero character 2 0.0002 3
5 cole_jornada character 2 0.0002 6
6 cole_sede_principal character 2 0.0002 2
7 cole_cod_depto_ubicacion character 2 0.0002 33
8 fami_estratovivienda character 0 0 7
9 fami_educacionmadre character 0 0 12
10 fami_educacionpadre character 0 0 12
11 fami_tieneinternet character 0 0 2
12 fami_tieneautomovil character 0 0 2
13 fami_cuartoshogar character 0 0 6
14 fami_tienecomputador character 0 0 2
15 fami_personashogar character 0 0 5
16 fami_tienelavadora character 0 0 2
>
AUDITORÍA 8.2.4 COMPLETADA: los predictores candidatos están disponibles para evaluar completitud y cardinalidad antes de construir MICE.4.44.3 Conclusión
AUDITORÍA COMPLETADA: los predictores candidatos están disponibles para evaluar completitud y cardinalidad antes de construir MICE.
4.45 DEFINIR LA NATURALEZA ESTADÍSTICA DE LAS VARIABLES CATEGÓRICAS — ejecución 2
4.45.1 Procedimiento
Define las variables residuales que presentan exactamente dos categorías observadas
Define la variable residual nominal con más de dos categorías observadas
Verifica la clasificación de las variables binarias
Verifica la clasificación de la variable nominal
4.45.2 Resultado de consola
>
# A tibble: 3 × 6
variable categorias_observadas categorias_definidas categorias_no_reconocidas
<chr> <int> <int> <int>
1 cole_bilingue 2 2 0
2 cole_caracter 4 4 0
3 estu_genero 2 2 0
categorias_definidas_no_observadas dominio_valido
<int> <lgl>
1 0 TRUE
2 0 TRUE
3 0 TRUE
>
Variables binarias residuales: 2
Variables nominales politómicas residuales: 1
VALIDACIÓN 8.2.3: las tres variables categóricas residuales tienen naturaleza estadística y dominios explícitamente definidos.
>4.45.3 Conclusión
Variables binarias residuales: 2 Variables nominales politómicas residuales: 1 VALIDACIÓN 8.2.3: las tres variables categóricas residuales tienen naturaleza estadística y dominios explícitamente definidos.
4.46 AUDITAR PREDICTORES CANDIDATOS PARA LAS VARIABLES CATEGÓRICAS — ejecución 2
4.46.1 Procedimiento
Define un conjunto acotado de predictores institucionales, geográficos y socioeconómicos potencialmente informativos
Verifica la existencia de todos los predictores candidatos
Mantiene separados objetivos y predictores auxiliares
Evita redundancias en el conjunto candidato
4.46.2 Resultado de consola
>
# A tibble: 16 × 5
variable clase faltantes porcentaje_faltantes valores_distintos
<chr> <chr> <int> <dbl> <int>
1 cole_naturaleza character 2 0.0002 2
2 cole_area_ubicacion character 2 0.0002 2
3 cole_calendario character 2 0.0002 3
4 cole_genero character 2 0.0002 3
5 cole_jornada character 2 0.0002 6
6 cole_sede_principal character 2 0.0002 2
7 cole_cod_depto_ubicacion character 2 0.0002 33
8 fami_estratovivienda character 0 0 7
9 fami_educacionmadre character 0 0 12
10 fami_educacionpadre character 0 0 12
11 fami_tieneinternet character 0 0 2
12 fami_tieneautomovil character 0 0 2
13 fami_cuartoshogar character 0 0 6
14 fami_tienecomputador character 0 0 2
15 fami_personashogar character 0 0 5
16 fami_tienelavadora character 0 0 2
>
AUDITORÍA 8.2.4 COMPLETADA: los predictores candidatos están disponibles para evaluar completitud y cardinalidad antes de construir MICE.
>4.46.3 Conclusión
AUDITORÍA COMPLETADA: los predictores candidatos están disponibles para evaluar completitud y cardinalidad antes de construir MICE.
4.47 SELECCIONAR PREDICTORES PARA LAS VARIABLES CATEGÓRICAS RESIDUALES
4.47.1 Procedimiento
Conserva los 16 predictores candidatos después de comprobar su completitud y cardinalidad
Verifica el tamaño esperado del conjunto predictor
Verifica nuevamente la existencia de todos los predictores
Mantiene separados objetivos y predictores auxiliares
4.47.2 Resultado de consola
>
Predictores auxiliares seleccionados: 16
[1] "cole_naturaleza" "cole_area_ubicacion" "cole_calendario"
[4] "cole_genero" "cole_jornada" "cole_sede_principal"
[7] "cole_cod_depto_ubicacion" "fami_estratovivienda" "fami_educacionmadre"
[10] "fami_educacionpadre" "fami_tieneinternet" "fami_tieneautomovil"
[13] "fami_cuartoshogar" "fami_tienecomputador" "fami_personashogar"
[16] "fami_tienelavadora"
VALIDACIÓN 8.2.5: los predictores auxiliares para las variables categóricas residuales quedaron seleccionados.
>4.47.3 Conclusión
VALIDACIÓN 8.2.5: los predictores auxiliares para las variables categóricas residuales quedaron seleccionados.
4.48 CONSTRUIR EL DATASET DE IMPUTACIÓN CATEGÓRICA
4.48.1 Procedimiento
Integra las tres variables objetivo y los 16 predictores auxiliares sin duplicados
Verifica la arquitectura prevista del modelo
Comprueba la existencia de todas las variables antes de crear el dataset mínimo
Construye un dataset mínimo sin duplicar variables innecesarias
4.48.2 Resultado de consola
>
4.48.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.49 PREPARAR LOS TIPOS DE DATOS PARA MICE
4.49.1 Procedimiento
Registra los faltantes existentes antes de modificar las clases de las variables
Convierte bilingüismo en factor binario utilizando exclusivamente las categorías previamente validadas
Convierte carácter institucional en factor nominal politómico utilizando su dominio validado
Convierte género del estudiante en factor binario utilizando exclusivamente sus categorías observadas
4.49.2 Resultado de consola
>
# A tibble: 19 × 5
variable faltantes_antes faltantes_despues nuevos_faltantes clase_final
<chr> <int> <int> <int> <chr>
1 cole_bilingue 192132 192132 0 factor
2 cole_caracter 41006 41006 0 factor
3 estu_genero 10 10 0 factor
4 cole_naturaleza 2 2 0 factor
5 cole_area_ubicacion 2 2 0 factor
6 cole_calendario 2 2 0 factor
7 cole_genero 2 2 0 factor
8 cole_jornada 2 2 0 factor
9 cole_sede_principal 2 2 0 factor
10 cole_cod_depto_ubicacion 2 2 0 factor
11 fami_estratovivienda 0 0 0 factor
12 fami_educacionmadre 0 0 0 factor
13 fami_educacionpadre 0 0 0 factor
14 fami_tieneinternet 0 0 0 factor
15 fami_tieneautomovil 0 0 0 factor
16 fami_cuartoshogar 0 0 0 factor
17 fami_tienecomputador 0 0 0 factor
18 fami_personashogar 0 0 0 factor
19 fami_tienelavadora 0 0 0 factor
>
>
VALIDACIÓN 8.2.7: las 19 variables fueron preparadas como factores sin generar nuevos valores faltantes.
>4.49.3 Conclusión
VALIDACIÓN: las 19 variables fueron preparadas como factores sin generar nuevos valores faltantes.
4.50 PUNTO DE DECISIÓN — ejecución 2
4.50.1 Procedimiento
4.50.2 Resultado de consola
>4.50.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.51 AUDITAR LA SUPERPOSICIÓN DE FALTANTES ENTRE OBJETIVOS Y PREDICTORES
4.51.1 Procedimiento
Identifica las observaciones que requieren imputación para cada variable objetivo
Identifica las observaciones donde el predictor correspondiente está ausente
Evalúa cada combinación objetivo-predictor para detectar NA coincidentes
Conserva exclusivamente las predictoras que presentan al menos un valor faltante
4.51.2 Resultado de consola
>
# A tibble: 21 × 5
variable_objetivo variable_predictora faltantes_objetivo faltantes_predictora
<chr> <chr> <int> <int>
1 cole_bilingue cole_naturaleza 192132 2
2 cole_bilingue cole_area_ubicacion 192132 2
3 cole_bilingue cole_calendario 192132 2
4 cole_bilingue cole_genero 192132 2
5 cole_bilingue cole_jornada 192132 2
6 cole_bilingue cole_sede_principal 192132 2
7 cole_bilingue cole_cod_depto_ubicacion 192132 2
8 cole_caracter cole_naturaleza 41006 2
9 cole_caracter cole_area_ubicacion 41006 2
10 cole_caracter cole_calendario 41006 2
11 cole_caracter cole_genero 41006 2
12 cole_caracter cole_jornada 41006 2
13 cole_caracter cole_sede_principal 41006 2
14 cole_caracter cole_cod_depto_ubicacion 41006 2
15 estu_genero cole_naturaleza 10 2
16 estu_genero cole_area_ubicacion 10 2
17 estu_genero cole_calendario 10 2
18 estu_genero cole_genero 10 2
19 estu_genero cole_jornada 10 2
20 estu_genero cole_sede_principal 10 2
21 estu_genero cole_cod_depto_ubicacion 10 2
faltantes_superpuestos
<int>
1 2
2 2
3 2
4 2
5 2
6 2
7 2
8 2
9 2
10 2
11 2
12 2
13 2
14 2
15 0
16 0
17 0
18 0
19 0
20 0
21 0
>
>
Máxima superposición encontrada: 2
AUDITORÍA 8.2.8 COMPLETADA: la superposición de faltantes está disponible para definir la arquitectura definitiva de la predictorMatrix.
>4.51.3 Conclusión
AUDITORÍA COMPLETADA: la superposición de faltantes está disponible para definir la arquitectura definitiva de la predictorMatrix.
4.52 AUDITAR LOS REGISTROS CON FALTANTES INSTITUCIONALES SUPERPUESTOS
4.52.1 Procedimiento
Define exclusivamente las siete predictoras institucionales que presentan dos valores faltantes
Identifica las filas que presentan al menos un faltante dentro del bloque institucional predictor
Informa cuántos registros concentran los faltantes institucionales
Resume la disponibilidad de información objetivo e información auxiliar en los registros institucionalmente incompletos
4.52.2 Resultado de consola
>
Registros con al menos un predictor institucional faltante: 2
>
# A tibble: 2 × 6
fila cole_bilingue_na cole_caracter_na estu_genero_na predictores_institucionales_na
<int> <lgl> <lgl> <lgl> <dbl>
1 510438 TRUE TRUE FALSE 7
2 1043382 TRUE TRUE FALSE 7
predictores_familiares_na
<dbl>
1 0
2 0
>
VALIDACIÓN 8.2.9: los registros institucionales excepcionales fueron identificados y auditados antes de construir la predictorMatrix.
>4.52.3 Conclusión
Registros con al menos un predictor institucional faltante: 2 VALIDACIÓN: los registros institucionales excepcionales fueron identificados y auditados antes de construir la predictorMatrix.
4.53 DEFINIR LOS MÉTODOS MICE PARA LAS VARIABLES CATEGÓRICAS RESIDUALES
4.53.1 Procedimiento
Inicializa todas las variables sin método de imputación
Asigna los nombres del dataset a cada posición del vector de métodos
Asigna regresión logística binaria a la variable bilingüismo
Asigna regresión logística politómica a la variable carácter institucional
4.53.2 Resultado de consola
>
cole_bilingue cole_caracter estu_genero cole_naturaleza
"logreg" "polyreg" "logreg" ""
cole_area_ubicacion cole_calendario cole_genero cole_jornada
"" "" "" ""
cole_sede_principal cole_cod_depto_ubicacion fami_estratovivienda fami_educacionmadre
"" "" "" ""
fami_educacionpadre fami_tieneinternet fami_tieneautomovil fami_cuartoshogar
"" "" "" ""
fami_tienecomputador fami_personashogar fami_tienelavadora
"" "" ""
VALIDACIÓN 8.2.10: los métodos MICE quedaron definidos exclusivamente para las tres variables objetivo.4.53.3 Conclusión
VALIDACIÓN 8.2.10: los métodos MICE quedaron definidos exclusivamente para las tres variables objetivo.
4.54 CONSTRUIR LA MATRIZ DE PREDICTORES PARA LAS VARIABLES CATEGÓRICAS RESIDUALES
4.54.1 Procedimiento
Inicializa una matriz sin relaciones predictivas para controlar explícitamente la arquitectura del modelo
Permite que las tres variables objetivo aporten información predictiva entre sí
Impide que cualquier variable se utilice para predecirse a sí misma
Activa los 16 predictores auxiliares previamente auditados para cada variable objetivo
4.54.2 Resultado de consola
>
Variables de la predictorMatrix: 19
Variables objetivo: 3
Predictores activos por variable objetivo: 18 18 18
Relaciones predictivas activas: 54
VALIDACIÓN 8.2.11: la predictorMatrix categórica quedó construida sin autopredicción y sin imputar variables auxiliares.
>4.54.3 Conclusión
Variables de la predictorMatrix: 19 Variables objetivo: 3 VALIDACIÓN 8.2.11: la predictorMatrix categórica quedó construida sin autopredicción y sin imputar variables auxiliares.
4.55 VALIDAR LA INFORMACIÓN PREDICTIVA DISPONIBLE EN LOS REGISTROS EXCEPCIONALES
4.55.1 Procedimiento
Recupera exclusivamente los predictores activados para el objetivo
Cuantifica la información predictiva realmente disponible en cada registro excepcional para cada objetivo
Muestra la disponibilidad efectiva de predictores en los dos registros excepcionales
Impide ejecutar MICE si algún caso no dispone de información auxiliar
4.55.2 Resultado de consola
+
>
# A tibble: 6 × 5
fila variable_objetivo predictores_activos predictores_observados predictores_faltantes
<int> <chr> <int> <int> <int>
1 510438 cole_bilingue 18 10 8
2 1043382 cole_bilingue 18 10 8
3 510438 cole_caracter 18 10 8
4 1043382 cole_caracter 18 10 8
5 510438 estu_genero 18 9 9
6 1043382 estu_genero 18 9 9
>
VALIDACIÓN 8.2.12: los registros excepcionales conservan información predictiva disponible para las tres variables objetivo.
>4.55.3 Conclusión
VALIDACIÓN 8.2.12: los registros excepcionales conservan información predictiva disponible para las tres variables objetivo.
4.56 EJECUTAR IMPUTACIÓN DE VARIABLES CATEGÓRICAS RESIDUALES
4.56.1 Procedimiento
Define una única realización imputada para construir el dataset operativo
Define una única iteración de las ecuaciones encadenadas
Establece la semilla oficial y reproducible del proyecto
Verifica que se genere exactamente una realización imputada
4.56.2 Resultado de consola
>
Registros: 1065888
Variables del modelo: 19
Variables a imputar: 3
m: 1
maxit: 1
Semilla: 5477976
>
iter imp variable
1 1 cole_bilingue cole_caracter estu_genero
>
Duración de la imputación: 12.03 minutos.
IMPUTACIÓN 8.2.13 COMPLETADA.
>4.56.3 Conclusión
Variables del modelo: 19 Variables a imputar: 3 IMPUTACIÓN COMPLETADA.
4.57 EXTRAER Y VALIDAR EL DATASET CATEGÓRICO COMPLETADO
4.57.1 Procedimiento
Extrae del objeto MICE el dataset correspondiente a la realización imputada seleccionada
Utiliza como fuente el objeto mids generado en la imputación categórica residual
Selecciona la primera y única realización disponible porque la imputación fue ejecutada con m = 1
Almacena el dataset de 19 variables con los valores imputados incorporados
4.57.2 Resultado de consola
>
>
cole_bilingue cole_caracter estu_genero
2 2 0
>
Error: ERROR: permanecen valores faltantes después de la imputación categórica; no debe realizarse la reintegración.4.57.3 Conclusión
Error: ERROR: permanecen valores faltantes después de la imputación categórica; no debe realizarse la reintegración.
4.58 IMPUTAR VALORES RESIDUALES MEDIANTE LA MODA
4.58.1 Procedimiento
Define las variables categóricas que conservaron valores faltantes después de ejecutar MICE
Incluye la variable binaria de bilingüismo porque conserva dos valores faltantes
Incluye la variable nominal de carácter institucional porque conserva dos valores faltantes
Finaliza la definición de las variables que requieren imputación residual mediante la moda
4.58.2 Resultado de consola
>
cole_bilingue cole_caracter
"N" "academico"
>
cole_bilingue cole_caracter estu_genero
0 0 0
>
IMPUTACIÓN 8.2.15 COMPLETADA: los valores residuales no resueltos por MICE fueron imputados mediante la moda.4.58.3 Conclusión
IMPUTACIÓN COMPLETADA: los valores residuales no resueltos por MICE fueron imputados mediante la moda.
4.59 REINTEGRAR VARIABLES CATEGÓRICAS RESIDUALES AL DATASET PRINCIPAL
4.59.1 Procedimiento
Conserva temporalmente las tres variables originales para verificar posteriormente que los valores observados no sean modificados
Recorre individualmente cole_bilingue, cole_caracter y estu_genero
Identifica exclusivamente las posiciones que eran faltantes en el dataset principal antes de la reintegración
Reemplaza únicamente los NA originales por los valores obtenidos mediante MICE y, cuando fue necesario, mediante la moda residual
4.59.2 Resultado de consola
>
# A tibble: 3 × 5
variable faltantes_originales valores_reintegrados faltantes_residuales observados_modificados
<chr> <int> <int> <int> <int>
1 cole_bilingue 192132 192132 0 0
2 cole_caracter 41006 41006 0 0
3 estu_genero 10 10 0 0
>
VALIDACIÓN FINAL 8.2: cole_bilingue, cole_caracter y estu_genero fueron imputadas y reintegradas sin valores faltantes residuales ni modificaciones de valores originalmente observados.
>4.59.3 Conclusión
VALIDACIÓN FINAL: cole_bilingue, cole_caracter y estu_genero fueron imputadas y reintegradas sin valores faltantes residuales ni modificaciones de valores originalmente observados.
4.60 VERIFICAR NULOS DESPUÉS DE LA IMPUTACIÓN CATEGÓRICA
4.60.1 Procedimiento
Ejecuta la función general sobre las tres variables categóricas tratadas
Utiliza como fuente el dataset principal después de la reintegración
Limita la comprobación a cole_bilingue, cole_caracter y estu_genero
Conserva la tabla de resultados para trazabilidad posterior
4.60.2 Resultado de consola
# A tibble: 3 × 7
variable tipo registros observados nulos porcentaje_nulos estado
<chr> <chr> <int> <int> <int> <dbl> <chr>
1 cole_bilingue character 1065888 1065888 0 0 COMPLETA
2 cole_caracter character 1065888 1065888 0 0 COMPLETA
3 estu_genero character 1065888 1065888 0 0 COMPLETA
Variables verificadas: 3
Variables con nulos: 0
Variables sin nulos: 3
Total de celdas nulas: 0
>4.60.3 Conclusión
Variables verificadas: 3 Variables con nulos: 0 Variables sin nulos: 3
4.61 VERIFICAR ESTADO DE LAS VARIABLES DE INGLÉS
4.61.1 Procedimiento
Ejecuta la función general de verificación sobre las variables relacionadas con la prueba de inglés
Utiliza el dataset principal actualizado después de completar las variables categóricas residuales
Define exclusivamente las cuatro variables relacionadas con el componente de inglés
Incluye el puntaje original de inglés que presenta valores faltantes
4.61.2 Resultado de consola
# A tibble: 4 × 7
variable tipo registros observados nulos porcentaje_nulos estado
<chr> <chr> <int> <int> <int> <dbl> <chr>
1 punt_ingles character 1065888 1061934 3954 0.371 CON NULOS
2 desemp_ingles character 1065888 1061934 3954 0.371 CON NULOS
3 punt_ingles_num numeric 1065888 1061934 3954 0.371 CON NULOS
4 punt_ingles_num_valido numeric 1065888 1061934 3954 0.371 CON NULOS
Variables verificadas: 4
Variables con nulos: 4
Variables sin nulos: 0
Total de celdas nulas: 15816
>4.61.3 Conclusión
Variables verificadas: 4 Variables con nulos: 4 Variables sin nulos: 0
4.62 ANALIZAR RELACIÓN ENTRE LAS VARIABLES DE INGLÉS
4.62.1 Procedimiento
Utiliza el dataset principal actualizado como fuente para analizar las categorías de desempeño en inglés
Cuenta la frecuencia absoluta de cada categoría observada de desempeño y ordena los resultados de mayor a menor frecuencia
Muestra todas las categorías de desempeño en inglés junto con sus frecuencias absolutas
Calcula los principales estadísticos descriptivos del puntaje numérico de inglés
4.62.2 Resultado de consola
# A tibble: 6 × 2
desemp_ingles n
<chr> <int>
1 A- 501208
2 A1 282322
3 A2 166124
4 B1 88652
5 B+ 23628
6 NA 3954
>
Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
0.00 39.00 49.00 49.86 58.00 100.00 3954
>
# A tibble: 61 × 2
punt_ingles_num_valido n
<dbl> <int>
1 39 33096
2 40 32974
3 38 32026
4 35 31416
5 41 31268
6 37 31252
7 42 30418
8 36 30268
9 34 29694
10 53 29582
11 54 29478
12 55 29298
13 52 28934
14 43 28600
15 56 28208
16 51 28064
17 50 27830
18 44 27550
19 49 27362
20 45 27166
21 46 26956
22 48 26952
23 33 26940
24 57 26614
25 47 26320
26 58 24760
27 59 22346
28 32 20822
29 60 19670
30 61 18188
31 31 16998
32 62 16678
33 63 15108
34 64 13864
35 65 12298
36 67 11664
37 66 11548
38 68 10934
39 30 10706
40 71 9632
41 69 9400
42 70 9170
43 72 8718
44 73 7830
45 74 7672
46 75 7540
47 76 6842
48 77 5754
49 100 5450
50 78 5160
51 79 4418
52 29 4336
53 80 3988
54 NA 3954
55 81 3128
56 82 2852
57 83 2332
58 0 1752
59 84 766
60 85 694
61 28 650
>
>
Registros comparables entre punt_ingles y punt_ingles_num: 1061934
Coincidencias exactas: 1061934
Diferencias: 0
Conversiones no numéricas: 0
>
# A tibble: 5 × 4
desemp_ingles registros puntaje_minimo puntaje_maximo
<chr> <int> <dbl> <dbl>
1 A- 501208 0 47
2 A1 282322 48 57
3 A2 166124 58 67
4 B+ 23628 79 100
5 B1 88652 68 78
>4.62.3 Conclusión
Registros comparables entre punt_ingles y punt_ingles_num: 1061934 desemp_ingles registros puntaje_minimo puntaje_maximo
4.63 8.3.2. IMPUTAR PUNTAJE DE INGLÉS MEDIANTE LA MEDIANA
4.63.1 Procedimiento
Calcula la mediana utilizando exclusivamente los puntajes de inglés numéricos observados
Muestra el valor central que será utilizado para completar los registros faltantes
Identifica exclusivamente las posiciones donde el puntaje numérico de inglés se encuentra ausente
Informa el número exacto de registros que recibirán la mediana
4.63.2 Resultado de consola
Mediana de punt_ingles_num utilizada para la imputación: 49
>
Registros de inglés que serán imputados: 3954
>
IMPUTACIÓN 8.3.2 COMPLETADA: punt_ingles_num fue imputada mediante la mediana.4.63.3 Conclusión
Registros de inglés que serán imputados: 3954
IMPUTACIÓNCOMPLETADA: punt_ingles_num fue imputada mediante la mediana.
4.64 RECONSTRUIR VARIABLES DERIVADAS DE INGLÉS
4.64.1 Procedimiento
Reconstruye el puntaje original en formato character utilizando el puntaje numérico ya imputado
Reconstruye la variable numérica derivada utilizando exactamente el puntaje numérico imputado
Reconstruye el nivel de desempeño exclusivamente para los registros originalmente faltantes
Asigna A- a los puntajes comprendidos entre 0 y 47
4.64.2 Resultado de consola
>
RECONSTRUCCIÓN 8.3.3 COMPLETADA: punt_ingles, desemp_ingles y punt_ingles_num_valido fueron derivados del puntaje numérico imputado.4.64.3 Conclusión
RECONSTRUCCIÓN 8.3.3 COMPLETADA: punt_ingles, desemp_ingles y punt_ingles_num_valido fueron derivados del puntaje numérico imputado.
4.65 VERIFICAR NULOS DESPUÉS DE LA IMPUTACIÓN Y RECONSTRUCCIÓN DE INGLÉS
4.65.1 Procedimiento
Ejecuta la función general de verificación sobre las cuatro variables de inglés después de completar su tratamiento
Utiliza el dataset principal actualizado después de la imputación mediante mediana y la reconstrucción de variables derivadas
Define las cuatro variables relacionadas con el componente de inglés que deben quedar completamente observadas
Verifica el puntaje original de inglés reconstruido a partir del puntaje numérico
4.65.2 Resultado de consola
# A tibble: 4 × 7
variable tipo registros observados nulos porcentaje_nulos estado
<chr> <chr> <int> <int> <int> <dbl> <chr>
1 punt_ingles character 1065888 1065888 0 0 COMPLETA
2 desemp_ingles character 1065888 1065888 0 0 COMPLETA
3 punt_ingles_num numeric 1065888 1065888 0 0 COMPLETA
4 punt_ingles_num_valido numeric 1065888 1065888 0 0 COMPLETA
Variables verificadas: 4
Variables con nulos: 0
Variables sin nulos: 4
Total de celdas nulas: 0
>
VALIDACIÓN FINAL 8.3: las cuatro variables de inglés están completas y no presentan valores nulos.4.65.3 Conclusión
Variables con nulos: 0 Variables sin nulos: 4
VALIDACIÓN FINAL: las cuatro variables de inglés están completas y no presentan valores nulos.
4.66 VERIFICAR NULOS EN EL DATASET COMPLETO
4.66.1 Procedimiento
- Ejecuta la función general sobre todas las variables existentes en el dataset final
4.66.2 Resultado de consola
# A tibble: 79 × 7
variable tipo registros observados nulos porcentaje_nulos
<chr> <chr> <int> <int> <int> <dbl>
1 periodo character 1065888 1065888 0 0
2 estu_tipodocumento character 1065888 1065888 0 0
3 estu_consecutivo character 1065888 1065888 0 0
4 cole_area_ubicacion character 1065888 1065886 2 0.0002
5 cole_bilingue character 1065888 1065888 0 0
6 cole_calendario character 1065888 1065886 2 0.0002
7 cole_caracter character 1065888 1065888 0 0
8 cole_cod_dane_establecimiento character 1065888 1065886 2 0.0002
9 cole_cod_dane_sede character 1065888 1065886 2 0.0002
10 cole_cod_depto_ubicacion character 1065888 1065886 2 0.0002
11 cole_cod_mcpio_ubicacion character 1065888 1065886 2 0.0002
12 cole_codigo_icfes character 1065888 1065886 2 0.0002
13 cole_depto_ubicacion character 1065888 1065886 2 0.0002
14 cole_genero character 1065888 1065886 2 0.0002
15 cole_jornada character 1065888 1065886 2 0.0002
16 cole_mcpio_ubicacion character 1065888 1065886 2 0.0002
17 cole_naturaleza character 1065888 1065886 2 0.0002
18 cole_nombre_establecimiento character 1065888 1065886 2 0.0002
19 cole_nombre_sede character 1065888 1065886 2 0.0002
20 cole_sede_principal character 1065888 1065886 2 0.0002
21 estu_cod_depto_presentacion character 1065888 1065888 0 0
22 estu_cod_mcpio_presentacion character 1065888 1065888 0 0
23 estu_cod_reside_depto character 1065888 1065886 2 0.0002
24 estu_cod_reside_mcpio character 1065888 1065886 2 0.0002
25 estu_depto_presentacion character 1065888 1065888 0 0
26 estu_depto_reside character 1065888 1065886 2 0.0002
27 estu_estadoinvestigacion character 1065888 1065888 0 0
28 estu_estudiante character 1065888 1065888 0 0
29 estu_fechanacimiento character 1065888 1065726 162 0.0152
30 estu_genero character 1065888 1065888 0 0
31 estu_mcpio_presentacion character 1065888 1065888 0 0
32 estu_mcpio_reside character 1065888 1065886 2 0.0002
33 estu_nacionalidad character 1065888 1065888 0 0
34 estu_pais_reside character 1065888 1065888 0 0
35 estu_privado_libertad character 1065888 1065888 0 0
36 fami_cuartoshogar character 1065888 1065888 0 0
37 fami_educacionmadre character 1065888 1065888 0 0
38 fami_educacionpadre character 1065888 1065888 0 0
39 fami_estratovivienda character 1065888 1065888 0 0
40 fami_personashogar character 1065888 1065888 0 0
41 fami_tieneautomovil character 1065888 1065888 0 0
42 fami_tienecomputador character 1065888 1065888 0 0
43 fami_tieneinternet character 1065888 1065888 0 0
44 fami_tienelavadora character 1065888 1065888 0 0
45 desemp_ingles character 1065888 1065888 0 0
46 punt_ingles character 1065888 1065888 0 0
47 punt_matematicas character 1065888 1065888 0 0
48 punt_sociales_ciudadanas character 1065888 1065888 0 0
49 punt_c_naturales character 1065888 1065888 0 0
50 punt_lectura_critica character 1065888 1065888 0 0
51 punt_global character 1065888 1065888 0 0
52 periodo_valido logical 1065888 1065888 0 0
53 anio integer 1065888 1065888 0 0
54 aplicacion character 1065888 1065888 0 0
55 cole_depto_ubicacion_std character 1065888 1065886 2 0.0002
56 cole_mcpio_ubicacion_std character 1065888 1065886 2 0.0002
57 cole_nombre_establecimiento_std character 1065888 1065886 2 0.0002
58 cole_nombre_sede_std character 1065888 1065886 2 0.0002
59 estu_depto_presentacion_std character 1065888 1065888 0 0
60 estu_mcpio_presentacion_std character 1065888 1065888 0 0
61 estu_depto_reside_std character 1065888 1065886 2 0.0002
62 estu_mcpio_reside_std character 1065888 1065886 2 0.0002
63 estu_fechanacimiento_fecha Date 1065888 1065726 162 0.0152
64 fecha_referencia_examen Date 1065888 1065888 0 0
65 fecha_nacimiento_sospechosa logical 1065888 1065888 0 0
66 calidad_fecha_nacimiento character 1065888 1065888 0 0
67 estu_fechanacimiento_fecha_valida Date 1065888 1065718 170 0.0159
68 punt_matematicas_num numeric 1065888 1065888 0 0
69 punt_ingles_num numeric 1065888 1065888 0 0
70 punt_sociales_ciudadanas_num numeric 1065888 1065888 0 0
71 punt_c_naturales_num numeric 1065888 1065888 0 0
72 punt_lectura_critica_num numeric 1065888 1065888 0 0
73 punt_global_num numeric 1065888 1065888 0 0
74 calidad_punt_ingles character 1065888 1065888 0 0
75 punt_ingles_num_valido numeric 1065888 1065888 0 0
76 calidad_punt_sociales_ciudadanas_num character 1065888 1065888 0 0
77 calidad_punt_c_naturales_num character 1065888 1065888 0 0
78 calidad_punt_lectura_critica_num character 1065888 1065888 0 0
79 calidad_punt_global_num character 1065888 1065888 0 0
estado
<chr>
1 COMPLETA
2 COMPLETA
3 COMPLETA
4 CON NULOS
5 COMPLETA
6 CON NULOS
7 COMPLETA
8 CON NULOS
9 CON NULOS
10 CON NULOS
11 CON NULOS
12 CON NULOS
13 CON NULOS
14 CON NULOS
15 CON NULOS
16 CON NULOS
17 CON NULOS
18 CON NULOS
19 CON NULOS
20 CON NULOS
21 COMPLETA
22 COMPLETA
23 CON NULOS
24 CON NULOS
25 COMPLETA
26 CON NULOS
27 COMPLETA
28 COMPLETA
29 CON NULOS
30 COMPLETA
31 COMPLETA
32 CON NULOS
33 COMPLETA
34 COMPLETA
35 COMPLETA
36 COMPLETA
37 COMPLETA
38 COMPLETA
39 COMPLETA
40 COMPLETA
41 COMPLETA
42 COMPLETA
43 COMPLETA
44 COMPLETA
45 COMPLETA
46 COMPLETA
47 COMPLETA
48 COMPLETA
49 COMPLETA
50 COMPLETA
51 COMPLETA
52 COMPLETA
53 COMPLETA
54 COMPLETA
55 CON NULOS
56 CON NULOS
57 CON NULOS
58 CON NULOS
59 COMPLETA
60 COMPLETA
61 CON NULOS
62 CON NULOS
63 CON NULOS
64 COMPLETA
65 COMPLETA
66 COMPLETA
67 CON NULOS
68 COMPLETA
69 COMPLETA
70 COMPLETA
71 COMPLETA
72 COMPLETA
73 COMPLETA
74 COMPLETA
75 COMPLETA
76 COMPLETA
77 COMPLETA
78 COMPLETA
79 COMPLETA
Variables verificadas: 79
Variables con nulos: 28
Variables sin nulos: 51
Total de celdas nulas: 5444.66.3 Conclusión
Variables verificadas: 79 Variables con nulos: 28 Variables sin nulos: 51
4.67 IDENTIFICAR VARIABLES QUE TODAVÍA PRESENTAN NULOS
4.67.1 Procedimiento
Utiliza como fuente el resultado de la verificación global de valores faltantes
Conserva exclusivamente las variables que todavía presentan al menos un valor faltante
Ordena las variables desde la mayor hasta la menor cantidad de valores faltantes
Muestra todas las variables que todavía requieren tratamiento junto con su cantidad y porcentaje de nulos
4.67.2 Resultado de consola
>
# A tibble: 28 × 7
variable tipo registros observados nulos porcentaje_nulos estado
<chr> <chr> <int> <int> <int> <dbl> <chr>
1 estu_fechanacimiento_fecha_valida Date 1065888 1065718 170 0.0159 CON NULOS
2 estu_fechanacimiento character 1065888 1065726 162 0.0152 CON NULOS
3 estu_fechanacimiento_fecha Date 1065888 1065726 162 0.0152 CON NULOS
4 cole_area_ubicacion character 1065888 1065886 2 0.0002 CON NULOS
5 cole_calendario character 1065888 1065886 2 0.0002 CON NULOS
6 cole_cod_dane_establecimiento character 1065888 1065886 2 0.0002 CON NULOS
7 cole_cod_dane_sede character 1065888 1065886 2 0.0002 CON NULOS
8 cole_cod_depto_ubicacion character 1065888 1065886 2 0.0002 CON NULOS
9 cole_cod_mcpio_ubicacion character 1065888 1065886 2 0.0002 CON NULOS
10 cole_codigo_icfes character 1065888 1065886 2 0.0002 CON NULOS
11 cole_depto_ubicacion character 1065888 1065886 2 0.0002 CON NULOS
12 cole_genero character 1065888 1065886 2 0.0002 CON NULOS
13 cole_jornada character 1065888 1065886 2 0.0002 CON NULOS
14 cole_mcpio_ubicacion character 1065888 1065886 2 0.0002 CON NULOS
15 cole_naturaleza character 1065888 1065886 2 0.0002 CON NULOS
16 cole_nombre_establecimiento character 1065888 1065886 2 0.0002 CON NULOS
17 cole_nombre_sede character 1065888 1065886 2 0.0002 CON NULOS
18 cole_sede_principal character 1065888 1065886 2 0.0002 CON NULOS
19 estu_cod_reside_depto character 1065888 1065886 2 0.0002 CON NULOS
20 estu_cod_reside_mcpio character 1065888 1065886 2 0.0002 CON NULOS
21 estu_depto_reside character 1065888 1065886 2 0.0002 CON NULOS
22 estu_mcpio_reside character 1065888 1065886 2 0.0002 CON NULOS
23 cole_depto_ubicacion_std character 1065888 1065886 2 0.0002 CON NULOS
24 cole_mcpio_ubicacion_std character 1065888 1065886 2 0.0002 CON NULOS
25 cole_nombre_establecimiento_std character 1065888 1065886 2 0.0002 CON NULOS
26 cole_nombre_sede_std character 1065888 1065886 2 0.0002 CON NULOS
27 estu_depto_reside_std character 1065888 1065886 2 0.0002 CON NULOS
28 estu_mcpio_reside_std character 1065888 1065886 2 0.0002 CON NULOS
>
Variables pendientes de tratamiento: 28
Celdas nulas pendientes: 544
>4.67.3 Conclusión
27 estu_depto_reside_std character 1065888 1065886 2 0.0002 CON NULOS 28 estu_mcpio_reside_std character 1065888 1065886 2 0.0002 CON NULOS Variables pendientes de tratamiento: 28
4.68 IDENTIFICAR PATRÓN DE LOS REGISTROS CON NULOS ESTRUCTURALES
4.68.1 Procedimiento
Define exclusivamente las variables que presentan exactamente dos valores faltantes en la verificación global
Incluye el área de ubicación del establecimiento educativo
Incluye el calendario académico del establecimiento educativo
Incluye el código DANE del establecimiento educativo
4.68.2 Resultado de consola
>
>
# A tibble: 4 × 28
fila_dataset estu_consecutivo cantidad_nulos_estructurales cole_area_ubicacion cole_calendario
<int> <chr> <dbl> <chr> <chr>
1 261883 SB11202240616064 6 URBANO A
2 510438 SB11202240550499 19 NA NA
3 794827 SB11202240616064 6 URBANO A
4 1043382 SB11202240550499 19 NA NA
cole_cod_dane_establecimiento cole_cod_dane_sede cole_cod_depto_ubicacion cole_cod_mcpio_ubicacion
<chr> <chr> <chr> <chr>
1 395001004802 395001004802 95 95001
2 NA NA NA NA
3 395001004802 395001004802 95 95001
4 NA NA NA NA
cole_codigo_icfes cole_depto_ubicacion cole_genero cole_jornada cole_mcpio_ubicacion
<chr> <chr> <chr> <chr> <chr>
1 163923 GUAVIARE MIXTO sabatina SAN JOSÉ DEL GUAVIARE
2 NA NA NA NA NA
3 163923 GUAVIARE MIXTO sabatina SAN JOSÉ DEL GUAVIARE
4 NA NA NA NA NA
cole_naturaleza cole_nombre_establecimiento cole_nombre_sede
<chr> <chr> <chr>
1 NO OFICIAL COLOMBIA SIN BANDERAS COLOMBIA SIN BANDERAS - SEDE PRINCIPAL
2 NA NA NA
3 NO OFICIAL COLOMBIA SIN BANDERAS COLOMBIA SIN BANDERAS - SEDE PRINCIPAL
4 NA NA NA
cole_sede_principal estu_cod_reside_depto estu_cod_reside_mcpio estu_depto_reside estu_mcpio_reside
<chr> <chr> <chr> <chr> <chr>
1 S NA NA NA NA
2 NA 17 17001 CALDAS MANIZALES
3 S NA NA NA NA
4 NA 17 17001 CALDAS MANIZALES
cole_depto_ubicacion_std cole_mcpio_ubicacion_std cole_nombre_establecimiento_std
<chr> <chr> <chr>
1 guaviare san jose del guaviare colombia sin banderas
2 NA NA NA
3 guaviare san jose del guaviare colombia sin banderas
4 NA NA NA
cole_nombre_sede_std estu_depto_reside_std estu_mcpio_reside_std
<chr> <chr> <chr>
1 colombia sin banderas sede principal NA NA
2 NA caldas manizales
3 colombia sin banderas sede principal NA NA
4 NA caldas manizales
>
Registros distintos afectados: 4
Total de nulos estructurales: 50
>4.68.3 Conclusión
fila_dataset estu_consecutivo cantidad_nulos_estructurales cole_area_ubicacion cole_calendario Registros distintos afectados: 4 Total de nulos estructurales: 50
4.69 ELIMINAR LOS CUATRO REGISTROS CON INFORMACIÓN ESTRUCTURAL INCOMPLETA
4.69.1 Procedimiento
Define los identificadores de los estudiantes cuyos registros presentan información estructural incompleta
Identifica el consecutivo asociado con los dos registros que presentan seis valores faltantes de residencia
Identifica el consecutivo asociado con los dos registros que presentan diecinueve valores faltantes principalmente institucionales
Finaliza la definición de los consecutivos que serán excluidos del dataset
4.69.2 Resultado de consola
>
Registros identificados para eliminación: 4
>
Registros antes de la eliminación: 1065888
Registros eliminados: 4
Registros después de la eliminación: 1065884
Porcentaje de registros eliminados: 0.000375 %
TRATAMIENTO 9.2 COMPLETADO: se eliminaron los 4 registros con información estructural incompleta.
>4.69.3 Conclusión
Registros después de la eliminación: 1065884 Porcentaje de registros eliminados: 0.000375 % TRATAMIENTO 9.2 COMPLETADO: se eliminaron los 4 registros con información estructural incompleta.
4.70 VERIFICAR NULOS DESPUÉS DE ELIMINAR LOS CUATRO REGISTROS ESTRUCTURALMENTE INCOMPLETOS
4.70.1 Procedimiento
Verifica nuevamente las 79 variables del dataset después de eliminar los cuatro registros estructuralmente incompletos
Utiliza como fuente el resultado actualizado de la verificación global de valores faltantes
Conserva exclusivamente las variables que todavía presentan al menos un valor faltante
Ordena las variables pendientes desde la mayor hasta la menor cantidad de valores faltantes
4.70.2 Resultado de consola
# A tibble: 79 × 7
variable tipo registros observados nulos porcentaje_nulos
<chr> <chr> <int> <int> <int> <dbl>
1 periodo character 1065884 1065884 0 0
2 estu_tipodocumento character 1065884 1065884 0 0
3 estu_consecutivo character 1065884 1065884 0 0
4 cole_area_ubicacion character 1065884 1065884 0 0
5 cole_bilingue character 1065884 1065884 0 0
6 cole_calendario character 1065884 1065884 0 0
7 cole_caracter character 1065884 1065884 0 0
8 cole_cod_dane_establecimiento character 1065884 1065884 0 0
9 cole_cod_dane_sede character 1065884 1065884 0 0
10 cole_cod_depto_ubicacion character 1065884 1065884 0 0
11 cole_cod_mcpio_ubicacion character 1065884 1065884 0 0
12 cole_codigo_icfes character 1065884 1065884 0 0
13 cole_depto_ubicacion character 1065884 1065884 0 0
14 cole_genero character 1065884 1065884 0 0
15 cole_jornada character 1065884 1065884 0 0
16 cole_mcpio_ubicacion character 1065884 1065884 0 0
17 cole_naturaleza character 1065884 1065884 0 0
18 cole_nombre_establecimiento character 1065884 1065884 0 0
19 cole_nombre_sede character 1065884 1065884 0 0
20 cole_sede_principal character 1065884 1065884 0 0
21 estu_cod_depto_presentacion character 1065884 1065884 0 0
22 estu_cod_mcpio_presentacion character 1065884 1065884 0 0
23 estu_cod_reside_depto character 1065884 1065884 0 0
24 estu_cod_reside_mcpio character 1065884 1065884 0 0
25 estu_depto_presentacion character 1065884 1065884 0 0
26 estu_depto_reside character 1065884 1065884 0 0
27 estu_estadoinvestigacion character 1065884 1065884 0 0
28 estu_estudiante character 1065884 1065884 0 0
29 estu_fechanacimiento character 1065884 1065722 162 0.0152
30 estu_genero character 1065884 1065884 0 0
31 estu_mcpio_presentacion character 1065884 1065884 0 0
32 estu_mcpio_reside character 1065884 1065884 0 0
33 estu_nacionalidad character 1065884 1065884 0 0
34 estu_pais_reside character 1065884 1065884 0 0
35 estu_privado_libertad character 1065884 1065884 0 0
36 fami_cuartoshogar character 1065884 1065884 0 0
37 fami_educacionmadre character 1065884 1065884 0 0
38 fami_educacionpadre character 1065884 1065884 0 0
39 fami_estratovivienda character 1065884 1065884 0 0
40 fami_personashogar character 1065884 1065884 0 0
41 fami_tieneautomovil character 1065884 1065884 0 0
42 fami_tienecomputador character 1065884 1065884 0 0
43 fami_tieneinternet character 1065884 1065884 0 0
44 fami_tienelavadora character 1065884 1065884 0 0
45 desemp_ingles character 1065884 1065884 0 0
46 punt_ingles character 1065884 1065884 0 0
47 punt_matematicas character 1065884 1065884 0 0
48 punt_sociales_ciudadanas character 1065884 1065884 0 0
49 punt_c_naturales character 1065884 1065884 0 0
50 punt_lectura_critica character 1065884 1065884 0 0
51 punt_global character 1065884 1065884 0 0
52 periodo_valido logical 1065884 1065884 0 0
53 anio integer 1065884 1065884 0 0
54 aplicacion character 1065884 1065884 0 0
55 cole_depto_ubicacion_std character 1065884 1065884 0 0
56 cole_mcpio_ubicacion_std character 1065884 1065884 0 0
57 cole_nombre_establecimiento_std character 1065884 1065884 0 0
58 cole_nombre_sede_std character 1065884 1065884 0 0
59 estu_depto_presentacion_std character 1065884 1065884 0 0
60 estu_mcpio_presentacion_std character 1065884 1065884 0 0
61 estu_depto_reside_std character 1065884 1065884 0 0
62 estu_mcpio_reside_std character 1065884 1065884 0 0
63 estu_fechanacimiento_fecha Date 1065884 1065722 162 0.0152
64 fecha_referencia_examen Date 1065884 1065884 0 0
65 fecha_nacimiento_sospechosa logical 1065884 1065884 0 0
66 calidad_fecha_nacimiento character 1065884 1065884 0 0
67 estu_fechanacimiento_fecha_valida Date 1065884 1065714 170 0.0159
68 punt_matematicas_num numeric 1065884 1065884 0 0
69 punt_ingles_num numeric 1065884 1065884 0 0
70 punt_sociales_ciudadanas_num numeric 1065884 1065884 0 0
71 punt_c_naturales_num numeric 1065884 1065884 0 0
72 punt_lectura_critica_num numeric 1065884 1065884 0 0
73 punt_global_num numeric 1065884 1065884 0 0
74 calidad_punt_ingles character 1065884 1065884 0 0
75 punt_ingles_num_valido numeric 1065884 1065884 0 0
76 calidad_punt_sociales_ciudadanas_num character 1065884 1065884 0 0
77 calidad_punt_c_naturales_num character 1065884 1065884 0 0
78 calidad_punt_lectura_critica_num character 1065884 1065884 0 0
79 calidad_punt_global_num character 1065884 1065884 0 0
estado
<chr>
1 COMPLETA
2 COMPLETA
3 COMPLETA
4 COMPLETA
5 COMPLETA
6 COMPLETA
7 COMPLETA
8 COMPLETA
9 COMPLETA
10 COMPLETA
11 COMPLETA
12 COMPLETA
13 COMPLETA
14 COMPLETA
15 COMPLETA
16 COMPLETA
17 COMPLETA
18 COMPLETA
19 COMPLETA
20 COMPLETA
21 COMPLETA
22 COMPLETA
23 COMPLETA
24 COMPLETA
25 COMPLETA
26 COMPLETA
27 COMPLETA
28 COMPLETA
29 CON NULOS
30 COMPLETA
31 COMPLETA
32 COMPLETA
33 COMPLETA
34 COMPLETA
35 COMPLETA
36 COMPLETA
37 COMPLETA
38 COMPLETA
39 COMPLETA
40 COMPLETA
41 COMPLETA
42 COMPLETA
43 COMPLETA
44 COMPLETA
45 COMPLETA
46 COMPLETA
47 COMPLETA
48 COMPLETA
49 COMPLETA
50 COMPLETA
51 COMPLETA
52 COMPLETA
53 COMPLETA
54 COMPLETA
55 COMPLETA
56 COMPLETA
57 COMPLETA
58 COMPLETA
59 COMPLETA
60 COMPLETA
61 COMPLETA
62 COMPLETA
63 CON NULOS
64 COMPLETA
65 COMPLETA
66 COMPLETA
67 CON NULOS
68 COMPLETA
69 COMPLETA
70 COMPLETA
71 COMPLETA
72 COMPLETA
73 COMPLETA
74 COMPLETA
75 COMPLETA
76 COMPLETA
77 COMPLETA
78 COMPLETA
79 COMPLETA
Variables verificadas: 79
Variables con nulos: 3
Variables sin nulos: 76
Total de celdas nulas: 494
>
# A tibble: 3 × 7
variable tipo registros observados nulos porcentaje_nulos estado
<chr> <chr> <int> <int> <int> <dbl> <chr>
1 estu_fechanacimiento_fecha_valida Date 1065884 1065714 170 0.0159 CON NULOS
2 estu_fechanacimiento character 1065884 1065722 162 0.0152 CON NULOS
3 estu_fechanacimiento_fecha Date 1065884 1065722 162 0.0152 CON NULOS
Registros actuales: 1065884
Variables totales: 79
Variables con nulos: 3
Variables sin nulos: 76
Celdas nulas restantes: 494
>4.70.3 Conclusión
Variables totales: 79 Variables con nulos: 3 Variables sin nulos: 76
4.71 COMPARAR LAS TRES REPRESENTACIONES DE LA FECHA DE NACIMIENTO
4.71.1 Procedimiento
Convierte temporalmente la fecha de nacimiento original desde character a Date exclusivamente para poder compararla con las dos variables de tipo Date
Comprueba que la conversión a Date no haya generado nuevos valores faltantes por problemas de formato
4.71.2 Resultado de consola
>
Error: ERROR: la conversión temporal de estu_fechanacimiento produjo una cantidad de valores NA diferente de los 162 esperados.4.71.3 Conclusión
Error: ERROR: la conversión temporal de estu_fechanacimiento produjo una cantidad de valores NA diferente de los 162 esperados.
4.72 IDENTIFICAR FORMATOS DE LA FECHA DE NACIMIENTO ORIGINAL
4.72.1 Procedimiento
Cuenta los valores que ya eran NA antes de intentar cualquier conversión de formato
Cuenta los NA resultantes después de aplicar directamente as.Date() a la variable original
Cuenta exclusivamente los valores existentes que as.Date() no pudo interpretar correctamente
Muestra la cantidad de valores faltantes existentes originalmente
4.72.2 Resultado de consola
>
Nulos originales: 162
Nulos después de as.Date(): 168
Valores existentes que as.Date() no pudo convertir: 6
>
# A tibble: 2 × 2
estu_fechanacimiento frecuencia
<chr> <int>
1 30/11/0002 4
2 30/11/0003 2
>4.72.3 Conclusión
Nulos originales: 162 Nulos después de as.Date(): 168
4.73 COMPROBAR CORRESPONDENCIA ENTRE LA FECHA ORIGINAL Y LA FECHA YA CONVERTIDA
4.73.1 Procedimiento
Utiliza las dos representaciones ya existentes de la fecha de nacimiento
Conserva exclusivamente los registros donde ambas representaciones contienen información
Cuenta la correspondencia observada entre cada cadena original y la fecha Date previamente construida
Informa cuántas combinaciones diferentes existen entre la representación original y la representación Date
4.73.2 Resultado de consola
>
Pares fecha original-Date observados: 9499
>4.73.3 Conclusión
La sección se ejecutó como parte de la secuencia documentada. La interpretación se apoya exclusivamente en los resultados visibles del registro de consola.
4.74 ANALIZAR FECHAS ANÓMALAS Y FECHAS RECHAZADAS POR EL CONTROL DE CALIDAD
4.74.1 Procedimiento
Utiliza el dataset final actual para localizar exclusivamente las fechas originales con formato o contenido anómalo
Conserva los seis registros cuya fecha original no pudo ser interpretada mediante la conversión directa con as.Date()
Conserva únicamente las variables necesarias para estudiar cómo fueron tratadas las seis fechas anómalas
Muestra los seis registros anómalos y las diferentes representaciones de su fecha de nacimiento
4.74.2 Resultado de consola
>
# A tibble: 6 × 6
estu_consecutivo estu_fechanacimiento estu_fechanacimiento_fecha estu_fechanacimiento_fecha_valida
<chr> <chr> <date> <date>
1 SB11202240270199 30/11/0002 0002-11-30 NA
2 SB11202240570783 30/11/0003 0003-11-30 NA
3 SB11202240246776 30/11/0002 0002-11-30 NA
4 SB11202240270199 30/11/0002 0002-11-30 NA
5 SB11202240570783 30/11/0003 0003-11-30 NA
6 SB11202240246776 30/11/0002 0002-11-30 NA
fecha_nacimiento_sospechosa calidad_fecha_nacimiento
<lgl> <chr>
1 TRUE Anterior_1900
2 TRUE Anterior_1900
3 TRUE Anterior_1900
4 TRUE Anterior_1900
5 TRUE Anterior_1900
6 TRUE Anterior_1900
>
>
Registros con fecha existente rechazada por la validación: 8
# A tibble: 8 × 6
estu_consecutivo estu_fechanacimiento estu_fechanacimiento_fecha estu_fechanacimiento_fecha_valida
<chr> <chr> <date> <date>
1 SB11202240270199 30/11/0002 0002-11-30 NA
2 SB11202240570783 30/11/0003 0003-11-30 NA
3 SB11202240616275 15/01/2055 2055-01-15 NA
4 SB11202240246776 30/11/0002 0002-11-30 NA
5 SB11202240270199 30/11/0002 0002-11-30 NA
6 SB11202240570783 30/11/0003 0003-11-30 NA
7 SB11202240616275 15/01/2055 2055-01-15 NA
8 SB11202240246776 30/11/0002 0002-11-30 NA
fecha_nacimiento_sospechosa calidad_fecha_nacimiento
<lgl> <chr>
1 TRUE Anterior_1900
2 TRUE Anterior_1900
3 TRUE Posterior_al_examen
4 TRUE Anterior_1900
5 TRUE Anterior_1900
6 TRUE Anterior_1900
7 TRUE Posterior_al_examen
8 TRUE Anterior_19004.74.3 Conclusión
Registros con fecha existente rechazada por la validación: 8
4.75 VERIFICAR EQUIVALENCIA ENTRE LAS REPRESENTACIONES DE LA FECHA DE NACIMIENTO
4.75.1 Procedimiento
Cuenta los registros donde la variable original y su transformación Date presentan patrones diferentes de valores faltantes
Cuenta los registros donde las dos variables Date contienen información y pueden compararse directamente
Cuenta las fechas diferentes entre la versión convertida y la versión validada cuando ambas contienen información
Cuenta las fechas existentes que fueron descartadas exclusivamente durante el control de calidad
4.75.2 Resultado de consola
>
Diferencias en patrón de NA entre fecha original y fecha Date: 0
Registros comparables entre fecha Date y fecha válida: 1065714
Diferencias entre fecha Date y fecha válida cuando ambas existen: 0
Fechas descartadas exclusivamente por el control de calidad: 8
>4.75.3 Conclusión
Registros comparables entre fecha Date y fecha válida: 1065714
4.76 ELIMINAR REPRESENTACIONES REDUNDANTES DE LA FECHA DE NACIMIENTO
4.76.1 Procedimiento
Define las dos representaciones redundantes de la fecha de nacimiento que serán eliminadas del dataset
Detiene el proceso si alguna de las variables que se pretende eliminar no existe en el dataset
Registra la cantidad de variables existentes antes de eliminar las dos representaciones redundantes
Utiliza el dataset final actual como punto de partida para eliminar exclusivamente las columnas redundantes identificadas
4.76.2 Resultado de consola
>
Variables antes de la eliminación: 79
Variables eliminadas: 2
Variables después de la eliminación: 77
Registros conservados: 1065884
Variable de fecha de nacimiento conservada: estu_fechanacimiento_fecha_valida4.76.3 Conclusión
Variables eliminadas: 2 Variables después de la eliminación: 77 Registros conservados: 1065884
4.77 VERIFICAR NULOS DESPUÉS DE ELIMINAR LAS VARIABLES REDUNDANTES DE FECHA DE NACIMIENTO
4.77.1 Procedimiento
- Verifica nuevamente la presencia de valores nulos en las 77 variables después de eliminar las dos representaciones redundantes de la fecha de nacimiento
4.77.2 Resultado de consola
# A tibble: 77 × 7
variable tipo registros observados nulos porcentaje_nulos estado
<chr> <chr> <int> <int> <int> <dbl> <chr>
1 periodo character 1065884 1065884 0 0 COMPLETA
2 estu_tipodocumento character 1065884 1065884 0 0 COMPLETA
3 estu_consecutivo character 1065884 1065884 0 0 COMPLETA
4 cole_area_ubicacion character 1065884 1065884 0 0 COMPLETA
5 cole_bilingue character 1065884 1065884 0 0 COMPLETA
6 cole_calendario character 1065884 1065884 0 0 COMPLETA
7 cole_caracter character 1065884 1065884 0 0 COMPLETA
8 cole_cod_dane_establecimiento character 1065884 1065884 0 0 COMPLETA
9 cole_cod_dane_sede character 1065884 1065884 0 0 COMPLETA
10 cole_cod_depto_ubicacion character 1065884 1065884 0 0 COMPLETA
11 cole_cod_mcpio_ubicacion character 1065884 1065884 0 0 COMPLETA
12 cole_codigo_icfes character 1065884 1065884 0 0 COMPLETA
13 cole_depto_ubicacion character 1065884 1065884 0 0 COMPLETA
14 cole_genero character 1065884 1065884 0 0 COMPLETA
15 cole_jornada character 1065884 1065884 0 0 COMPLETA
16 cole_mcpio_ubicacion character 1065884 1065884 0 0 COMPLETA
17 cole_naturaleza character 1065884 1065884 0 0 COMPLETA
18 cole_nombre_establecimiento character 1065884 1065884 0 0 COMPLETA
19 cole_nombre_sede character 1065884 1065884 0 0 COMPLETA
20 cole_sede_principal character 1065884 1065884 0 0 COMPLETA
21 estu_cod_depto_presentacion character 1065884 1065884 0 0 COMPLETA
22 estu_cod_mcpio_presentacion character 1065884 1065884 0 0 COMPLETA
23 estu_cod_reside_depto character 1065884 1065884 0 0 COMPLETA
24 estu_cod_reside_mcpio character 1065884 1065884 0 0 COMPLETA
25 estu_depto_presentacion character 1065884 1065884 0 0 COMPLETA
26 estu_depto_reside character 1065884 1065884 0 0 COMPLETA
27 estu_estadoinvestigacion character 1065884 1065884 0 0 COMPLETA
28 estu_estudiante character 1065884 1065884 0 0 COMPLETA
29 estu_genero character 1065884 1065884 0 0 COMPLETA
30 estu_mcpio_presentacion character 1065884 1065884 0 0 COMPLETA
31 estu_mcpio_reside character 1065884 1065884 0 0 COMPLETA
32 estu_nacionalidad character 1065884 1065884 0 0 COMPLETA
33 estu_pais_reside character 1065884 1065884 0 0 COMPLETA
34 estu_privado_libertad character 1065884 1065884 0 0 COMPLETA
35 fami_cuartoshogar character 1065884 1065884 0 0 COMPLETA
36 fami_educacionmadre character 1065884 1065884 0 0 COMPLETA
37 fami_educacionpadre character 1065884 1065884 0 0 COMPLETA
38 fami_estratovivienda character 1065884 1065884 0 0 COMPLETA
39 fami_personashogar character 1065884 1065884 0 0 COMPLETA
40 fami_tieneautomovil character 1065884 1065884 0 0 COMPLETA
41 fami_tienecomputador character 1065884 1065884 0 0 COMPLETA
42 fami_tieneinternet character 1065884 1065884 0 0 COMPLETA
43 fami_tienelavadora character 1065884 1065884 0 0 COMPLETA
44 desemp_ingles character 1065884 1065884 0 0 COMPLETA
45 punt_ingles character 1065884 1065884 0 0 COMPLETA
46 punt_matematicas character 1065884 1065884 0 0 COMPLETA
47 punt_sociales_ciudadanas character 1065884 1065884 0 0 COMPLETA
48 punt_c_naturales character 1065884 1065884 0 0 COMPLETA
49 punt_lectura_critica character 1065884 1065884 0 0 COMPLETA
50 punt_global character 1065884 1065884 0 0 COMPLETA
51 periodo_valido logical 1065884 1065884 0 0 COMPLETA
52 anio integer 1065884 1065884 0 0 COMPLETA
53 aplicacion character 1065884 1065884 0 0 COMPLETA
54 cole_depto_ubicacion_std character 1065884 1065884 0 0 COMPLETA
55 cole_mcpio_ubicacion_std character 1065884 1065884 0 0 COMPLETA
56 cole_nombre_establecimiento_std character 1065884 1065884 0 0 COMPLETA
57 cole_nombre_sede_std character 1065884 1065884 0 0 COMPLETA
58 estu_depto_presentacion_std character 1065884 1065884 0 0 COMPLETA
59 estu_mcpio_presentacion_std character 1065884 1065884 0 0 COMPLETA
60 estu_depto_reside_std character 1065884 1065884 0 0 COMPLETA
61 estu_mcpio_reside_std character 1065884 1065884 0 0 COMPLETA
62 fecha_referencia_examen Date 1065884 1065884 0 0 COMPLETA
63 fecha_nacimiento_sospechosa logical 1065884 1065884 0 0 COMPLETA
64 calidad_fecha_nacimiento character 1065884 1065884 0 0 COMPLETA
65 estu_fechanacimiento_fecha_valida Date 1065884 1065714 170 0.0159 CON NULOS
66 punt_matematicas_num numeric 1065884 1065884 0 0 COMPLETA
67 punt_ingles_num numeric 1065884 1065884 0 0 COMPLETA
68 punt_sociales_ciudadanas_num numeric 1065884 1065884 0 0 COMPLETA
69 punt_c_naturales_num numeric 1065884 1065884 0 0 COMPLETA
70 punt_lectura_critica_num numeric 1065884 1065884 0 0 COMPLETA
71 punt_global_num numeric 1065884 1065884 0 0 COMPLETA
72 calidad_punt_ingles character 1065884 1065884 0 0 COMPLETA
73 punt_ingles_num_valido numeric 1065884 1065884 0 0 COMPLETA
74 calidad_punt_sociales_ciudadanas_num character 1065884 1065884 0 0 COMPLETA
75 calidad_punt_c_naturales_num character 1065884 1065884 0 0 COMPLETA
76 calidad_punt_lectura_critica_num character 1065884 1065884 0 0 COMPLETA
77 calidad_punt_global_num character 1065884 1065884 0 0 COMPLETA
Variables verificadas: 77
Variables con nulos: 1
Variables sin nulos: 76
Total de celdas nulas: 1704.77.3 Conclusión
Variables verificadas: 77 Variables con nulos: 1 Variables sin nulos: 76
4.78 IMPUTAR FECHA DE NACIMIENTO MEDIANTE MUESTREO ALEATORIO DE FECHAS OBSERVADAS
4.78.1 Procedimiento
Define la semilla oficial del proyecto para garantizar que la imputación aleatoria pueda reproducirse exactamente
Identifica las posiciones exactas de los registros que requieren imputación de la fecha de nacimiento validada
Calcula la cantidad exacta de registros que requieren imputación
Extrae exclusivamente las fechas de nacimiento válidas y observadas que conformarán la distribución empírica de referencia
4.78.2 Resultado de consola
>
Fechas pendientes antes de imputar: 170
Fechas válidas disponibles para el muestreo: 1065714
Fechas imputadas: 170
Nulos después de la imputación: 0
Semilla utilizada: 54779764.78.3 Conclusión
Nulos después de la imputación: 0
4.79 VERIFICAR NULOS DESPUÉS DE ELIMINAR LAS VARIABLES REDUNDANTES DE FECHA DE NACIMIENTO — ejecución 2
4.79.1 Procedimiento
- Verifica nuevamente la presencia de valores nulos en las 77 variables después de eliminar las dos representaciones redundantes de la fecha de nacimiento
4.79.2 Resultado de consola
# A tibble: 77 × 7
variable tipo registros observados nulos porcentaje_nulos estado
<chr> <chr> <int> <int> <int> <dbl> <chr>
1 periodo character 1065884 1065884 0 0 COMPLETA
2 estu_tipodocumento character 1065884 1065884 0 0 COMPLETA
3 estu_consecutivo character 1065884 1065884 0 0 COMPLETA
4 cole_area_ubicacion character 1065884 1065884 0 0 COMPLETA
5 cole_bilingue character 1065884 1065884 0 0 COMPLETA
6 cole_calendario character 1065884 1065884 0 0 COMPLETA
7 cole_caracter character 1065884 1065884 0 0 COMPLETA
8 cole_cod_dane_establecimiento character 1065884 1065884 0 0 COMPLETA
9 cole_cod_dane_sede character 1065884 1065884 0 0 COMPLETA
10 cole_cod_depto_ubicacion character 1065884 1065884 0 0 COMPLETA
11 cole_cod_mcpio_ubicacion character 1065884 1065884 0 0 COMPLETA
12 cole_codigo_icfes character 1065884 1065884 0 0 COMPLETA
13 cole_depto_ubicacion character 1065884 1065884 0 0 COMPLETA
14 cole_genero character 1065884 1065884 0 0 COMPLETA
15 cole_jornada character 1065884 1065884 0 0 COMPLETA
16 cole_mcpio_ubicacion character 1065884 1065884 0 0 COMPLETA
17 cole_naturaleza character 1065884 1065884 0 0 COMPLETA
18 cole_nombre_establecimiento character 1065884 1065884 0 0 COMPLETA
19 cole_nombre_sede character 1065884 1065884 0 0 COMPLETA
20 cole_sede_principal character 1065884 1065884 0 0 COMPLETA
21 estu_cod_depto_presentacion character 1065884 1065884 0 0 COMPLETA
22 estu_cod_mcpio_presentacion character 1065884 1065884 0 0 COMPLETA
23 estu_cod_reside_depto character 1065884 1065884 0 0 COMPLETA
24 estu_cod_reside_mcpio character 1065884 1065884 0 0 COMPLETA
25 estu_depto_presentacion character 1065884 1065884 0 0 COMPLETA
26 estu_depto_reside character 1065884 1065884 0 0 COMPLETA
27 estu_estadoinvestigacion character 1065884 1065884 0 0 COMPLETA
28 estu_estudiante character 1065884 1065884 0 0 COMPLETA
29 estu_genero character 1065884 1065884 0 0 COMPLETA
30 estu_mcpio_presentacion character 1065884 1065884 0 0 COMPLETA
31 estu_mcpio_reside character 1065884 1065884 0 0 COMPLETA
32 estu_nacionalidad character 1065884 1065884 0 0 COMPLETA
33 estu_pais_reside character 1065884 1065884 0 0 COMPLETA
34 estu_privado_libertad character 1065884 1065884 0 0 COMPLETA
35 fami_cuartoshogar character 1065884 1065884 0 0 COMPLETA
36 fami_educacionmadre character 1065884 1065884 0 0 COMPLETA
37 fami_educacionpadre character 1065884 1065884 0 0 COMPLETA
38 fami_estratovivienda character 1065884 1065884 0 0 COMPLETA
39 fami_personashogar character 1065884 1065884 0 0 COMPLETA
40 fami_tieneautomovil character 1065884 1065884 0 0 COMPLETA
41 fami_tienecomputador character 1065884 1065884 0 0 COMPLETA
42 fami_tieneinternet character 1065884 1065884 0 0 COMPLETA
43 fami_tienelavadora character 1065884 1065884 0 0 COMPLETA
44 desemp_ingles character 1065884 1065884 0 0 COMPLETA
45 punt_ingles character 1065884 1065884 0 0 COMPLETA
46 punt_matematicas character 1065884 1065884 0 0 COMPLETA
47 punt_sociales_ciudadanas character 1065884 1065884 0 0 COMPLETA
48 punt_c_naturales character 1065884 1065884 0 0 COMPLETA
49 punt_lectura_critica character 1065884 1065884 0 0 COMPLETA
50 punt_global character 1065884 1065884 0 0 COMPLETA
51 periodo_valido logical 1065884 1065884 0 0 COMPLETA
52 anio integer 1065884 1065884 0 0 COMPLETA
53 aplicacion character 1065884 1065884 0 0 COMPLETA
54 cole_depto_ubicacion_std character 1065884 1065884 0 0 COMPLETA
55 cole_mcpio_ubicacion_std character 1065884 1065884 0 0 COMPLETA
56 cole_nombre_establecimiento_std character 1065884 1065884 0 0 COMPLETA
57 cole_nombre_sede_std character 1065884 1065884 0 0 COMPLETA
58 estu_depto_presentacion_std character 1065884 1065884 0 0 COMPLETA
59 estu_mcpio_presentacion_std character 1065884 1065884 0 0 COMPLETA
60 estu_depto_reside_std character 1065884 1065884 0 0 COMPLETA
61 estu_mcpio_reside_std character 1065884 1065884 0 0 COMPLETA
62 fecha_referencia_examen Date 1065884 1065884 0 0 COMPLETA
63 fecha_nacimiento_sospechosa logical 1065884 1065884 0 0 COMPLETA
64 calidad_fecha_nacimiento character 1065884 1065884 0 0 COMPLETA
65 estu_fechanacimiento_fecha_valida Date 1065884 1065884 0 0 COMPLETA
66 punt_matematicas_num numeric 1065884 1065884 0 0 COMPLETA
67 punt_ingles_num numeric 1065884 1065884 0 0 COMPLETA
68 punt_sociales_ciudadanas_num numeric 1065884 1065884 0 0 COMPLETA
69 punt_c_naturales_num numeric 1065884 1065884 0 0 COMPLETA
70 punt_lectura_critica_num numeric 1065884 1065884 0 0 COMPLETA
71 punt_global_num numeric 1065884 1065884 0 0 COMPLETA
72 calidad_punt_ingles character 1065884 1065884 0 0 COMPLETA
73 punt_ingles_num_valido numeric 1065884 1065884 0 0 COMPLETA
74 calidad_punt_sociales_ciudadanas_num character 1065884 1065884 0 0 COMPLETA
75 calidad_punt_c_naturales_num character 1065884 1065884 0 0 COMPLETA
76 calidad_punt_lectura_critica_num character 1065884 1065884 0 0 COMPLETA
77 calidad_punt_global_num character 1065884 1065884 0 0 COMPLETA
Variables verificadas: 77
Variables con nulos: 0
Variables sin nulos: 77
Total de celdas nulas: 04.79.3 Conclusión
Variables verificadas: 77 Variables con nulos: 0 Variables sin nulos: 77
4.80 GUARDAR DATASET LIMPIO DEFINITIVO
4.80.1 Procedimiento
Define la ruta y el nombre del archivo Parquet que almacenará el dataset limpio definitivo
Obtiene el directorio donde será almacenado el archivo Parquet definitivo
Crea el directorio de salida únicamente si todavía no existe
Impide guardar el archivo si la cantidad de registros no coincide con la estructura final validada
4.80.2 Resultado de consola
>
Archivo guardado correctamente: data/processed/saber11_limpio.parquet
Registros guardados: 1065884
Variables guardadas: 77
Valores nulos: 0
Tamaño del archivo (MB): 58.38
>4.80.3 Conclusión
Registros guardados: 1065884 Variables guardadas: 77 Valores nulos: 0
5 Síntesis final
El proceso documentado muestra una secuencia de depuración, auditoría, clasificación estadística, construcción de modelos de imputación, validación de resultados, reintegración y tratamiento de faltantes residuales. Las nueve variables socioeconómicas fueron completadas mediante MICE con métodos coherentes con su naturaleza categórica; posteriormente se trataron variables institucionales, variables de inglés y la fecha de nacimiento validada.
La base pasó de 79 variables a 77 al eliminar dos representaciones
redundantes de la fecha de nacimiento (estu_fechanacimiento
y estu_fechanacimiento_fecha). También se eliminaron cuatro
registros con información estructural incompleta. El control final
confirmó 1.065.884 registros, 77 variables
completas y 0 celdas nulas.
El archivo definitivo fue guardado como:
data/processed/saber11_limpio.parquet
La consola reportó un tamaño aproximado de 58,38 MB.
6 Conclusión
El dataset del periodo 20224 quedó preparado como una base limpia y completamente observada para las etapas posteriores del proyecto. La trazabilidad del proceso se sustenta en: conteos antes y después de cada tratamiento, validación de dominios categóricos, correspondencia exacta entre faltantes e imputaciones, conservación de valores originalmente observados, uso de semilla reproducible y verificación final de ausencia total de valores nulos.