No respuestas, pérdidas y datos faltantes
- Concepto
Cuando faltan datos de algunos participantes, el resultado puede cambiar. Importa cuántos faltan y, sobre todo, por qué faltan.
Qué es
Los datos faltantes vienen de personas que no responden, que abandonan, que se retiran o a las que no se pudo medir. Su efecto depende del mecanismo: completamente al azar (MCAR), al azar condicionado a lo observado (MAR) o no al azar (MNAR), cuando la falta depende del propio valor que no se observó. Analizar solo los casos completos es sencillo, pero puede sesgar; la imputación múltiple y los análisis de sensibilidad muestran cuánto depende la conclusión de los supuestos.
Datos clave
- Análisis de peor y mejor escenario: se asume que todos los faltantes de un grupo fracasaron y los del otro tuvieron éxito, y al revés.
- Si la conclusión cambia entre escenarios, el resultado es frágil frente a las pérdidas.
Ejemplo resuelto
- Ensayo inventado: 200 por grupo; desenlace, éxito del tratamiento. Faltan datos de 20 en el grupo tratado y de 10 en el control.
- Casos completos: tratados 120 de 180 (66,7 %); control 95 de 190 (50,0 %). Diferencia: 16,7 puntos.
- Peor escenario para el tratamiento (faltantes tratados = fracaso; control = éxito): 120/200 = 60,0 % frente a 105/200 = 52,5 %.
- Diferencia en el peor escenario: 60,0 − 52,5 = 7,5 puntos.
- Mejor escenario (al revés): 140/200 = 70,0 % frente a 95/200 = 47,5 %; diferencia de 22,5 puntos.
- Lectura: la dirección del efecto se mantiene en los tres análisis, pero su tamaño va de 7,5 a 22,5 puntos; las pérdidas pesan en la estimación.
Mecanismos de datos faltantes
| Mecanismo | Qué significa | Ejemplo | Qué análisis sirve |
|---|---|---|---|
| MCAR | La falta no se relaciona con ninguna variable | Se dañó una muestra en el transporte | Casos completos (sin sesgo, menos poder) |
| MAR | La falta depende de variables observadas | Los participantes jóvenes faltan más a las visitas | Imputación múltiple con esas variables |
| MNAR | La falta depende del valor no observado | Abandonan quienes tienen más efectos adversos | Análisis de sensibilidad con varios supuestos |
Marcadores
- MCAR
- MAR
- MNAR
- IM
En la práctica
- Al leer un ensayo se miran las pérdidas por grupo y sus motivos: pérdidas desiguales entre grupos son una señal de alarma.
- En encuestas, la no respuesta se compara entre quienes responden y quienes no, con los datos disponibles de ambos.
Errores frecuentes
- Excluir en silencio a quienes no completaron el estudio.
- Rellenar con la última observación como si fuera un dato real.
- Suponer MCAR sin comprobar si los faltantes difieren de los que tienen datos.
Póngase a prueba
Piense la respuesta y toque la pregunta para verla.
¿Qué significa MNAR?
Que la probabilidad de que falte el dato depende del propio valor no observado, por ejemplo cuando abandonan quienes empeoran.
¿Por qué la imputación simple es problemática?
Porque trata el valor inventado como real: subestima la incertidumbre y puede sesgar el efecto.
De 100 asignados, 90 tienen dato y 60 mejoran. En el peor escenario, ¿qué proporción mejora?
60 / 100 = 60 %, frente a 60 / 90 ≈ 66,7 % en casos completos.
¿Qué método se usa cuando los datos faltan al azar condicionado a lo observado (MAR)?
Imputación múltiple o modelos que incluyan las variables relacionadas con la falta.
Conexiones
Contenido educativo sobre métodos epidemiológicos y estadísticos; los ejemplos usan números inventados para enseñar el cálculo. No es una guía clínica ni normativa: las normas colombianas vigentes se consultan en las fuentes oficiales.
Fuentes: Chapter 10: Analysing data and undertaking meta-analyses (Cochrane, 2026); E9(R1) Statistical Principles for Clinical Trials: Addendum: Estimands and Sensitivity Analysis in Clinical Trials (U.S. Food and Drug Administration, 2021); Attrition bias | Catalog of Bias (Catalogue of Bias Collaboration, 2017).
¿Ha detectado un error?Siempre buscamos mejorar para la comunidad. Cuéntenos qué está mal y nuestro equipo lo revisa.Reportar un error
Modelo representativo, solo con fines educativos.