[Durgical](https://durgical.com/) › [DurgiPedia](https://durgical.com/durgipedia/) › [Epidemiología](https://durgical.com/epidemiologia/) › [Bioestadística](https://durgical.com/epidemiologia/areas/stats/) › No respuestas, pérdidas y datos faltantes # 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. Actualizado 13 nov 2026 ## Lo esencial - MCAR: la falta no depende de nada (se perdió un tubo); los casos completos no se sesgan, solo pierden poder. - MAR: la falta depende de variables observadas (los jóvenes faltan más); se corrige con imputación múltiple o modelos que incluyan esas variables. - MNAR: la falta depende del valor no observado (abandonan quienes empeoran); ningún método lo resuelve del todo: se hacen análisis de sensibilidad. - La imputación simple (media, última observación arrastrada) subestima la incertidumbre y puede sesgar. - Lo mejor es prevenir: seguimiento activo, visitas flexibles y registro de los motivos de cada pérdida. En esta página - Lo básico Lo esencial - Qué es - Datos clave - Ejemplo resuelto - Mecanismos de datos faltantes - Marcadores - En la práctica - Errores frecuentes - Estudio Para recordar - Póngase a prueba - Conexiones Conexiones ## 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. ## Para recordar «El dato que falta también habla»: si falta porque el paciente empeoró, ese silencio es información. ## 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. [Agregar a mis tarjetas (4)](https://durgical.app/estudiar/?add=/epidemiologia/no-respuestas-perdidas-y-datos-faltantes/) ## Conexiones ## Relacionados 5 - [Sesgo por pérdidas en el seguimiento](https://durgical.com/epidemiologia/sesgo-por-perdidas-en-el-seguimiento/) - [Análisis por intención de tratar](https://durgical.com/epidemiologia/analisis-por-intencion-de-tratar/) - [Plan de análisis estadístico](https://durgical.com/epidemiologia/plan-de-analisis-estadistico/) - [Tamaño de muestra](https://durgical.com/epidemiologia/tamano-de-muestra/) - [Sesgo de selección](https://durgical.com/epidemiologia/sesgo-de-seleccion/) [← Toda la epidemiología](https://durgical.com/epidemiologia/) 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](https://www.cochrane.org/authors/handbooks-and-manuals/handbook/current/chapter-10) (Cochrane, 2026); [E9(R1) Statistical Principles for Clinical Trials: Addendum: Estimands and Sensitivity Analysis in Clinical Trials](https://www.fda.gov/regulatory-information/search-fda-guidance-documents/e9r1-statistical-principles-clinical-trials-addendum-estimands-and-sensitivity-analysis-clinical) (U.S. Food and Drug Administration, 2021); [Attrition bias | Catalog of Bias](https://catalogofbias.org/biases/attrition-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. --- Source: https://durgical.com/epidemiologia/no-respuestas-perdidas-y-datos-faltantes/ License: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Cite as: DurgiPedia (durgical.com), https://durgical.com/epidemiologia/no-respuestas-perdidas-y-datos-faltantes/