Imputación múltiple de datos faltantes: cómo tratar los valores perdidos en tu investigación

Llevas meses diseñando tu estudio, reclutando participantes y recogiendo datos. Cuando abres el archivo final, aparece la primera sorpresa: columnas enteras con celdas vacías. Algunos cuestionarios quedaron a medias, un par de instrumentos fallaron en determinadas sesiones, varios participantes abandonaron antes de completar la segunda medición. Los datos faltantes —también llamados valores perdidos o ausentes— son una realidad casi universal en la investigación empírica, y el modo en que los trates puede cambiar radicalmente las conclusiones de tu estudio.

Durante décadas, la solución más extendida fue eliminar todos los casos con algún valor ausente —el llamado análisis de casos completos o listwise deletion—. Es intuitivo y no requiere ningún paso adicional en el software, pero introduce sesgos sistemáticos en la mayoría de las situaciones reales. La imputación múltiple de datos faltantes, formalizada por Donald B. Rubin (1987) y desarrollada posteriormente por Stef van Buuren con el algoritmo MICE, es hoy el procedimiento de referencia en revistas indexadas y en las directrices metodológicas de las principales disciplinas científicas.

Esta guía explica en qué consiste esa técnica, cuándo aplicarla, cómo implementarla en R y en SPSS, cuántas imputaciones son suficientes y cómo reportar los resultados de forma correcta en 2026.

Por qué los valores perdidos sesgan tus análisis

Cuando un conjunto de datos contiene valores ausentes, el software estadístico no puede calcular directamente las medias, correlaciones o coeficientes de regresión sin tomar alguna decisión sobre esas celdas vacías. Las consecuencias de esa decisión son siempre tres:

• Reducción del tamaño muestral efectivo. Si eliminamos todas las filas con algún dato ausente, podemos perder una proporción importante de los casos, lo que reduce la potencia estadística y amplía los intervalos de confianza.
• Sesgo en las estimaciones. Cuando las razones por las que faltan datos no son puramente aleatorias, los casos eliminados forman un subgrupo sistemáticamente distinto del resto. Las medias y las asociaciones calculadas sobre los casos completos no representan entonces a la población objetivo.
• Subestimación de la incertidumbre. Si se aplica la llamada imputación simple —por ejemplo, sustituir cada valor ausente por la media de la variable—, el análisis posterior trata esos valores imputados como si fueran observaciones reales, lo que subestima los errores estándar e infla la significación estadística.

La imputación múltiple resuelve los tres problemas a la vez. De ahí su posición central en la metodología cuantitativa contemporánea, tanto en ciencias de la salud como en psicología, economía y ciencias sociales.

Los tres mecanismos: MCAR, MAR y MNAR

Antes de elegir un procedimiento de tratamiento, es imprescindible caracterizar el mecanismo que genera los valores ausentes. La taxonomía clásica, propuesta por Rubin (1976) y desarrollada en su obra de 1987, distingue tres categorías:

MCAR — Missing Completely At Random

Los datos faltan de forma completamente aleatoria: la probabilidad de que un valor esté ausente no depende ni de las variables observadas ni del propio valor no observado. Un ejemplo típico es un fallo técnico aleatorio en el sistema de registro que afecta a un subconjunto de participantes sin ningún patrón. Bajo MCAR, el análisis de casos completos produce estimaciones insesgadas, aunque con menor potencia estadística. Este mecanismo puede contrastarse formalmente con la prueba de Little (1988), disponible en SPSS mediante Analizar → Valores perdidos.

MAR — Missing At Random

La probabilidad de que un valor falte depende de variables ya observadas en el conjunto de datos, pero no del valor ausente en sí mismo. Un ejemplo frecuente: si los participantes de mayor edad responden con menor frecuencia al módulo digital de una encuesta, y la edad está registrada, la ausencia es «aleatoria» condicionada a la edad. El análisis de casos completos produce estimaciones sesgadas bajo MAR, pero la imputación múltiple correctamente implementada recupera la insesgadez siempre que las variables que predicen la ausencia estén incluidas en el modelo de imputación.

MAR es el mecanismo más frecuente en la investigación aplicada y el que justifica el uso estándar de la imputación múltiple.

MNAR — Missing Not At Random

La probabilidad de que un valor falte depende del propio valor no observado, independientemente de lo que se haya registrado. El caso paradigmático es el de la renta en encuestas socioeconómicas: quienes tienen ingresos muy bajos o muy altos tienden a omitirlos. Bajo MNAR, ningún procedimiento de imputación estándar elimina el sesgo por completo; se requieren modelos de selección o modelos de patrón-mezcla, cuya especificación está fuera del alcance de esta guía. Un análisis de sensibilidad que explore distintos escenarios MNAR es la estrategia más habitual en la práctica investigadora.

Por qué el análisis de casos completos no basta

El análisis de casos completos descarta cualquier observación en la que falte al menos un valor. Es la opción por defecto en la mayoría de los paquetes estadísticos y la que aplican inconscientemente muchos investigadores noveles. Sus limitaciones son bien establecidas en la literatura metodológica:

• Bajo MAR, las estimaciones son sistemáticamente sesgadas porque los casos eliminados difieren de los retenidos en variables relacionadas con la variable de resultado.
• La reducción muestral puede ser drástica cuando los datos ausentes se distribuyen entre muchas variables: un 5% de ausencias por variable en un conjunto de 20 variables puede hacer que la eliminación listwise descarte la mayoría de los casos.
• Los errores estándar son mayores de lo necesario porque no se aprovecha la información contenida en los datos observados de los casos incompletos.

Las alternativas simples tampoco resultan satisfactorias. La imputación por la media reduce artificialmente la varianza de la variable imputada. La imputación de la última observación disponible (last observation carried forward, LOCF) asume que el estado del participante no cambia con el tiempo, lo que suele ser una hipótesis irreal en estudios longitudinales. La imputación por regresión determinista produce errores estándar artificialmente pequeños al no capturar la variabilidad residual.

Si tu estudio emplea métodos como la regresión lineal múltiple o los modelos multinivel para datos anidados, la presencia de valores perdidos tratados inadecuadamente puede invalidar los supuestos del modelo y sesgar la estimación de los parámetros.

Imputación múltiple: fundamentos y reglas de Rubin

La imputación múltiple (IM), descrita formalmente por Donald B. Rubin en su libro Multiple Imputation for Nonresponse in Surveys (1987, Wiley), se basa en una idea conceptualmente elegante: la incertidumbre sobre los valores ausentes debe reflejarse en los propios resultados del análisis. Para ello, el procedimiento sigue tres etapas:

1. Imputación: Se generan m bases de datos completas. Cada valor ausente se reemplaza con una estimación plausible distinta, extraída de su distribución condicional dadas las variables observadas. La variación entre las m imputaciones refleja la incertidumbre residual sobre los valores no observados.
2. Análisis: Se aplica el análisis sustantivo habitual —regresión, ANOVA, modelos de ecuaciones estructurales, etc.— a cada una de las m bases de datos por separado. Esto produce m conjuntos de estimaciones y errores estándar.
3. Combinación: Los m resultados se agregan mediante las reglas de Rubin. La estimación final es la media de las m estimaciones puntuales. La varianza total combina la varianza media dentro de las imputaciones (varianza intra) y la varianza entre las m estimaciones (varianza inter); esta segunda componente es proporcional a la fracción de información perdida por los datos ausentes.

Las reglas de Rubin garantizan que, bajo MAR, la estimación final es asintóticamente insesgada y que los intervalos de confianza tienen la cobertura nominal correcta. Para una exposición detallada del álgebra de la combinación, la obra de libre acceso Flexible Imputation of Missing Data (van Buuren, 2018, segunda edición) es la referencia más completa disponible en la actualidad.

MICE: imputación por ecuaciones encadenadas

La variante más extendida de la imputación múltiple es MICE (Multivariate Imputation by Chained Equations), también denominada especificación totalmente condicional (FCS). Su lógica resuelve un problema práctico importante: especificar un modelo conjunto para todas las variables simultáneamente es complejo cuando coexisten variables continuas, binarias, ordinales y nominales. MICE lo evita imputando cada variable con datos ausentes mediante un modelo de regresión separado, condicionado en todas las demás variables.

El algoritmo itera hasta la convergencia siguiendo estos pasos:

1. Inicialización: Los valores ausentes se rellenan provisionalmente, por ejemplo mediante muestreo aleatorio de los datos observados.
2. Ciclo de imputación: Para cada variable con ausencias, en un orden preestablecido, se estima un modelo de regresión usando como predictores todas las demás variables (incluidas las ya imputadas en esa iteración) y se extrae una nueva imputación de la distribución predictiva posterior.
3. Repetición: El ciclo se repite durante un número fijo de iteraciones (por defecto, 5 en el paquete mice de R) hasta que las cadenas de Markov convergen.

Cada tipo de variable requiere un método de regresión distinto. Los más habituales en el paquete mice de R son:

PMM es especialmente recomendable para variables continuas porque garantiza que los valores imputados se tomen de observaciones reales del conjunto de datos, preservando así los límites naturales de la variable (no puede generar una edad negativa ni un porcentaje superior a 100).

Implementación en R con el paquete mice

El paquete mice (versión 3.19.0, mayo de 2026), disponible en CRAN, es la implementación de referencia de MICE en R. El flujo completo se resume en cuatro llamadas:

library(mice)

# 1. Explorar el patrón de ausencias
md.pattern(datos)

# 2. Generar las m bases de datos imputadas
imp <- mice(datos, m = 20, method = "pmm", seed = 2026, maxit = 10)

# 3. Analizar cada base imputada (ejemplo: regresión lineal)
ajuste <- with(imp, lm(resultado ~ predictor1 + predictor2 + covariable))

# 4. Combinar resultados con las reglas de Rubin
summary(pool(ajuste))

Aspectos prácticos que conviene tener en cuenta al ejecutar este flujo:

• Semilla aleatoria (seed): Fija siempre una semilla numérica para que el análisis sea reproducible. Documenta su valor en el apartado de análisis de datos del manuscrito.
• Diagnóstico de convergencia: Utiliza plot(imp) para verificar que las trazas de las medias y desviaciones típicas imputadas convergen durante las iteraciones. Si las cadenas no se estabilizan, incrementa el argumento maxit.
• Inclusión de predictores auxiliares: Incorpora en el modelo de imputación todas las variables del análisis sustantivo más cualquier variable que prediga la ausencia, aunque no entre en el modelo final. Esto hace más plausible la asunción MAR y mejora la calidad de las imputaciones.
• Diagnóstico visual: La función densityplot(imp) superpone las distribuciones de los valores observados e imputados para cada variable. Diferencias sistemáticas pueden indicar un modelo de imputación mal especificado que conviene revisar.

Una advertencia importante sobre el ámbito de aplicación: en estudios con muestras muy reducidas o diseños de caso único —como ocurre en algunos TFGs de Psicología con diseño N=1— la imputación múltiple no es aplicable, ya que la inferencia se basa en el análisis visual de series temporales individuales y no en estimadores basados en muestras grandes.

Implementación en SPSS

SPSS Statistics implementa MICE bajo el nombre de Especificación Totalmente Condicional (FCS) desde la versión 17. La ruta de menús es:

Analizar → Valores perdidos → Imputar valores de datos perdidos

El procedimiento sigue cinco pasos esenciales:

1. Pestaña Variables: Traslada al modelo todas las variables que participarán en el proceso de imputación, no solo aquellas con ausencias. Cuantos más predictores relevantes incluyas, más plausible resulta la asunción MAR.
2. Pestaña Método: Selecciona Especificación totalmente condicional (FCS). Para variables continuas, SPSS utiliza regresión lineal; ajusta el método manualmente para variables categóricas en la pestaña de restricciones de cada variable.
3. Número de imputaciones: Aumenta el valor por defecto (5) a al menos 20 si el porcentaje de ausencias en alguna variable supera el 10%.
4. Dataset de salida: SPSS genera un único dataset apilado con las observaciones originales seguidas de los datos imputados. Una variable indicadora de sistema (Imputation_) identifica a qué imputación pertenece cada bloque de filas.
5. Análisis sobre el dataset imputado: La mayoría de los procedimientos analíticos de SPSS (regresión, ANOVA, etc.) reconocen automáticamente la estructura de imputación y aplican las reglas de Rubin al consolidar resultados si activas la opción correspondiente en el cuadro de diálogo del análisis.

¿Cuántas imputaciones son suficientes?

Durante muchos años, la recomendación estándar en los manuales de metodología fue m = 3–5 imputaciones. Van Buuren (2018) y White, Royston y Wood (2011, Statistics in Medicine) actualizaron esa norma con una regla práctica más conservadora: el número de imputaciones debería ser al menos igual al porcentaje de casos que tienen algún valor ausente. Si el 20% de tus participantes tiene al menos un dato faltante, se recomiendan ≥ 20 imputaciones.

El razonamiento es estadístico: cuantas más imputaciones, más estable es la estimación de la varianza entre imputaciones y, por tanto, más preciso el error estándar combinado. Con m = 5 y un porcentaje de ausencia elevado, la varianza inter se estima con solo cuatro grados de libertad, lo que infla los intervalos de confianza de manera innecesaria.

En la práctica investigadora actual, valores de m entre 20 y 50 son habituales en publicaciones de revistas de alto impacto en psicología, medicina y ciencias sociales. El coste computacional en R es mínimo para bases de datos de tamaño moderado, por lo que no hay razón para quedarse en el mínimo histórico de cinco imputaciones.

Cómo reportar los resultados en APA 7

Las normas APA 7 y las directrices de revistas como Psychological Methods o el Journal of Consulting and Clinical Psychology exigen que el apartado de análisis de datos especifique los siguientes elementos cuando se emplea imputación múltiple. Un tutorial reciente sobre buenas prácticas en el reporte de la imputación múltiple en investigación clínica se encuentra disponible en PMC (Austin et al., 2021, Canadian Journal of Cardiology).

1. Porcentaje de valores ausentes por variable. Presenta una tabla con el porcentaje de ausencias en cada variable sustantiva del estudio.
2. Mecanismo presunto y prueba. Informa si se realizó la prueba de Little (1988) para contrastar MCAR e incluye el estadístico y el valor p. Si la prueba rechaza MCAR, justifica la asunción MAR en función del diseño y las variables observadas.
3. Método de imputación. Especifica el algoritmo (MICE-FCS, PMM para continuas, etc.), el software y la versión exacta (por ejemplo: R versión 4.4.x, paquete mice 3.19.0).
4. Número de imputaciones y semilla aleatoria. Documenta ambos valores para que el análisis sea reproducible.
5. Variables incluidas en el modelo de imputación. Lista las variables auxiliares, especialmente si no forman parte del análisis sustantivo.
6. Resultados consolidados. Presenta las estimaciones combinadas junto con los errores estándar, intervalos de confianza y valores p derivados de las reglas de Rubin.

Un modelo de redacción para el apartado de método:

«Se detectaron valores ausentes en cuatro variables del estudio, con tasas que oscilaron entre el 0% y el 8,3% por variable. La prueba de Little rechazó la hipótesis de MCAR (p = .023), por lo que se asumió el mecanismo MAR. Se realizó imputación múltiple mediante el algoritmo MICE (van Buuren y Groothuis-Oudshoorn, 2011) con el paquete mice (versión 3.19.0) para R (versión 4.4.2), con m = 20 imputaciones y semilla 2026. El modelo de imputación incluyó todas las variables del análisis sustantivo más tres variables auxiliares relacionadas con la tasa de respuesta. Los análisis se efectuaron sobre cada base imputada y los resultados se combinaron mediante las reglas de Rubin (1987).»

La justificación de las decisiones metodológicas —incluida la elección del procedimiento de tratamiento de datos faltantes— debe integrarse en el marco teórico y en el capítulo de método del trabajo. Construir un sólido marco teórico para el TFG o TFM facilita al lector comprender por qué se optó por la imputación múltiple en lugar de alternativas más simples.

Alternativa: FIML y cuándo preferirla

La máxima verosimilitud con información completa (FIML, Full Information Maximum Likelihood) es la principal alternativa a la imputación múltiple. En lugar de generar bases de datos completas, FIML estima los parámetros del modelo directamente a partir de todos los datos disponibles, maximizando la función de verosimilitud con cada caso incluido hasta donde lo permiten sus observaciones registradas.

Bajo MAR, FIML y la imputación múltiple producen resultados asintóticamente equivalentes. Sus diferencias prácticas son relevantes para elegir entre uno u otro:

La elección entre FIML e IM depende principalmente del tipo de análisis sustantivo. Si el modelo es un sistema de ecuaciones estructurales ajustado en lavaan o Mplus, FIML es la elección natural y está directamente integrada en esas herramientas. Para análisis de varianza, regresión lineal y logística, o modelos lineales generalizados, la imputación múltiple con mice es más versátil y está mejor documentada en las guías de reporte de las ciencias de la salud y las ciencias sociales.

Cuando los predictores auxiliares —variables que explican la ausencia pero no forman parte del modelo sustantivo— son importantes, la imputación múltiple tiene ventaja sobre FIML porque permite incorporarlos al modelo de imputación sin necesidad de incluirlos en el análisis final. Esta flexibilidad la convierte en la opción más sólida metodológicamente en la mayoría de los estudios de grado y posgrado.

Preguntas frecuentes