¿Cómo decides qué hacer con los valores ausentes de un conjunto de datos?

Empieza averiguando por qué faltan los valores, ya que el mecanismo decide el arreglo. Ausencia completamente aleatoria tolera una imputación simple; ausencia aleatoria condicionada necesita imputación en función de las variables observadas; ausencia no aleatoria significa que la propia ausencia es señal y debería convertirse en una variable. Nunca imputes antes de repartir, y añade un indicador de estaba ausente siempre que el patrón lleve información.

Lo primero que hago no es estadístico, es hablar con quien sea dueño del campo. Que falte suele significar algo concreto. En un conjunto de datos de crédito con el que trabajé, los ingresos estaban en blanco en torno a una quinta parte de las filas, y resultó que venían de un flujo de solicitud exprés que nunca los pedía. Eso no es aleatorio en absoluto, y esos solicitantes impagaban a una tasa distinta, así que el hecho del blanco era uno de los predictores más fuertes del modelo. Añadí un indicador de ausencia y se ganó su sitio. Mecánicamente, si de verdad es ruido aleatorio y la columna está casi completa, imputar la mediana más un indicador está bien. Si depende de otras variables observadas, uso imputación iterativa o basada en modelos. Si falta más de la mitad de una columna, normalmente la elimino, porque a esas alturas estoy imputando sobre todo mis propios supuestos. Y lo que use se ajusta solo con el reparto de entrenamiento y luego se aplica a validación, porque calcular una mediana sobre todo el conjunto provoca fuga en silencio.