Los investigadores han presentado ImputeViz, un panel integrado de análisis visual diseñado para apoyar el diagnóstico de patrones de falta de datos, la configuración de modelos de imputación y la evaluación de resultados. El sistema integra métodos ampliamente utilizados como MICE, Random Forest, XGBoost y kNN dentro de un entorno interactivo que hace explícitas las estructuras de los datos faltantes.
- La herramienta introduce gKNN, una variante de kNN informada geográficamente que combina distancias socioeconómicas y espaciales para permitir la rendición de cuentas visual basada en el origen de los datos.
- Las vistas coordinadas revelan la estructura de los datos faltantes a través de mapas de calor, resúmenes de co-falta y diagnósticos distribucionales para ayudar a los analistas a razonar sobre patrones MCAR, MAR y MNAR.
- Los usuarios pueden comparar y ajustar modelos mediante superposiciones distribucionales y un Resumen de Comparación de Métodos que informa MAE, RMSE, Delta RMSE y tiempo de ejecución para cada algoritmo.
- Los resultados almacenados en caché por método y las escalas de ejes bloqueadas reducen la carga cognitiva derivada de los cambios de rango durante el cambio entre métodos.
Los estudios de caso demuestran cómo ImputeViz ayuda a los analistas a seleccionar estrategias efectivas, identificar variables sensibles y evaluar la robustez del modelo.