Los datos de la vida real son variables acotadas y de cola pesada. La regresión beta inflada en cero-uno (ZOIB) se utiliza para modelarlos. No existen métodos apropiados para abordar el problema de datos faltantes en resultados acotados repetidos. Desarrollamos un método de imputación utilizando ZOIB (i-ZOIB) y comparamos su rendimiento con el de los métodos ingenuos y de aprendizaje automático, utilizando diferentes formas de distribución y configuraciones diseñadas en el estudio de simulación. El rendimiento se midió empleando los métodos de error absoluto (MAE), error cuadrático medio (RMSE) y error absoluto relativo acotado promedio no escalado (UMBRAE). Los resultados variaron dependiendo de la tasa y mecanismo de datos faltantes. El i-ZOIB y los métodos de aprendizaje automático ANN, SVR y RF mostraron el mejor rendimiento.