Valores atípicos

Ahora toca examinar la estructura de la variable age. A la derecha tienes un histograma. Igual que viste en el vídeo para los ingresos anuales (annual_inc), hay mucho espacio en blanco en el lado derecho de la gráfica. Esto indica posibles valores atípicos. Vas a comprobarlo con un diagrama de dispersión. Si encuentras valores atípicos, los eliminarás.

Si se observan valores atípicos en varias variables, puede ser útil mirar gráficos bivariantes. Es posible que los valores atípicos pertenezcan a la misma observación. Si es así, hay aún más motivos para eliminarla, porque es más probable que contenga información incorrecta.

Este ejercicio forma parte del curso

Modelización del riesgo de crédito en R

Ver curso

Instrucciones del ejercicio

Construye un diagrama de dispersión de la variable age (a través de loan_data$age) usando la función plot(). Da a la etiqueta del eje y el texto adecuado "Age" usando ylab como segundo argumento.
¡La persona más mayor de este conjunto de datos tiene más de 122 años! Obtén el índice de este valor atípico usando which() y la edad de 122 como umbral (puedes hacerlo con loan_data$age > 122). Asígnalo al objeto index_highage.
Crea un nuevo conjunto de datos new_data tras eliminar la observación con edad alta usando el objeto index_highage.
Observa el diagrama de dispersión bivariante, con la edad en el eje x y los ingresos anuales en el eje y. Cambia las etiquetas a "Age" y "Annual Income", respectivamente.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Plot the age variable


# Save the outlier's index to index_highage


# Create data set new_data with outlier deleted
new_data <- loan_data[-___, ]

# Make bivariate scatterplot of age and annual income
plot(loan_data$age, loan_data$annual_inc, xlab = "___", ylab = "___")

Editar y ejecutar código