Différences entre MCAR et MAR

Nous devons poser certaines hypothèses sur nos données lorsque nous avançons dans l’analyse.

Laquelle des affirmations suivantes concernant MCAR et MAR est VRAIE ?

Cet exercice fait partie du cours

<cours>Gérer les données manquantes en R</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Gérer les données manquantes en R</cours>

DébutantNiveau de compétence

4.8+

Commencer le cours gratuitement

Le chapitre 1 vous présente les données manquantes : ce que sont les valeurs manquantes, leur comportement dans R, comment les détecter et les compter. Nous introduisons ensuite des synthèses dédiées aux données manquantes, comment résumer la « missingness » selon les cas, les variables, et comment explorer les groupes au sein des données. Enfin, nous abordons les visualisations des données manquantes : produire des vues d’ensemble pour l’ensemble du jeu de données et par variables, cas et autres résumés, et comment les explorer à travers différents groupes.

Exercise 1: Introduction aux données manquantes Exercise 2: Utiliser et repérer les valeurs manquantes Exercise 3: Combien de valeurs manquantes y a-t-il ?Exercise 4: Travailler avec des valeurs manquantes Exercise 5: Pourquoi se préoccuper des valeurs manquantes ?Exercise 6: Résumer les valeurs manquantes Exercise 7: Tableau de la donnée manquante Exercise 8: Autres résumés de la présence de valeurs manquantes Exercise 9: Comment visualiser les valeurs manquantes ?Exercise 10: Vos premières visualisations de données manquantes Exercise 11: Visualiser les cas et variables manquants Exercise 12: Visualiser les motifs de valeurs manquantes

Dans le chapitre 2, vous apprendrez à repérer des valeurs manquantes cachées comme « missing » ou « N/A » et à les remplacer par `NA`. Vous verrez comment gérer efficacement les valeurs manquantes implicites — celles qui sont sous-entendues comme manquantes, mais non indiquées explicitement. Nous expliquons aussi comment explorer la dépendance des données manquantes, en présentant Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) et leurs implications pour votre analyse de données.

Exercise 1: Rechercher et remplacer les valeurs manquantes Exercise 2: Utiliser miss_scan_count Exercise 3: Utiliser replace_with_na Exercise 4: Utiliser les variantes "scoped" de replace_with_na Exercise 5: Propagation des valeurs manquantes vers le bas Exercise 6: Corriger les valeurs manquantes implicites avec complete()Exercise 7: Corriger les manquants explicites avec fill()Exercise 8: Utiliser complete() et fill() ensemble Exercise 9: Dépendance des données manquantes Exercise 10: Différences entre MCAR et MAR

Exercice actuel

Exercise 11: Explorer la dépendance des valeurs manquantes Exercise 12: Aller plus loin dans l’exploration de la dépendance des valeurs manquantes

Dans ce chapitre, vous découvrirez des workflows pour travailler avec des données manquantes. Nous présentons des structures de données spécifiques, la matrice « shadow » et les données « nabular », et montrons comment les intégrer dans des workflows d’exploration des manquants afin de relier les résumés de « missingness » aux valeurs du jeu de données. Vous apprendrez à utiliser ggplot pour explorer et visualiser comment les valeurs évoluent lorsque d’autres variables deviennent manquantes. Enfin, vous verrez comment visualiser les manquants entre deux variables, et comment et pourquoi les représenter dans un nuage de points.

Exercise 1: Outils pour explorer la dépendance des données manquantes Exercise 2: Créer une matrice d’ombre (shadow matrix)Exercise 3: Réaliser des synthèses groupées de valeurs manquantes Exercise 4: Approfondir l’exploration des combinaisons de valeurs manquantes Exercise 5: Visualiser la présence de valeurs manquantes pour une variable Exercise 6: Données nabulaires et remplissage selon les valeurs manquantes Exercise 7: Données nabulaires et synthèse par présence de valeurs manquantes Exercise 8: Explorer la variation selon la présence de valeurs manquantes : boîtes à moustaches Exercise 9: Visualiser les valeurs manquantes sur deux variables Exercise 10: Explorer les données manquantes avec des nuages de points Exercise 11: Utiliser les facettes pour explorer les valeurs manquantes Exercise 12: Découper en facettes pour explorer les valeurs manquantes (graphiques multiples)

Dans ce chapitre, vous apprendrez à combler les valeurs manquantes de vos données, une démarche appelée imputation. Vous verrez comment imputer et tracer les valeurs manquantes, et quelles sont les qualités et limites des imputations afin de pouvoir explorer, visualiser et évaluer les données imputées par rapport aux valeurs d’origine. Vous apprendrez à utiliser, évaluer et comparer différents modèles d’imputation, et à analyser comment ces modèles influencent les conclusions que vous pouvez tirer.

Exercise 1: Remplir les blancs Exercise 2: Imputer des données en dessous de l’intervalle avec des données nabular Exercise 3: Visualiser les valeurs imputées dans un nuage de points Exercise 4: Créer un histogramme des données imputées Exercise 5: Qu’est-ce qui fait une bonne imputation Exercise 6: Évaluer de mauvaises imputations Exercise 7: Évaluer les imputations : l’échelle Exercise 8: Évaluer les imputations : sur de nombreuses variables Exercise 9: Réaliser des imputations Exercise 10: Utiliser simputation pour imputer des données Exercise 11: Évaluer et comparer les imputations Exercise 12: Évaluer les imputations (plusieurs modèles et variables)Exercise 13: Évaluer les imputations et les modèles Exercise 14: Combiner et comparer plusieurs modèles d’imputation Exercise 15: Évaluer les différents paramètres du modèle Exercise 16: Leçon finale