Aan de slagBegin gratis

Imputaties evalueren: de schaal

Ook al lijkt de gemiddelde-imputatie niet zo slecht in een boxplot, het is belangrijk om gevoel te krijgen voor de variatie in de data. Daarom is het belangrijk om te onderzoeken hoe de schaal en spreiding van geïmiteerde waarden veranderen ten opzichte van de oorspronkelijke data.

Een manier om te beoordelen of de schaal van de imputaties passend is, is met een scatterplot te bekijken of de waarden logisch zijn.

Deze oefening maakt deel uit van de cursus

Omgaan met missende data in R

Bekijk cursus

Oefeninstructies

Gebruik de data met al geïmiteerde waarden, ocean_imp_mean:

  • Onderzoek de imputaties in luchttemperatuur (op de x-as) en luchtvochtigheid (op de y-as) met een scatterplot, en gebruik color = any_missing.
  • Bouw voort op deze visualisatie door te facetteren op jaar.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Explore imputations in air temperature and humidity,  
# coloring by the variable, any_missing
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) + 
  geom_point()

# Explore imputations in air temperature and humidity,  
# coloring by the variable, any_missing, and faceting by year
ggplot(___, 
       aes(x = ___, y = ___, color = ___)) + 
  ___() +  
  facet_wrap(~___)
Code bewerken en uitvoeren