Szukanie przewidywalnych braków danych

Jeśli dane są losowo nieobecne, nie powinno być możliwe przewidzenie, kiedy dana zmienna nie ma wartości, na podstawie pozostałych danych. Jeśli zatem możesz przewidzieć braki, dane nie są brakujące w sposób całkowicie losowy. Użyjmy funkcji glm(), aby dopasować regresję logistyczną i sprawdzić, czy braki w zmiennej mort można powiązać z dostępnością cenową. Jeśli nie znajdziesz żadnej struktury w brakujących danych – tzn. zmienne określające nachylenie nie są istotne – nie oznacza to dowodu na losowość braków, ale hipoteza ta jest wtedy wiarygodna.

To ćwiczenie jest częścią kursu

Skalowalne przetwarzanie danych w R

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz zmienną wskazującą, czy wartość "borrower_race" jest brakująca (równa 9) w danych o kredytach hipotecznych.
Utwórz zmienną czynnikową na podstawie kolumny "affordability".
Dokonaj regresji affordability_factor względem borrower_race_ind i wywołaj na wyniku funkcję summary().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create a variable indicating if borrower_race is missing in the mortgage data
borrower_race_ind <- mort[, ___] == 9

# Create a factor variable indicating the affordability
affordability_factor <- ___(mort[, ___])

# Perform a logistic regression
___(glm(___ ~ affordability_factor, family = binomial))

Edytuj i uruchom kod