Diferențe între MCAR și MAR

Atunci când mergem mai departe în analiză, trebuie să facem anumite ipoteze despre datele noastre.

Care dintre următoarele afirmații despre MCAR și MAR este TRUE?

Acest exercițiu face parte din cursul

Gestionarea datelor lipsă în R

Vezi cursul

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Gestionarea datelor lipsă în R

SkillTag.level.beginnerSkillTag.label

4.8+

141 reviews

Începe cursul gratuit

Capitolul 1 te introduce în problematica datelor lipsă: ce sunt valorile lipsă, cum se comportă în R, cum le detectezi și cum le numeri. Apoi prezentăm rezumate ale datelor lipsă și cum să sintetizezi absența valorilor pe cazuri, variabile și grupuri din date. În final, discutăm despre vizualizarea datelor lipsă — cum să creezi vizualizări de ansamblu pentru întregul set de date, pe variabile, cazuri și alte rezumate, și cum să le explorezi pe grupuri.

Exercise 1: Introducere în datele lipsă Exercise 2: Utilizarea și identificarea valorilor lipsă Exercise 3: Câte valori lipsă există?Exercise 4: Lucrul cu valorile lipsă Exercise 5: De ce contează valorile lipsă?Exercise 6: Rezumarea valorilor lipsă Exercise 7: Tabelarea valorilor lipsă Exercise 8: Alte rezumate ale valorilor lipsă Exercise 9: Cum vizualizăm valorile lipsă?Exercise 10: Primele tale vizualizări ale datelor lipsă Exercise 11: Vizualizarea valorilor lipsă pe cazuri și variabile Exercise 12: Vizualizarea tiparelor de valori lipsă

În capitolul doi, vei învăța cum să identifici valorile lipsă ascunse, precum "missing" sau "N/A", și să le înlocuiești cu `NA`. Vei învăța cum să gestionezi eficient valorile lipsă implicite — adică valorile care se înțelege că lipsesc, fără a fi menționate explicit. Acoperim, de asemenea, dependența datelor lipsă, discutând despre Lipsă Complet Aleatorie (MCAR), Lipsă Aleatorie (MAR) și Lipsă Non-Aleatorie (MNAR), și ce înseamnă acestea pentru analiza ta.

Exercise 1: Căutarea și înlocuirea valorilor lipsă Exercise 2: Utilizarea funcției miss_scan_count Exercise 3: Utilizarea replace_with_na Exercise 4: Utilizarea variantelor contextuale ale replace_with_na Exercise 5: Completarea valorilor lipsă în jos Exercise 6: Corectează valorile lipsă implicite folosind complete()Exercise 7: Corectează valorile lipsă explicite folosind fill()Exercise 8: Folosind complete() și fill() împreună Exercise 9: Dependența datelor lipsă Exercise 10: Diferențe între MCAR și MAR

Exercițiul curent

Exercise 11: Explorarea dependenței valorilor lipsă Exercise 12: Explorarea în profunzime a dependenței valorilor lipsă

În acest capitol, vei învăța fluxuri de lucru pentru gestionarea datelor lipsă. Introducem structuri de date speciale — matricea shadow și datele nabular — și îți arătăm cum să le folosești pentru a explora datele lipsă, astfel încât să poți lega rezumatele absenței valorilor de valorile concrete din date. Vei învăța să folosești ggplot pentru a explora și vizualiza cum se modifică valorile pe măsură ce alte variabile devin lipsă. În final, vei învăța cum să vizualizezi absența valorilor pe două variabile și de ce este util să reprezinți valorile lipsă într-un grafic scatter.

Exercise 1: Instrumente pentru explorarea dependenței datelor lipsă Exercise 2: Crearea datelor din matricea shadow Exercise 3: Rezumate grupate ale valorilor lipsă Exercise 4: Explorarea mai multor combinații de valori lipsă Exercise 5: Vizualizarea valorilor lipsă dintr-o singură variabilă Exercise 6: Date nabular și completarea în funcție de valorile lipsă Exercise 7: Date nabular și rezumarea după valorile lipsă Exercise 8: Explorează variația în funcție de valorile lipsă: diagrame box plot Exercise 9: Vizualizarea valorilor lipsă pe două variabile Exercise 10: Explorarea valorilor lipsă cu diagrame de dispersie Exercise 11: Utilizarea fatetelor pentru explorarea valorilor lipsă Exercise 12: Folosirea facetelor pentru explorarea valorilor lipsă (grafice multiple)

În acest capitol, vei învăța cum să completezi valorile lipsă din datele tale — proces numit imputare. Vei învăța cum să imputezi și să urmărești valorile lipsă, care sunt avantajele și limitele imputării, și cum să explorezi, să vizualizezi și să evaluezi datele imputate față de valorile originale. Vei învăța să folosești, să evaluezi și să compari diferite modele de imputare, și să explorezi cum acestea influențează concluziile pe care le poți trage din modele.

Exercise 1: Completarea golurilor Exercise 2: Imputarea datelor sub interval cu date nabular Exercise 3: Vizualizează valorile imputate într-un grafic de tip scatter Exercise 4: Creează o histogramă a datelor imputate Exercise 5: Ce face o imputare bună Exercise 6: Evaluarea imputărilor slabe Exercise 7: Evaluarea imputărilor: Scala Exercise 8: Evaluarea imputărilor: Pe mai multe variabile Exercise 9: Efectuarea imputărilor Exercise 10: Utilizarea simputation pentru imputarea datelor Exercise 11: Evaluarea și compararea imputărilor Exercise 12: Evaluarea imputărilor (mai multe modele și variabile)Exercise 13: Evaluarea imputărilor și a modelelor Exercise 14: Combinarea și compararea mai multor modele de imputare Exercise 15: Evaluarea diferiților parametri din model Exercise 16: Lecția finală