1. Learn
    2. /
  2. Cursuri
    3. /
  3. Design Experimental în R
Connected

Exercițiu

Curățarea datelor NHANES

În timpul curățării datelor, am descoperit că nicio persoană sub 16 ani nu a primit tratamentul. Reamintește-ți că tratăm variabila care indică dacă un medic a recomandat vreodată reducerea grăsimilor sau caloriilor din dietă drept consiliere nutrițională intenționată – adică tratamentul nostru. Vom păstra în setul de date doar pacienții cu vârsta mai mare de 16 ani.

Poate ai observat, de asemenea, că setările implicite din ggplot2 elimină observațiile cu valori lipsă la variabila dependentă – în cazul nostru, greutatea corporală. O opțiune pentru gestionarea acestor valori lipsă este imputarea, care poate fi implementată cu pachetul simputation. Imputarea este o tehnică prin care valorile lipsă sunt înlocuite fie cu o statistică rezumativă (precum media sau mediana), fie cu o valoare prezisă de un model.

Vom folosi impute_median(), care primește ca argumente un set de date și variabila de imputat sau o formulă de imputare. De exemplu, impute_median(ToothGrowth, len ~ dose) ar completa valorile lipsă din variabila len cu mediana lui len calculată pe grupuri de dose. Astfel, dacă un cobai care a primit o doză de 2,0 are o valoare lipsă pentru variabila len, aceasta va fi înlocuită cu mediana lui len pentru cobaii cu o dose de 2,0.

Instrucțiuni

100 XP
  • Creează nhanes_filter folosind filter() pentru a păstra doar persoanele cu vârsta strict mai mare de 16 ani (fără a include cei cu exact 16 ani). Vârsta este stocată în variabila ridageyr.
  • Încarcă simputation. Folosește impute_median() pentru a completa valorile lipsă din bmxwt în nhanes_filter, grupând după riagendr.
  • Recodifică variabila nhanes_final$mcq365d înlocuind toate observațiile cu valoarea 9 cu valoarea 2. Verifică că recodificarea a funcționat folosind count().