Skillnader mellan MCAR och MAR

När vi går vidare i analysen behöver vi göra vissa antaganden om våra data.

Vilket av följande påståenden om MCAR och MAR är TRUE?

Den här övningen är en del av kursen

Hantera saknade värden i R

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Hantera saknade värden i R

SkillTag.level.beginnerSkillTag.label

4.8+

141 reviews

Starta kursen gratis

Kapitel 1 introducerar dig till saknade data och förklarar vad saknade värden är, hur de fungerar i R, hur du identifierar dem och hur du räknar dem. Sedan introducerar vi sammanfattningar av saknade data och hur du summerar saknandet över observationer och variabler, samt hur du utforskar det inom olika grupper i datan. Slutligen tar vi upp visualisering av saknade data: hur du skapar översiktliga visualiseringar för hela datamängden och för variabler, observationer och andra sammanfattningar, samt hur du utforskar dessa inom olika grupper.

Exercise 1: Introduktion till saknade värden Exercise 2: Använda och hitta saknade värden Exercise 3: Hur många saknade värden finns det?Exercise 4: Arbeta med saknade värden Exercise 5: Varför bör vi bry oss om saknade värden?Exercise 6: Sammanfatta saknade värden Exercise 7: Tabellera saknade värden Exercise 8: Andra sammanfattningar av saknade värden Exercise 9: Hur visualiserar vi saknade värden?Exercise 10: Dina första visualiseringar av saknade data Exercise 11: Visualisera saknade fall och variabler Exercise 12: Visualisera mönster i saknade värden

I kapitel två lär du dig att hitta dolda saknade värden som "missing" eller "N/A" och ersätta dem med `NA`. Du lär dig att effektivt hantera implicita saknade värden – det vill säga värden som är underförstått saknade men inte uttryckligen listade. Vi tar också upp beroende i saknade data och diskuterar Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) och vad dessa innebär för din dataanalys.

Exercise 1: Söka efter och ersätta saknade värden Exercise 2: Använda miss_scan_count Exercise 3: Använda replace_with_na Exercise 4: Använda scopade varianter av replace_with_na Exercise 5: Fyll i saknade värden nedåt Exercise 6: Åtgärda implicita saknade värden med complete()Exercise 7: Åtgärda explicita saknade värden med fill()Exercise 8: Använda complete() och fill() tillsammans Exercise 9: Beroende av saknade data Exercise 10: Skillnader mellan MCAR och MAR

Aktuell övning

Exercise 11: Utforska beroenden i saknande värden Exercise 12: Utforska beroende av saknade värden vidare

I det här kapitlet lär du dig arbetsflöden för att hantera saknade data. Vi introducerar särskilda datastrukturer – skuggmatrisen och nabular-data – och visar hur du använder dem i arbetsflöden för att utforska saknade data, så att du kan koppla sammanfattningar av saknandet tillbaka till faktiska värden i datan. Du lär dig att använda ggplot för att utforska och visualisera hur värden förändras när andra variabler saknas. Slutligen lär du dig att visualisera saknandet över två variabler, och hur och varför du bör visualisera saknade värden i ett spridningsdiagram.

Exercise 1: Verktyg för att utforska beroenden i saknade data Exercise 2: Skapa data för skuggmatriser Exercise 3: Grupperade sammanfattningar av saknade värden Exercise 4: Utforska fler kombinationer av saknade värden Exercise 5: Visualisera saknade värden för en variabel Exercise 6: Nabulärdata och gruppering efter saknade värden Exercise 7: Nabulärdata och sammanfattning utifrån saknade värden Exercise 8: Utforska variation utifrån saknade värden: lådagram Exercise 9: Visualisera saknade värden över två variabler Exercise 10: Utforska saknade värden med punktdiagram Exercise 11: Använd fasettering för att utforska saknade värden Exercise 12: Facettering för att utforska saknade värden (flera diagram)

I det här kapitlet lär du dig att fylla i saknade värden i din data – något som kallas imputation. Du lär dig att imputera och spåra saknade värden, samt vilka styrkor och svagheter olika imputationsmetoder har, så att du kan utforska, visualisera och utvärdera de imputerade värdena mot de ursprungliga. Du lär dig att använda, utvärdera och jämföra olika imputationsmodeller, och utforska hur de påverkar de slutsatser du kan dra från modellerna.

Exercise 1: Att fylla i luckorna Exercise 2: Imputera data under intervallet med nabular-data Exercise 3: Visualisera imputerade värden i ett spridningsdiagram Exercise 4: Skapa histogram över imputerade data Exercise 5: Vad kännetecknar en bra imputering Exercise 6: Utvärdera dåliga imputationer Exercise 7: Utvärdera imputeringar: Skalan Exercise 8: Utvärdera imputationer: Över många variabler Exercise 9: Utföra imputeringar Exercise 10: Imputera data med simputation Exercise 11: Utvärdera och jämföra imputeringar Exercise 12: Utvärdera imputeringar (flera modeller och variabler)Exercise 13: Utvärdera imputationer och modeller Exercise 14: Kombinera och jämföra flera imputeringsmodeller Exercise 15: Utvärdera de olika parametrarna i modellen Exercise 16: Avslutande lektion