Mosaikplot

Ryggradsstolpdiagrammet du skapade i föregående övning låter dig studera mönster för saknade värden mellan två variabler åt gången. Den idén generaliseras till fler variabler med hjälp av en mosaikplot.

I den här övningen börjar du med att skapa en dummyvariabel som anger om USA var inblandade i produktionen av varje film. För det använder du funktionen grepl(), som kontrollerar om strängen i det första argumentet finns i objektet i det andra argumentet. Sedan ritar du en mosaikplot för att se om personens kön korrelerar med mängden saknade värden för intäkter – både för amerikanska och icke-amerikanska filmer.

Dataramen biopics och paketet VIM är redan inladdade. Nu kör vi igång med utforskande visualisering!

Observera att en specialfunktiondisplay_image()har skapats för att returnera utdata från den senaste versionen avVIM-paketet. Kom ihåg att expandera avsnittetHTML Viewer .

Den här övningen är en del av kursen

Hantering av saknade värden med imputering i R

Övningsinstruktioner

Mata in dataramen biopics i dplyr-flödet.
Skapa en dummyvariabel is_US_movie som är TRUE om country innehåller strängen "US", och FALSE annars.
Rita en mosaikplot som visar mängden saknade värden i "earnings" uppdelat efter "is_US_movie" och "sub_sex". Kom ihåg att ange variabelnamnen som strängar.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Prepare data for plotting and draw a mosaic plot
___ %>%
	# Create a dummy variable for US-produced movies
	mutate(is_US_movie = grepl(___, ___)) %>%
	# Draw mosaic plot
	mosaicMiss(highlight = ___, 
             plotvars = c(___, ___))

# Return plot from latest VIM package - expand the HTML viewer section
display_image()

Redigera och kör kod

Den här övningen är en del av kursen

Hantering av saknade värden med imputering i R

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

I det här kapitlet får du lära dig varför saknade data kan utgöra en risk vid analys av en datamängd. Du introduceras till de tre mekanismerna för saknade data och lär dig att känna igen dem med hjälp av statistiska tester och visualiseringsverktyg.

Exercise 1: Saknade värden: vad kan gå fel Exercise 2: Linjär regression med ofullständiga data Exercise 3: Analysera regressionsresultat Exercise 4: Jämföra modeller Exercise 5: Mekanismer bakom saknade data Exercise 6: Identifiera mekanismer för saknade data Exercise 7: t-test för MAR: förberedelse av data Exercise 8: t-test för MAR: tolkning Exercise 9: Visualisering av mönster i saknade data Exercise 10: Aggregationsplot Exercise 11: Spine plot Exercise 12: Mosaikplot

Aktuell övning

Bekanta dig med taxonomin för imputeringsmetoder och lär dig tre donatorsbaserade tekniker: medelvärdesimputering, hot-deck-imputering och k-närmaste-grannar-imputering. Du får se hur metoderna fungerar under huven innan du tillämpar dem på ett verkligt dataset med tropiskt väder. På vägen lär du dig också användbara knep som gör metoderna ännu mer effektiva.

Exercise 1: Medelvärdesimputering Exercise 2: Att känna igen riskerna med medelvärdeskalkylering Exercise 3: Medelvärdesimputering av temperaturen Exercise 4: Utvärdera imputeringskvalitet med marginalplot Exercise 5: Hot-deck-imputering Exercise 6: Enkel hot-deck-imputering Exercise 7: Tips och tricks för hot-deck I: imputering inom domäner Exercise 8: Tips och tricks för hot-deck II: sortering efter korrelerade variabler Exercise 9: k-Nearest-Neighbors-imputering Exercise 10: Välja antal grannar Exercise 11: kNN-tips och tricks I: viktning av donatorer Exercise 12: kNN – tips och tricks II: sortera variabler

Nu är det dags att lära dig använda statistiska modeller och maskininlärningsmodeller – som linjär regression, logistisk regression och random forests – för att imputera saknade data. I det här kapitlet undersöker du hur modellerna gör sina förutsägelser och använder den kunskapen för att dra imputerade värden från betingade fördelningar. Det här är viktigt eftersom det säkerställer att dina imputeringar blir mer varierade och rimliga, och på så sätt liknar de verkliga data mer.

Exercise 1: Modellbaserad imputeringsmetod Exercise 2: Imputering med linjär regression Exercise 3: Initialisera saknade värden och iterera över variabler Exercise 4: Detektera konvergens Exercise 5: Att återskapa datavariabilitet Exercise 6: Imputering med logistisk regression Exercise 7: Urval från betingad fördelning Exercise 8: Modellbaserad imputering med flera variabeltyper Exercise 9: Trädbaserad imputering Exercise 10: Imputering med slumpskogar Exercise 11: Imputeringsfel per variabel Exercise 12: Avvägning mellan hastighet och noggrannhet

Imputerade värden är inte hugna i sten – de är uppskattningar, och uppskattningar är förenade med osäkerhet. I det här avslutande kapitlet får du lära dig hur bootstrapping och kedjebaserade ekvationer med paketet mice kan användas för att integrera imputeringsosäkerhet i dina modeller och analyser, och på så sätt göra dem mer tillförlitliga och robusta.

Exercise 1: Multipel imputation med bootstrapping Exercise 2: Paketera imputering och modellering i en funktion Exercise 3: Kör bootstrapping Exercise 4: Konfidensintervall med bootstrapping Exercise 5: Multipel imputation med kedjelikationer Exercise 6: MICE-flödet: mice - with - pool Exercise 7: Välja standardmodeller Exercise 8: Använda prediktormatris Exercise 9: Att sätta ihop allt Exercise 10: Analysera mönster för saknade data Exercise 11: Imputera och granska utfall Exercise 12: Inferens med imputerade data Exercise 13: Avslutande kommentarer