MCAR ve MAR arasındaki farklar

Analizde ilerledikçe verilerimiz hakkında bazı varsayımlar yapmamız gerekir.

Aşağıdaki MCAR ve MAR ile ilgili yanıtlardan hangisi DOĞRU?

Bu egzersiz, kursun bir parçasıdır

R'de Eksik Verilerle Başa Çıkma

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

R'de Eksik Verilerle Başa Çıkma

InicianteNível de habilidade

4.8+

141 reviews

Kursa Ücretsiz Başla

Bölüm 1 seni eksik verilerle tanıştırır; eksik değerlerin ne olduğunu, R'deki davranışlarını, nasıl tespit edileceğini ve nasıl sayılacağını açıklar. Ardından, eksik veri özetlerini ve eksikliğin vakalar, değişkenler genelinde nasıl özetleneceğini ve verideki gruplar arasında nasıl keşfedileceğini ele alıyoruz. Son olarak, eksik veri görselleştirmelerini; tüm veri kümesi için ve değişkenler, vakalar ve diğer özetler üzerinde genel görselleştirmelerin nasıl üretileceğini ve bunların gruplar arasında nasıl keşfedileceğini tartışıyoruz.

Exercise 1: Eksik verilere giriş Exercise 2: Eksik değerleri kullanma ve bulma Exercise 3: Kaç tane eksik değer var?Exercise 4: Eksik değerlerle çalışmak Exercise 5: Eksik değerlere neden önem vermelisin?Exercise 6: Eksiklikleri özetleme Exercise 7: Eksiklikleri Tabloya Dökmek Exercise 8: Eksiklik için diğer özetler Exercise 9: Eksik değerleri nasıl görselleştiririz?Exercise 10: İlk eksik veri görselleştirmen Exercise 11: Eksik vakaları ve değişkenleri görselleştirme Exercise 12: Eksiklik desenlerini görselleştirme

İkinci bölümde, "missing" veya "N/A" gibi gizli eksik değerleri nasıl ortaya çıkarıp `NA` ile değiştireceğini öğreneceksin. Ayrıca, açıkça listelenmeyen ancak eksik olduğu ima edilen örtük eksik değerleri verimli biçimde nasıl ele alacağını öğreneceksin. Eksik veri bağımlılığını keşfetmeyi de kapsıyor; Tamamen Rastgele Eksik (MCAR), Rastgele Eksik (MAR), Rastgele Olmayan Eksik (MNAR) durumlarını ve bunların veri analizine ne anlama geldiğini tartışıyoruz.

Exercise 1: Eksik değerleri arama ve değiştirme Exercise 2: miss_scan_count kullanımı Exercise 3: replace_with_na kullanma Exercise 4: replace_with_na kapsam varyantlarını kullanma Exercise 5: Eksik değerleri aşağı doğru doldurma Exercise 6: complete() ile örtük eksikleri düzelt Exercise 7: fill() ile açık eksikleri düzelt Exercise 8: complete() ve fill()'ı birlikte kullanma Exercise 9: Eksik Veriye Bağımlılık Exercise 10: MCAR ve MAR arasındaki farklar

Geçerli egzersiz

Exercise 11: Eksiklik bağımlılığını keşfetme Exercise 12: Eksiklik bağımlılığını daha derinlemesine keşfetme

Bu bölümde, eksik verilerle çalışmaya yönelik iş akışlarını öğreneceksin. Özel veri yapıları olan gölge matrisini ve nabular veriyi tanıtıyor ve bunları eksik verileri keşfetme iş akışlarında, eksiklik özetlerini verideki değerlere geri bağlayabilmen için nasıl kullanacağını gösteriyoruz. Değerlerin, diğer değişkenler eksik hale geldikçe nasıl değiştiğini keşfetmek ve görselleştirmek için ggplot'u nasıl kullanacağını öğreneceksin. Son olarak, iki değişken üzerinde eksikliği nasıl görselleştireceğini ve bir saçılım grafiğinde eksikleri neden ve nasıl görselleştirmen gerektiğini öğreneceksin.

Exercise 1: Eksik verilerin bağımlılığını keşfetme araçları Exercise 2: Gölge matris verisi oluşturma Exercise 3: Eksikliklere göre gruplanmış özetler oluşturma Exercise 4: Eksikliklerin daha fazla kombinasyonunu keşfetmeye devam Exercise 5: Tek bir değişkende eksiklikleri görselleştirme Exercise 6: Nabular veri ve eksikliğe göre doldurma Exercise 7: Nabular veri ve eksiklik durumuna göre özetleme Exercise 8: Eksikliğe göre değişimi keşfet: kutu grafikleri Exercise 9: İki değişken arasında eksiklikleri görselleştirme Exercise 10: Dağılım grafikleriyle eksik verileri keşfetme Exercise 11: Eksiklikleri incelemek için facet kullanma Exercise 12: Eksiklikleri incelemek için facet kullanımı (çoklu grafikler)

Bu bölümde, verindeki eksik değerleri doldurmaya, yani imputasyona dair bilgi edineceksin. Eksik değerleri nasıl imputasyonla dolduracağını ve takip edeceğini; imputasyonların iyi ve kötü yönlerini, böylece imputasyonlu veriyi özgün değerlerle karşılaştırarak nasıl keşfedeceğini, görselleştireceğini ve değerlendireceğini öğreneceksin. Farklı imputasyon modellerini nasıl kullanacağını, değerlendireceğini ve karşılaştıracağını ve farklı imputasyonların modellerden çıkarabileceğin sonuçları nasıl etkilediğini keşfedeceksin.

Exercise 1: Boşlukları Doldurmak Exercise 2: Aralık altına değer atama ve nabular verilerle çalışma Exercise 3: Dağılım grafiğinde impute edilmiş değerleri görselleştir Exercise 4: Doldurulmuş verinin histogramını oluştur Exercise 5: İyi bir değer atamayı ne yapar Exercise 6: Kötü atamaları değerlendirme Exercise 7: Tamamlamaları değerlendirmek: Ölçek Exercise 8: Atamaları değerlendirme: Birçok değişken arasında Exercise 9: İmpütasyon gerçekleştirme Exercise 10: Veri ataması için simputation kullanma Exercise 11: Atamaları değerlendirme ve karşılaştırma Exercise 12: Tamamlamaları değerlendirme (çoklu modeller ve değişkenler)Exercise 13: Tamamlamaları ve modelleri değerlendirme Exercise 14: Birçok imputasyon modelini birleştirme ve karşılaştırma Exercise 15: Modeldeki farklı parametreleri değerlendirme Exercise 16: Son Ders