在上一個練習中，你已經為每個性別準備了兩個向量，分別包含 earnings 的遺漏值：missing_earnings_males 與 missing_earnings_females。兩者都已在你的工作空間中。現在你可以進行 t 檢定，看看它們的平均數是否有顯著差異！來做一點認真的統計檢定吧！
earnings
missing_earnings_males
missing_earnings_females
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
# Run the t-test ___(___, ___)
在本章中，你會了解為何遺漏資料會對資料集分析帶來風險。你將認識三種遺漏機制，並學會如何用統計檢定與視覺化工具來辨識它們。
當前練習
認識插補方法的分類，並學習三種以捐贈者為基礎的技術：平均插補、hot-deck，以及 k-Nearest-Neighbors 插補。你會一探其原理，了解這些方法如何運作，接著把它們應用到真實的熱帶天氣資料集。同時，你也會學到一些實用技巧，讓這些方法更貼近你的問題情境並有更佳表現。
現在要學習如何運用統計與機器學習模型（例如線性迴歸、羅吉斯迴歸與隨機森林）來插補遺漏資料。本章會帶你了解這些模型如何做出預測，並運用這些知識，從條件分配中抽取插補值。這很重要，因為可以讓插補值更具變異且更合理，更接近真實資料。
插補後的數值不是板上釘釘。它們只是估計值，而估計都伴隨不確定性。在最後一章，你會學到如何使用自助法（bootstrapping）與使用 mice 套件的連鎖方程（chained equations），把插補不確定性納入模型與分析中，使其更可靠、更穩健。