MAR 的 t 检验：数据准备
上一题中，您已经很好地对缺失数据机制进行了分类！在三种机制中，MAR 可能是最需要识别的一种，因为许多插补方法都假设数据满足 MAR。本练习将重点测试 MAR。
您将继续使用熟悉的 biopics 数据。目标是检验 earnings 中缺失值的数量是否会随人物性别而不同。在本练习中，您只需为 t 检验做数据准备。首先，创建一个指示 earnings 是否缺失的虚拟变量。然后，按性别将其拆分：先筛选出某一性别的数据，再提取该虚拟变量。为便于筛选，您可以在控制台打印 biopics 的 head()，查看并确认性别变量的取值。
本练习是课程的一部分
R 中的缺失值填补处理
练习说明
- 在
biopics中新增变量missing_earnings：当earnings缺失时取TRUE，否则取FALSE。 - 为男性创建
missing_earnings的向量，并将其赋给missing_earnings_males。 - 为女性创建
missing_earnings的向量，并将其赋给missing_earnings_females。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Create a dummy variable for missing earnings
biopics <- biopics %>%
___(missing_earnings = ___(___))
# Pull the missing earnings dummy for males
missing_earnings_males <- biopics %>%
___(___) %>%
___(___)
# Pull the missing earnings dummy for females
missing_earnings_females <- biopics %>%
___(___) %>%
___(___)