Zależność braków danych

Praca z brakującymi danymi w R

Nicholas Tierney

Statistician

Plan

  • MCAR Braki całkowicie losowe

  • MAR Braki losowe

  • MNAR Braki nielosowe

Praca z brakującymi danymi w R

MCAR: Czym jest?

Brakowanie nie jest powiązane z żadnymi obserwowanymi ani nieobserwowanymi danymi.

test vacation
NA TRUE
11.533340 FALSE
10.126115 TRUE
NA FALSE
NA TRUE
8.551881 FALSE
NA FALSE
NA TRUE
10.608264 TRUE
Praca z brakującymi danymi w R

MCAR: Jakie są konsekwencje?

Konsekwencje

  • Zaleca się imputację
  • Usunięcie obserwacji może zmniejszyć próbę i ograniczyć wnioskowanie, ale nie powoduje obciążenia
  • Należy dokonywać imputacji danych
Praca z brakującymi danymi w R

MAR: Czym jest?

Brakowanie zależy od danych obserwowanych, lecz nie od nieobserwowanych

Konsekwencje:

  • Imputacja
  • Usunięcie obserwacji jest niezalecane – może prowadzić do obciążenia
test vacation depression
NA TRUE 87.93109
11.533340 FALSE 40.02708
10.126115 TRUE 48.62883
NA FALSE 88.21743
NA TRUE 90.29282
8.551881 FALSE 44.77343
NA FALSE 89.48865
NA TRUE 89.99209
10.608264 TRUE 45.56832
Praca z brakującymi danymi w R

MNAR: Czym jest?

Brakowanie odpowiedzi jest związane z nieobserwowaną wartością istotną dla analizy.

Konsekwencje:

  • Usunięcie i imputacja danych prowadzą do obciążenia
  • Wnioskowanie jest ograniczone – należy postępować ostrożnie.
test vacation depression
NA TRUE NA
11.533340 FALSE 11.533340
10.126115 TRUE 10.126115
NA FALSE NA
NA TRUE NA
8.551881 FALSE 8.551881
NA FALSE NA
NA TRUE NA
10.608264 TRUE 10.608264
Praca z brakującymi danymi w R

Przykład: MCAR

vis_miss(mt_cars, cluster = TRUE)

Praca z brakującymi danymi w R

Przykład: MAR

oceanbuoys %>% arrange(year) %>% vis_miss()

Praca z brakującymi danymi w R

Przykład: MNAR

vis_miss(ocean, cluster = TRUE)

Praca z brakującymi danymi w R

Czas na ćwiczenia!

Praca z brakującymi danymi w R

Preparing Video For Download...