Allt tillsammans

Hantering av saknade värden med imputering i R

Michal Oleszak

Machine Learning Engineer

Fallstudie: medborgerliga friheter i Afrika

head(africa)

  year      country gdp_pc  infl trade    civlib population
1 1972 Burkina Faso    377 -2.92 29.69 0.5000000    5848380
2 1973 Burkina Faso    376  7.60 31.31 0.5000000    5958700
3 1974 Burkina Faso    393  8.72 35.22 0.3333333    6075700
4 1975 Burkina Faso    416 18.76 40.11 0.3333333    6202000
5 1976 Burkina Faso    435 -8.40 37.76 0.5000000    6341030
6 1977 Burkina Faso    448 29.99 41.11 0.6666667    6486870

¹ Data source: https://scholar.harvard.edu/rbates/data

Modellera ofullständiga data

Mål: undersök sambandet mellan medborgerliga friheter, civlib, och BNP per capita, gdp_pc.

Visualisera ofullständiga data.
- Vilka variabler saknar värden?
- Vad kan vara mekanismerna bakom saknade data?
Imputera saknade data och utvärdera imputeringskvaliteten.
Kör en modell på imputerade data med hänsyn till imputeringsosäkerheten.

Det här kommer du att behöva

aggr()
spineMiss()
mice() - with() - pool()

Utvärdera imputeringskvalitet med MICE

mice() genererar flera imputerade datamängder.
Att visualisera var och en med VIM:s funktioner kan bli omständligt.
Paketet mice erbjuder egna diagram som automatiskt hanterar flera datamängder.

nhanes_multiimp <- mice(nhanes, m = 5, defaultMethod = "pmm")

stripplot(nhanes_multiimp, 
          Weight ~ Height | .imp,
          pch = 20, cex = 2)

Stripdiagram

Ett rutnät med sex spridningsdiagram över Höjd mot Vikt. I varje diagram markeras de imputerade värdena i färg. De imputerade värdena ligger nära de observerade och är enbart urskiljbara tack vare färgen.

Nu kör vi en övning!

Hantering av saknade värden med imputering i R