50 % Rabatt auf DataCamp Premium. Über 700 Kurse zum halben Preis. Beginne jetzt mit dem Lernen.
Kursbeschreibung
Fehlende Daten gehören zu jeder Analyse mit echten Daten. Sie können an unerwarteten Stellen auftauchen und Auswertungen schwer verständlich machen. In diesem Kurs lernst du, wie du mit tidyverse-Tools und dem R-Paket naniar fehlende Werte visualisierst. Du bereitest fehlende Werte so auf, dass sie in Analysen genutzt werden können, und untersuchst sie, um Verzerrungen im Datensatz aufzuspüren. Zum Schluss deckst du weitere zugrunde liegende Muster der Missingness auf. Außerdem lernst du, wie du fehlende Werte mit Imputationsmodellen „auffüllst“ und wie du diese imputierten Datensätze visualisierst, bewertest und Entscheidungen darauf basierst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Warum sind fehlende Daten wichtig?
Kapitel 1 führt dich in fehlende Daten ein: Was sind fehlende Werte, wie verhalten sie sich in R, wie erkennt man sie und wie zählt man sie? Anschließend lernst du Übersichten zu fehlenden Daten kennen und wie man Missingness über Fälle, Variablen und innerhalb von Gruppen im Datensatz zusammenfasst und untersucht. Schließlich besprechen wir Visualisierungen zu fehlenden Daten: wie du Übersichtsplots für den gesamten Datensatz sowie über Variablen, Fälle und weitere Zusammenfassungen erstellst und wie du diese gruppenweise explorierst.
- Einführung in fehlende Daten50 XP
- Fehlende Werte verwenden und finden100 XP
- Wie viele fehlende Werte gibt es?100 XP
- Mit fehlenden Werten arbeiten50 XP
- Warum sind fehlende Werte wichtig?50 XP
- Fehlwerte zusammenfassen100 XP
- Fehlwerte tabellieren100 XP
- Weitere Zusammenfassungen von Missingness100 XP
- Wie visualisieren wir fehlende Werte?50 XP
- Deine erste Visualisierung fehlender Daten100 XP
- Fehlende Fälle und Variablen visualisieren100 XP
- Fehlermuster visualisieren100 XP
2
Aufbereiten und Bereinigen fehlender Werte
In Kapitel 2 lernst du, versteckte fehlende Werte wie „missing“ oder „N/A“ zu erkennen und durch `NA` zu ersetzen. Du lernst, wie du implizit fehlende Werte effizient behandelst – also Werte, die als fehlend gelten, aber nicht explizit aufgeführt sind. Außerdem behandeln wir die Abhängigkeit fehlender Daten und besprechen Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) und was diese Konzepte für deine Datenanalyse bedeuten.
3
Zusammenhänge bei Missingness testen
In diesem Kapitel lernst du Workflows für die Arbeit mit fehlenden Daten kennen. Wir führen spezielle Datenstrukturen ein – die Shadow-Matrix und nabulare Daten – und zeigen, wie du sie in Workflows zur Exploration fehlender Daten nutzt, sodass du Zusammenfassungen der Missingness wieder mit den Werten im Datensatz verknüpfen kannst. Du lernst, wie du mit ggplot explorierst und visualisierst, wie sich Werte verändern, wenn andere Variablen fehlen. Schließlich lernst du, wie man Missingness über zwei Variablen visualisiert und wie und warum man fehlende Werte in einem Streudiagramm darstellt.
4
Punkte verbinden (Imputation)
In diesem Kapitel lernst du, wie du fehlende Werte in deinen Daten auffüllst – das nennt man Imputation. Du lernst, wie du imputierst und fehlende Werte nachverfolgst, und welche guten und schlechten Eigenschaften Imputationen haben, damit du die imputierten Daten gegenüber den Originalwerten explorieren, visualisieren und bewerten kannst. Außerdem lernst du, wie du verschiedene Imputationsmodelle nutzt, bewertest und vergleichst und wie unterschiedliche Imputationsmodelle die Schlussfolgerungen beeinflussen, die du aus den Modellen ziehen kannst.
R
Umgang mit fehlenden Daten in R
Kurs
abgeschlossen
