Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Los datos faltantes forman parte de cualquier análisis de datos del mundo real. Pueden aparecer en lugares inesperados y complicar la interpretación del análisis. En este curso, aprenderás a usar herramientas de tidyverse y el paquete naniar de R para visualizar valores faltantes. Pondrás en orden los valores faltantes para poder usarlos en el análisis y explorarás esos valores para detectar sesgos en los datos. Por último, descubrirás otros patrones subyacentes de ausencia. También aprenderás a "rellenar los huecos" de los valores faltantes con modelos de imputación, y a visualizar, evaluar y tomar decisiones basadas en estos conjuntos de datos imputados.
Requisitos previos
Programa de formación
Contenido del curso
1
¿Por qué preocuparse por los datos faltantes?
El capítulo 1 te presenta los datos faltantes: qué son, cómo se comportan en R, cómo detectarlos y cómo contarlos. Después, introducimos los resúmenes de datos faltantes y cómo resumir la ausencia por casos y variables, además de cómo explorarla por grupos dentro de los datos. Por último, tratamos las visualizaciones de datos faltantes: cómo producir vistas generales para todo el conjunto de datos y por variables, casos y otros resúmenes, y cómo explorar estas vistas por grupos.
- Introducción a los datos faltantes50 XP
- Usar y detectar valores ausentes100 XP
- ¿Cuántos valores faltantes hay?100 XP
- Trabajar con valores ausentes50 XP
- ¿Por qué deberían importarte los valores faltantes?50 XP
- Resumir la ausencia de datos100 XP
- Tabulación de valores ausentes100 XP
- Otras formas de resumir la ausencia de datos100 XP
- ¿Cómo visualizamos los valores faltantes?50 XP
- Tus primeras visualizaciones de datos faltantes100 XP
- Visualizar casos y variables con valores ausentes100 XP
- Visualizar patrones de ausencia100 XP
2
Organizar y limpiar valores faltantes
En el capítulo dos, aprenderás a descubrir valores faltantes ocultos como "missing" o "N/A" y a reemplazarlos por `NA`. Aprenderás a gestionar de forma eficiente los valores faltantes implícitos, es decir, aquellos que se sobreentienden como ausentes pero no aparecen listados explícitamente. También veremos cómo explorar la dependencia de los datos faltantes, comentando Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) y qué implican para tu análisis de datos.
3
Comprobar relaciones de ausencia
En este capítulo, aprenderás flujos de trabajo para trabajar con datos faltantes. Presentamos estructuras de datos especiales, la matriz sombra y los datos nabular, y mostramos cómo usarlas en flujos de trabajo para explorar datos faltantes de modo que puedas vincular los resúmenes de ausencia con los valores de los datos. Aprenderás a usar ggplot para explorar y visualizar cómo cambian los valores cuando otras variables pasan a estar ausentes. Por último, aprenderás a visualizar la ausencia en dos variables y cómo y por qué visualizar ausencias en un diagrama de dispersión.
4
Conectar los puntos (Imputación)
En este capítulo, aprenderás a rellenar los valores faltantes de tus datos, lo que se denomina imputación. Aprenderás a imputar y a seguir la pista a los valores faltantes, y cuáles son las características buenas y malas de las imputaciones para que puedas explorar, visualizar y evaluar los datos imputados frente a los valores originales. Aprenderás a usar, evaluar y comparar distintos modelos de imputación, y explorar cómo distintos modelos de imputación afectan a las inferencias que puedes extraer de los modelos.
R
Tratamiento de datos faltantes en R
Curso
completado
