Tratamiento de datos faltantes en R

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.

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.

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.