Menangani Data Hilang di R

Pada bab dua, Anda akan mempelajari cara mengungkap nilai hilang tersembunyi seperti "missing" atau "N/A" dan menggantinya dengan NA. Anda akan mempelajari cara menangani nilai hilang implisit secara efisien—nilai yang tersirat hilang tetapi tidak dicantumkan secara eksplisit. Kami juga membahas cara mengeksplorasi ketergantungan data hilang, membahas Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR), dan maknanya bagi analisis data Anda.

Dalam bab ini, Anda akan mempelajari alur kerja untuk bekerja dengan data hilang. Kami memperkenalkan struktur data khusus, shadow matrix, dan data nabular, serta menunjukkan cara menggunakannya dalam alur kerja untuk mengeksplorasi data hilang sehingga Anda dapat mengaitkan ringkasan kehilanagn kembali ke nilai dalam data. Anda akan mempelajari cara menggunakan ggplot untuk mengeksplorasi dan memvisualisasikan bagaimana nilai berubah ketika variabel lain menjadi hilang. Terakhir, Anda mempelajari cara memvisualisasikan kehilanagn di antara dua variabel, serta bagaimana dan mengapa memvisualisasikan nilai hilang dalam scatterplot.

Dalam bab ini, Anda akan mempelajari tentang mengisi nilai yang hilang dalam data Anda, yang disebut imputasi. Anda akan mempelajari cara melakukan imputasi dan melacak nilai yang hilang, serta apa saja kelebihan dan kekurangan imputasi sehingga Anda dapat mengeksplorasi, memvisualisasikan, dan mengevaluasi data yang diimputasi terhadap nilai aslinya. Anda akan mempelajari cara menggunakan, mengevaluasi, dan membandingkan berbagai model imputasi, serta mengeksplorasi bagaimana model imputasi yang berbeda memengaruhi inferensi yang dapat Anda tarik dari model.