After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Data hilang adalah bagian dari analisis data dunia nyata. Data hilang dapat muncul di tempat yang tidak terduga, sehingga analisis menjadi sulit dipahami. Dalam kursus ini, Anda akan mempelajari cara menggunakan alat tidyverse dan paket R naniar untuk memvisualisasikan nilai yang hilang. Anda akan menata nilai yang hilang agar dapat digunakan dalam analisis dan mengeksplorasi nilai yang hilang untuk menemukan bias dalam data. Terakhir, Anda akan mengungkap pola dasar lain dari kehilanagn data. Anda juga akan mempelajari cara "mengisi kekosongan" nilai yang hilang dengan model imputasi, serta cara memvisualisasikan, menilai, dan mengambil keputusan berdasarkan himpunan data yang telah diimputasi ini.
Prasyarat
Kurikulum
Garis besar kursus
1
Mengapa peduli pada data hilang?
Bab 1 memperkenalkan Anda pada data hilang, menjelaskan apa itu nilai hilang, perilakunya di R, cara mendeteksinya, dan cara menghitungnya. Kami kemudian memperkenalkan ringkasan data hilang dan cara merangkum kehilanagn data di seluruh kasus dan variabel, serta bagaimana mengeksplorasi antar kelompok dalam data. Terakhir, kami membahas visualisasi data hilang, cara menghasilkan visualisasi ikhtisar untuk seluruh himpunan data dan per variabel, kasus, dan ringkasan lainnya, serta bagaimana mengeksplorasinya antar kelompok.
- Pengantar data hilang50 XP
- Menggunakan dan menemukan nilai hilang100 XP
- Ada berapa nilai hilang?100 XP
- Bekerja dengan nilai hilang50 XP
- Mengapa peduli pada nilai yang hilang?50 XP
- Merangkum keberadaan nilai hilang100 XP
- Membuat Tabel Keberadaan Data Hilang100 XP
- Ringkasan lain tentang keberadaan nilai hilang100 XP
- Bagaimana cara memvisualisasikan nilai yang hilang?50 XP
- Visualisasi pertama Anda tentang data yang hilang100 XP
- Memvisualisasikan kasus dan variabel yang hilang100 XP
- Memvisualisasikan pola data hilang100 XP
2
Merapikan dan menata nilai yang hilang
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.
3
Menguji keterkaitan nilai hilang
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.
4
Menghubungkan titik-titik (Imputasi)
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.
R
Menangani Data Hilang di R
Kursus
Selesai
