Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Missende data komt in elke echte data-analyse voor. Het kan op onverwachte plekken opduiken en je analyses lastig te interpreteren maken. In deze cursus leer je hoe je met tidyverse-tools en het naniar R-pakket missende waarden visualiseert. Je maakt missende waarden netjes zodat je ze kunt gebruiken in analyses en je verkent missende waarden om bias in de data te vinden. Ten slotte onthul je andere onderliggende patronen van ontbrekendheid. Je leert ook hoe je de "gaten" in missende waarden opvult met imputatiemodellen, en hoe je deze geïmputeerde gegevenssets visualiseert, beoordeelt en er beslissingen op baseert.
Vereisten
Lesprogramma
Cursusoverzicht
1
Waarom geven om missende data?
Hoofdstuk 1 introduceert je aan missende data: wat missende waarden zijn, hoe ze zich in R gedragen, hoe je ze detecteert en hoe je ze telt. We introduceren vervolgens overzichten van missende data en hoe je ontbrekendheid kunt samenvatten over cases, variabelen en hoe je dit per groep binnen de data verkent. Tot slot bespreken we visualisaties van missende data: hoe je overzichtsvisualisaties maakt voor de hele gegevensset en over variabelen, cases en andere samenvattingen, en hoe je deze per groep verkent.
- Introductie tot missende data50 XP
- Missende waarden gebruiken en vinden100 XP
- Hoeveel missende waarden zijn er?100 XP
- Werken met ontbrekende waarden50 XP
- Waarom zou je je druk maken om missende waarden?50 XP
- Ontbrekende waarden samenvatten100 XP
- Ontbrekende waarden tellen100 XP
- Andere samenvattingen van ontbrekende waarden100 XP
- Hoe visualiseren we ontbrekende waarden?50 XP
- Je eerste visualisaties van ontbrekende data100 XP
- Missende gevallen en variabelen visualiseren100 XP
- Ontbreekpatronen visualiseren100 XP
2
Wranglen en opschonen van missende waarden
In hoofdstuk twee leer je hoe je verborgen missende waarden zoals "missing" of "N/A" opspoort en vervangt door `NA`. Je leert hoe je efficiënt omgaat met impliciet missende waarden – waarden die ontbreken maar niet expliciet zijn opgenomen. We behandelen ook hoe je afhankelijkheid in missende data verkent, en bespreken Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR), en wat dit betekent voor je data-analyse.
3
Relaties tussen missende waarden testen
In dit hoofdstuk leer je over workflows voor werken met missende data. We introduceren speciale datastructuren, de shadow matrix en nabular data, en laten zien hoe je die gebruikt in workflows om missende data te verkennen, zodat je samenvattingen van ontbrekendheid kunt koppelen aan waarden in de data. Je leert hoe je met ggplot verkent en visualiseert hoe waarden veranderen terwijl andere variabelen missend worden. Tot slot leer je hoe je ontbrekendheid over twee variabelen visualiseert, en hoe en waarom je missende waarden in een spreidingsdiagram visualiseert.
4
De puntjes verbinden (imputatie)
In dit hoofdstuk leer je hoe je de missende waarden in je data aanvult, oftewel imputatie. Je leert hoe je imputeert en missende waarden bijhoudt, en wat de sterke en zwakke punten van imputaties zijn, zodat je de geïmputeerde data kunt verkennen, visualiseren en beoordelen ten opzichte van de oorspronkelijke waarden. Je leert hoe je verschillende imputatiemodellen gebruikt, evalueert en vergelijkt, en onderzoekt hoe verschillende imputatiemodellen de conclusies beïnvloeden die je uit de modellen kunt trekken.
R
Omgaan met missende data in R
Cursus
voltooid
