Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Ontbrekende gegevens horen bij elke analyse met echte data. Ze kunnen op onverwachte plekken opduiken en maken analyses lastiger te begrijpen. In deze cursus leer je met tidyverse-tools en het naniar R-pakket ontbrekende waarden te visualiseren. Je leert ontbrekende waarden op te schonen zodat je ze in analyses kunt gebruiken en je verkent ontbrekende waarden om bias in de gegevens te vinden. Tot slot ontdek je andere onderliggende patronen van ontbrekendheid. Je leert ook hoe je ontbrekende waarden kunt “invullen” met imputatiemodellen, en hoe je deze geïmputeerde gegevenssets visualiseert, beoordeelt en gebruikt om beslissingen te nemen.
Vereisten
Lesprogramma
Cursusoverzicht
1
Waarom aandacht voor ontbrekende data?
Hoofdstuk 1 maakt je wegwijs in ontbrekende data: wat ontbrekende waarden zijn, hoe ze zich gedragen in R, hoe je ze detecteert en telt. Daarna introduceren we overzichten van ontbrekende data en hoe je ontbrekendheid samenvat over cases en variabelen, en hoe je dit binnen groepen in de data verkent. Tot slot bespreken we visualisaties van ontbrekende data: hoe je overzichtsvisualisaties maakt voor de hele gegevensset en voor variabelen, cases en andere samenvattingen, en hoe je dit per groep kunt onderzoeken.
- Introductie tot ontbrekende data50 XP
- Ontbrekende waarden gebruiken en vinden100 XP
- Hoeveel missende waarden zijn er?100 XP
- Werken met ontbrekende waarden50 XP
- Waarom zou je je druk maken om ontbrekende waarden?50 XP
- Ontbrekende waarden samenvatten100 XP
- Missings in een tabel samenvatten100 XP
- Andere samenvattingen van ontbrekende waarden100 XP
- Hoe visualiseren we ontbrekende waarden?50 XP
- Je eerste visualisaties van ontbrekende data100 XP
- Missende cases en variabelen visualiseren100 XP
- Ontbreekpatronen visualiseren100 XP
2
Opschonen en structureren van ontbrekende waarden
In hoofdstuk twee leer je verborgen ontbrekende waarden zoals "missing" of "N/A" op te sporen en te vervangen door `NA`. Je leert hoe je efficiënt omgaat met impliciet ontbrekende waarden — waarden die eigenlijk ontbreken, maar niet expliciet vermeld staan. We behandelen ook hoe je afhankelijkheid in ontbrekende data onderzoekt, met bespreking van Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR), en wat dit betekent voor je data-analyse.
3
Relaties met ontbrekende waarden testen
In dit hoofdstuk leer je workflows voor werken met ontbrekende data. We introduceren speciale datastructuren, de shadow matrix en nabular data, en laten zien hoe je deze inzet in workflows om ontbrekende 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 ontbreken. Tot slot leer je ontbrekendheid over twee variabelen te visualiseren, en hoe en waarom je ontbrekende waarden in een scatterplot visualiseert.
4
De puntjes met elkaar verbinden (imputatie)
In dit hoofdstuk leer je hoe je ontbrekende waarden in je data kunt aanvullen, oftewel imputatie. Je leert hoe je imputeert en ontbrekende 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, beoordeelt en vergelijkt, en onderzoekt hoe verschillende imputatiemodellen de conclusies beïnvloeden die je uit de modellen kunt trekken.
R
Omgaan met ontbrekende gegevens in R
Cursus
voltooid
