Analyse statistique des données manquantes

Objectifs

Objectif général :
Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en oeuvre des applications pratiques dans R
Objectifs détaillés :
- Appréhender la problématique des données manquantes en balayant les impacts sur les analyses
- Distinguer les différents types de données manquantes
- Savoir mener un état des lieux des données manquantes
- Connaître les différents stratégies à mettre à oeuvre pour traiter le problème
- Examiner différentes méthodes telles l'exclusion, l'imputation simple ou multiple

Programme de la formation

- Problématique générale
Origine des données manquantes
Impact sur les analyses
- Les grands types de données manquantes
MCAR (Missing Completely At Random)
MAR (Missing At Random)
MNAR (Missing Not At Random)
- État des lieux des données manquantes
Détecter, synthétiser, lister les individus ou variables avec données manquantes
Pattern de données manquantes
- Panorama des différentes stratégies de traitement des données manquantes
- L'exclusion
- L'imputation simple
Par la moyenne
A l'aide d'un modèle
Par les k plus proches voisins
- L'imputation multiple
- Bilan

Validation et sanction

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Type de formation

Non certifiante

Sortie

Sans niveau spécifique