Analyse statistique des données manquantes

Objectifs

Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en œuvre des applications pratiques dans R.

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

- 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 œuvre pour traiter le problème

- Examiner différentes méthodes telles l'exclusion, l'imputation simple ou multiple

Type de formation

Non certifiante

Sortie

Sans niveau spécifique