Objectifs
Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en œuvre des applications pratiques dans R.
Public
Toute personne confrontée à la présence de données manquantes dans ses fichiers de travail.
Pré-requis
Aucun
Méthode pédagogique
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Modalités d'évaluation
Un formulaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes. Ce même formulaire soumis en aval de la formation fournira une appréciation de votre progression.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.
Accessibilité
Vous souhaitez suivre notre formation Analyse statistique des données manquantes et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage
Programme
- Problématique générale
- Les grands types de données manquantes
- État des lieux des données manquantes
- Panorama des différentes stratégies de traitement des données manquantes
- L’exclusion
- L’imputation simple
- L’imputation multiple
- Bilan
- 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
