Ejercicios

Con la misma base de datos de la epidemia de ébola haz los siguientes ejercicios:

library(naniar)
library(tidyverse)
load("linelist.Rdata")
head(data)
str(data)
summary(data)

1. ¿Qué número absoluto de datos missing hay en esta base de datos? y ¿porcentaje? y ¿observaciones completas? ¿Te parecen muchos o pocos?

# Number of missing data
n_miss(data)
# 13198 


pct_miss(data)
# 8.6%

# Percent of rows that are complete (no values missing)  
pct_complete_case(data) # use n_complete() for counts
#23.5%

En términos absolutos parecen muchos datos, pero el porcentaje total de datos missing es un 8.6%. El problema real de esta base de datos es que sólo hay un 23.5% de observaciones completas y por tanto si quisieramos hacer un estudio multivariante con todas las variables o imputamos o si borramos perdemos mas de la mitad de las observaciones.

1. Usando gg_miss_var() ¿Qué variables son las que más porcentaje de datos missing tienen? ¿Hay variables que no tengan datos missing o que tengan menos de un 5%?

Source, infector y date_infection tiene más de un 30% de valores missing, habría que pensar si imputar o borrar la variable entera. La gran mayoría de variables tienen menos del 5% y esta es una buena cifra para imputar datos.

1. Usando gg_miss_var() representa los datos missing de toda la base de datos por los valores de la variable outcome, age_cat y hospital. ¿Podemos ver algún patrón?

gg_miss_var(data, show_pct = TRUE,facet = gender)


gg_miss_var(data, show_pct = TRUE,facet = outcome)


gg_miss_var(data, show_pct = TRUE,facet = age_cat)


gg_miss_var(data, show_pct = TRUE,facet = hospital)

Vemos que gender y age tienen las mismas observaciones con datos missing. Para outcome y hospital no se observa ningún patrón.

1. Usando vis_miss() y select(), imagínate que quieres estudiar los días que han pasado desde la fecha de hospitalización hasta el outcome según las características de los pacientes (age, gender, hospital) y sus síntomas (fever, chills, cough, aches vomit, temp). ¿Qué heatmap representarías para ver los datos missing? ¿Qué problemas vas a encontrar en este análisis?

vis_miss(select(data,date_hospitalisation,date_outcome,outcome,gender,age,hospital,fever,chills,cough,aches,vomit,temp))

El principal problemas que vemos aquí es que las variables correspondientes a los síntomas corresponden a las mismas observaciones, por tanto, por un lado, no sabemos por qué puede ser debido esto y puede que haya alguna razón detrás que no sepamos y por otro lado, no vamos a poder unsar el resto de síntomas para imputar estos datos missing.

También vemos que la fecha date_outcome tiene muchos datos missing, esto hace que si construimos una nueva variable con los días que han pasado desde la fecha de hospitalización hasta el outcome, tendremos todos los missing de esta variable.

1. Usando gg_miss_fct(), representa un heatmap de todos los datos por las variables categóricas (gender, outcome y hospital y por las fechas date_hospitalisation y date_outcome). ¿Qué observas en estos gráficos?

gg_miss_fct(data, gender)
gg_miss_fct(data, outcome)

gg_miss_fct(data, date_infection)
gg_miss_fct(data, date_hospitalisation)
gg_miss_fct(data, date_outcome)

Para gender y outcome no se observa ningún patrón destacable más que el que ya sabíamos de los missing en la variable gender y age para las mismas observaciones. Sobre las fechas, no hay nignún patrón en los missing, pero si observamos como al inicio de la recogido (inicio de la epidemia) había menos datos que al final, que los datos recogidos son más continuos en el tiempo, lo cual corresponde a lo esperado en la evolución de una epidemia.

1. Usando las variables "shadow", realiza un gráfico que muestre la distribución de las distintas fechas considerando los datos missing (NA) y no missing (!NA) de la variable edad y gender. ¿Qué conclusión sacarías?

shadowed_data <- data %>%   bind_shadow()
shadowed_data[,c("gender","gender_NA")]
table(shadowed_data$gender,shadowed_data$gender_NA,useNA = "always")

ggplot (data = shadowed_data,            # data frame with shadow columns        
        mapping = aes(x = date_hospitalisation,       # numeric or date column   
                   colour = age_NA)) +   # shadow column of interest  
        geom_density() 
                   
ggplot (data = shadowed_data,            # data frame with shadow columns       
        mapping = aes(x = date_outcome,       # numeric or date column   
                    colour = age_NA)) +   # shadow column of interest  
         geom_density()        
         
ggplot (data = shadowed_data,            # data frame with shadow columns        
        mapping = aes(x = date_onset,       # numeric or date column       
                    colour = age_NA)) +   # shadow column of interest  
         geom_density() 
         
ggplot (data = shadowed_data,             # data frame with shadow columns        
           mapping = aes(x = date_hospitalisation,       # numeric or date column
                      colour = gender_NA)) +   # shadow column of interest  
           geom_density() 

ggplot (data = shadowed_data,            # data frame with shadow columns        
           mapping = aes(x = date_outcome,       # numeric or date column   
                        colour = gender_NA)) +   # shadow column of interest  
             geom_density()        
             
  ggplot (data = shadowed_data,            # data frame with shadow columns        
             mapping = aes(x = date_onset,       # numeric or date column     
                         colour = gender_NA)) +   # shadow column of interest  
              geom_density() 

Para ambas variables (edad y gender) y todas las fechas lo que se observa es que los datos missing corresponden a fechas más tardías desde el inicio de la recogida de datos (epidemia). Podría corresponder a una situación en la que al inicio que hay menos gente acudiendo a los hospitales la recogida de datos se hace de forma completa y adecuada y según pasa el tiempo y los hospitales colapsan, la recogida de datos es muchas veces imposible.