test answers
Resumen
1.
¿Qué es la imputación de valores faltantes?
Estimar los valores ausentes con base en los valores válidos de otras variables y/o casos de muestra o modelos.
2.
¿Cuál de las siguientes afirmaciones NO es una implicación de los datos Missing Completely At Random (MCAR)?
La imputación es necesaria.
3.
¿Cuál de las siguientes afirmaciones SÍ es una implicación de los datos Missing At Random (MAR)?
Todas las opciones son correctas.
4.
¿Cuál de las siguientes afirmaciones SÍ es una implicación de los datos Missing Not At Random (MNAR)?
Todas las opciones son correctas.
5.
Después de examinar tus datos con valores faltantes, tus colegas te sugieren mejorar tu diseño experimental o realizar un análisis de sensibilidad. ¿Qué tipo de mecanismo de valores faltantes creen que actúa sobre tus datos?
MNAR
6.
¿Qué es la codificación ordinal?
Una codificación ordinal implica mapear cada etiqueta (categoría) única a un valor entero.
7.
Una vez ajustamos y transformamos nuestros datos con codificador, podemos hacer uso de su atributo ____ para obtener las categorías únicas de nuestro conjunto de datos.
encoder.get_categories()
REPASAR CLASE
8.
¿Cuál es una ventaja de realizar one-hot encoding utilizando sklearn en lugar de Pandas?
Realizar one-hot encoding puede llegar a ser más robusto debido a que guarda la información necesaria de las categorías involucradas e incluye una forma de realizar transformaciones inversas.
9.
¿Cuándo utilizarías una codificación one-hot en lugar de una codificación ordinal?
Cuando mis variables categóricas no tienen un orden natural.
¿Qué son las imputaciones basadas en donantes?
Completa los valores que faltan para una unidad dada copiando los valores observados de otra unidad, el donante.
11.
¿Cuáles son las imputaciones basadas en modelos?
Encuentran un modelo predictivo para cada variable objetivo en el conjunto de datos que contiene valores faltantes.
¿Por cuál de las siguientes razones podrías utilizar la imputación por media, mediana y moda?
Todas las opciones son correctas.
13.
¿Cuál de las siguientes afirmaciones NO es una desventaja de la imputación por llenado hacia atrás y hacia adelante?
Relaciones multivariables pueden ser distorsionadas.
14.
Al realizar una imputación por llenado hacia atrás y hacia adelante, existen trucos que pueden ayudarte a enfrentar el problema de que las relaciones multivariables puedan ser distorsionadas. ¿Cuál de las siguientes opciones NO es uno de estos trucos?
Realizar una imputación con dominios creados completamente al azar.
15.
¿Cuál de las siguientes afirmaciones es una desventaja de la imputación por interpolación?
Puede introducir valores fuera de rango.
16.
¿Cuál de las siguientes afirmaciones NO es una desventaja de la imputación por K-vecinos más cercanos (KNN)?
Buen rendimiento con conjuntos de datos pequeños.
17.
El algoritmo de imputación por K-vecinos más cercanos (KNN) es un método de imputación con base en modelos. Esto es:
Falso, es basada en donante.
Necesitas cuantificar la distancia únicamente entre variables numéricas. ¿Cuál de las siguientes métricas de distancia podría ser más útil?
Manhattan
REPASAR CLASE
19.
Necesitas cuantificar la distancia únicamente entre variables categóricas ordinales (tipo factor). ¿Cúal de las siguientes métricas de distancia podría ser más útil?
Manhattan
20.
Necesitas cuantificar la distancia únicamente entre variables categóricas sin un orden natural. ¿Cuál de las siguientes métricas de distancia podría ser más útil?
Hamming
21.
Necesitas cuantificar la distancia entre variables de distintos tipos (númericas, categóricas). ¿Cuál de las siguientes métricas de distancia podría ser más útil?
Gower
22.
Dependiendo del software utilizado, algunos algoritmos pueden o no ordenar las variables de acuerdo a su valor de faltantes. ¿Cómo podría afectar esto a los resultados de la imputación?
La imputación podría estar sesgándose debido a utilizar estimados provenientes de variables con alta cantidad de valores faltantes en lugar de variables con baja o nula cantidad de valores faltantes.
23.
¿Cuál de las siguientes afirmaciones es una ventaja de la imputación con base en modelos?
Todas las opciones son correctas.
24.
¿Cuál de las siguientes afirmaciones es una desventaja de Imputaciones Múltiples por Ecuaciones Encadenadas (MICE)?
Para funcionar bien necesitas pensar en el modelo de imputación y el modelo de análisis.
¿La siguiente frase es verdadera o falsa?
Realizar transformaciones a tus datos es un paso fundamental en cada análisis. Por ejemplo, cambio de escalas, cambio de codificaciones, entre otras. No obstante, siempre es útil regresar los datos a su estado natural, ya sea para continuar explorando o comunicar los resultados de forma original.
Verdadera
Ver menos
