2

Puede parece sencillo, pero soy un aprendiz en R. Quiero verificar la correlación entre dos variables con muchas observaciones.

cor(qog$bci_bci, qog$undp_hdi)

bci_bci y undp_hdi son las variables (bci la dependente): pero en ambas hay observaciones en "blanco" o con NA y cuando pido la correlación me sale el resultado (NA), cuanto hago con R2, lo mismo.

> cor(qog$bci_bci, qog$undp_hdi)^2
[1] NA

2 respuestas 2

3

Como primer estrategia habría que analizar la existencia de valores NA ¿Qué representan? ¿Cómo debemos considerarlos? ¿Podemos simplemente ignorarlos? Si de tu análisis se llega a la conclusión que corresponde hacer algo con ellos entramos en lo que se conoce como imputación de valores faltantes que es una disciplina que excedería el marco de una respuesta y da para un libro entero. Pero si tu idea es eliminarlos, puedes usar la función na.ommit() para quitar las filas que tengan algún NA:

# Aplicado a cualquier columna
qog_sin_na <- na.omit(qog)

# Aplicado solo a las columnas que vamos a correlacionar
qog_sin_na <- na.omit(qog[, c("bci_bci", "undp_hdi")])

Finalmente aplicarías la correlación al nuevo data.frame, ej: cor(qog_sin_na$bci_bci, qog_sin_na$undp_hdi)^2

1
  • Muchas gracias, en el modelo con más de una variable, he quitado las NA's y he hecho la comparación, todos los resultados son iguales (r2, p-value, etc); estoy buscando analisar la correlacion de una solo variable a la dependiente para mirar la fuerza de cada una y si no quiatra los NA, volvia solo este resultado. Pero eliminandoles como me has enseñado, si que tengo algo en manos para inferir. Commented el 13 dic. 2021 a las 13:33
2

Una forma muy simple es usar el argumento use = "pairwise.complete.obs" en la función cor(). Con ese argumento se calcula la correlación solamente en aquellas filas en las que las dos columnas tienen valores válidos. El valor defecto es use = "everything" y en ese caso se conservan los NA y las operaciones aritméticas de cor los reciben y propagan. El resultado es que el coeficiente de correlación es NA siempre que haya al menos un valor NA.

La ventaja que le veo es que no necesitas crear (y rastrear) estructuras de datos adicionales.

En tu caso:

cor(qog$bci_bci, qog$undp_hdi, use = "pairwise.complete.obs")

En la ayuda de cor bajo el apartado Details puedes encontrar todas las opciones (bastante rudimentarias) para manejar casos perdidos con esta función. Lamentablemente no está traducida al español.

PD: suscribo plenamente el comentario de @Patricio Moracho sobre la importancia de diagnosticar los NA presentes en los datos. Eliminarlos es una solución técnicamente simple y en algunos casos analíticamente correcta. Pero conlleva el riesgo de introducir sesgos a los datos u omitir cuestiones importantes como que los NA provienen de un procesos generador de datos diferente a los datos válidos.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.