Économétrie des données de panel: de la théorie à la pratique

 𝕷'𝖎𝖒𝖕𝖚𝖙𝖆𝖙𝖎𝖔𝖓 𝖕𝖆𝖗 𝖑𝖊 𝖒𝖔𝖉𝖊 : 𝖚𝖓𝖊 𝖇𝖔𝖓𝖓𝖊 𝖔𝖚 𝖚𝖓𝖊 𝖒𝖆𝖚𝖛𝖆𝖎𝖘𝖊 𝖔𝖕𝖙𝖎𝖔𝖓 ?

L’imputation par le mode est une méthode courante pour traiter les valeurs manquantes dans les données catégorielles. Elle remplace les valeurs manquantes par la catégorie la plus fréquente (le mode), garantissant ainsi que l’ensemble de données reste complet et utilisable. Mais est-ce réellement une bonne option ?

𝙐𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚 de ce post avant d'aller plus loin nous fera plaisir.

𝓟𝓸𝓾𝓻𝓺𝓾𝓸𝓲 𝓬𝓱𝓸𝓲𝓼𝓲𝓻 𝓵’𝓲𝓶𝓹𝓾𝓽𝓪𝓽𝓲𝓸𝓷 𝓹𝓪𝓻 𝓵𝓮 𝓶𝓸𝓭𝓮 ?

Facile à mettre en œuvre et efficace sur le plan computationnel.

Permet de conserver la taille de l’ensemble de données, évitant ainsi la perte de lignes précieuses.

Fonctionne bien lorsque le mode est une représentation significative des valeurs manquantes.

𝓒𝓮 à 𝓺𝓾𝓸𝓲 𝓲𝓵 𝓯𝓪𝓾𝓽 𝓯𝓪𝓲𝓻𝓮 𝓪𝓽𝓽𝓮𝓷𝓽𝓲𝓸𝓷 :

L’augmentation artificielle de la catégorie la plus fréquente peut 𝗱é𝘀é𝗾𝘂𝗶𝗹𝗶𝗯𝗿𝗲𝗿 𝗹𝗲𝘀 𝗱𝗼𝗻𝗻é𝗲𝘀, affectant ainsi les analyses et les modèles.

Suppose que le mode est la meilleure valeur de remplacement, ce qui 𝗻’𝗲𝘀𝘁 𝗽𝗮𝘀 𝘁𝗼𝘂𝗷𝗼𝘂𝗿𝘀 𝘃𝗿𝗮𝗶.

Pour des ensembles de données où les catégories sont réparties de manière équilibrée, cette méthode peut 𝗶𝗻𝘁𝗿𝗼𝗱𝘂𝗶𝗿𝗲 𝘂𝗻 𝗯𝗶𝗮𝗶𝘀.

𝓔𝔁𝓲𝓼𝓽𝓮-𝓽-𝓲𝓵 𝓭𝓮 𝓶𝓮𝓲𝓵𝓵𝓮𝓾𝓻𝓮𝓼 𝓪𝓵𝓽𝓮𝓻𝓷𝓪𝓽𝓲𝓿𝓮𝓼 ?

L’imputation par 𝗿é𝗴𝗿𝗲𝘀𝘀𝗶𝗼𝗻 𝗹𝗼𝗴𝗶𝘀𝘁𝗶𝗾𝘂𝗲 𝗺𝘂𝗹𝘁𝗶𝗻𝗼𝗺𝗶𝗮𝗹𝗲 est une approche plus efficace pour les variables catégorielles, car elle 𝗽𝗿𝗲𝗻𝗱 𝗲𝗻 𝗰𝗼𝗺𝗽𝘁𝗲 𝗹𝗲𝘀 𝗿𝗲𝗹𝗮𝘁𝗶𝗼𝗻𝘀 𝗲𝗻𝘁𝗿𝗲 𝗹𝗲𝘀 𝘃𝗮𝗿𝗶𝗮𝗯𝗹𝗲𝘀 et produit des imputations plus informées. Cependant, cette méthode peut être 𝗰𝗼𝗺𝗽𝘂𝘁𝗮𝘁𝗶𝗼𝗻𝗻𝗲𝗹𝗹𝗲𝗺𝗲𝗻𝘁 𝗲𝘅𝗶𝗴𝗲𝗮𝗻𝘁𝗲, notamment lorsqu’elle est appliquée à des variables comportant un grand nombre de catégories.

Pour améliorer la fiabilité et la robustesse des résultats, il est recommandé de 𝗿é𝗮𝗹𝗶𝘀𝗲𝗿 𝗽𝗹𝘂𝘀𝗶𝗲𝘂𝗿𝘀 𝗶𝗺𝗽𝘂𝘁𝗮𝘁𝗶𝗼𝗻𝘀. Cette approche permet de prendre en compte l’incertitude inhérente au processus d’imputation et garantit une base plus complète et plus fiable pour les analyses ultérieures.

𝓘𝓶𝓹𝓪𝓬𝓽 𝓭𝓮 𝓵’𝓲𝓶𝓹𝓾𝓽𝓪𝓽𝓲𝓸𝓷 𝓹𝓪𝓻 𝓵𝓮 𝓶𝓸𝓭𝓮

L’image ci-dessous illustre l’effet de l’imputation par le mode.

• 🅛🅔🅢 🅑🅐🅡🅡🅔🅢 🅥🅔🅡🅣🅔🅢 représentent la distribution des catégories avant imputation (sans valeurs manquantes).

• 🅛🅔🅢 🅑🅐🅡🅡🅔🅢 🅞🅡🅐🅝🅖🅔🅢 montrent les données après imputation.

On observe une augmentation 𝘀𝘂𝗯𝘀𝘁𝗮𝗻𝘁𝗶𝗲𝗹𝗹𝗲 de la catégorie la plus fréquente ("Catégorie 2"), ce qui peut 𝗳𝗮𝘂𝘀𝘀𝗲𝗿 𝗹𝗲𝘀 𝗿é𝘀𝘂𝗹𝘁𝗮𝘁𝘀 de toute analyse reposant sur cette variable. Si 𝗽𝗿é𝘀𝗲𝗿𝘃𝗲𝗿 𝗹𝗮 𝗱𝗶𝘀𝘁𝗿𝗶𝗯𝘂𝘁𝗶𝗼𝗻 𝗼𝗿𝗶𝗴𝗶𝗻𝗮𝗹𝗲 est crucial, d’autres méthodes d’imputation peuvent être plus appropriées.

N'hésitez surtout pas à nous contacter ou à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨

#programmationPython #formationDataScience #analyseDeDonnées #coursDataScience