Nahrazení chybějících hodnot – II
Práce s chybějícími hodnotami v časových řadách nabízí celou řadu přístupů. Jak sis ověřil/a v předchozím cvičení, metody locf i nocb vyžadují určité předpoklady o způsobu růstu dat. Zatímco locf je konzervativnější a nocb agresivnější, obě metody generují z chybějících dat schodovitý růst.
Co ale dělat, když máš důvod očekávat lineární růst dat? V takovém případě může být výhodnější použít lineární interpolaci, která odhaduje nové hodnoty mezi krajními body chybějícího úseku s ohledem na čas.
V tomto cvičení doplníš chybějící hodnoty v datech gdp_xts pomocí funkce na.approx(), která používá interpolaci k odhadu lineárních hodnot v čase.
Toto cvičení je součástí kurzu
Případová studie: Analýza časových řad městských dat v R
Pokyny k cvičení
- Pomocí
na.approx()doplň chybějící hodnoty vgdp_xtslineární interpolací. Nový xts objekt ulož jakogdp_approx. - Vykresli nový xts objekt pomocí
plot.xts(). - Dotaž se nového xts objektu na hodnoty HDP za rok 1993.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Fill NAs in gdp_xts using linear approximation
gdp_approx <-
# Plot your new xts object
plot.xts(___, major.format = "%Y")
# Query for GDP in 1993 in gdp_approx