1. Učit se
    2. /
  2. Projekty
    3. /
  3. Případová studie: Analýza časových řad městských dat v R
Connected

cvičení

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.

Pokyny

100 XP
  • Pomocí na.approx() doplň chybějící hodnoty v gdp_xts lineární interpolací. Nový xts objekt ulož jako gdp_approx.
  • Vykresli nový xts objekt pomocí plot.xts().
  • Dotaž se nového xts objektu na hodnoty HDP za rok 1993.