Fehlende Werte behandeln

In Kapitel 3 hast du na.locf() verwendet, um fehlende Werte mit dem zuletzt vorhandenen Wert zu füllen. Wenn es nicht sinnvoll ist, den vorherigen Wert fortzuschreiben, kannst du interpolieren. In dieser Übung lernst du zwei Interpolationsmethoden kennen: linear und Spline.

Lineare Interpolation berechnet Werte, die auf einer Geraden zwischen zwei bekannten Datenpunkten liegen. Das ist eine gute Wahl für ziemlich lineare Daten, zum Beispiel eine Zeitreihe mit starkem Trend. Spline-Interpolation ist besser geeignet für Reihen ohne starken Trend, da sie eine nichtlineare Approximation auf Basis mehrerer Datenpunkte berechnet.

Nutze diese beiden Methoden, um die drei fehlenden Werte für die 10-jährige Treasury-Rendite im Objekt DGS10 zu interpolieren. Vergleiche anschließend die Ergebnisse mit der Ausgabe von na.locf().

Diese Übung ist Teil des Kurses

<Kurs>Importing und Verwalten finanzieller Daten in R</Kurs>

Kurs ansehen

Übungsanweisungen

Vervollständige den Befehl, um mit na.approx() fehlende Werte per linearer Interpolation zu füllen.
Vervollständige den Befehl, um mit na.spline() fehlende Werte per Spline-Interpolation zu füllen.
Führe locf, approx und spline zu einem Objekt namens na_filled zusammen.
Vervollständige den Befehl, um na_filled zu plotten.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# fill NA using last observation carried forward
locf <- na.locf(DGS10)

# fill NA using linear interpolation
approx <- ___(DGS10)

# fill NA using spline interpolation
spline <- ___(DGS10)

# merge into one object


# plot combined object
___(___, col = c("black", "red", "green"))

Code bearbeiten und ausführen