Remplacer les données manquantes — II
Comme pour la plupart des aspects de la manipulation de séries chronologiques, il existe de nombreuses façons de gérer les valeurs manquantes. Comme vous l'avez vu dans l'exercice précédent, les approches locf et nocb exigent de faire certaines hypothèses sur les profils de croissance de vos données. Bien que locf soit plus prudente et nocb plus audacieuse, les deux produisent une croissance en paliers à partir des données manquantes.
Mais que faire si vous avez de bonnes raisons d'anticiper une croissance linéaire dans vos données? Dans ce cas, il peut être plus pertinent d'utiliser l'interpolation linéaire, qui génère de nouvelles valeurs entre les points de données de part et d'autre de la valeur manquante, pondérées selon le temps.
Dans cet exercice, vous allez combler les valeurs manquantes de vos données gdp_xts à l'aide de la commande na.approx(), qui recourt à l'interpolation pour estimer des valeurs linéaires dans le temps.
Cette activité fait partie du cours
Étude de cas : analyser des séries chronologiques urbaines en R
Instructions de l’exercice
- Utilisez
na.approx()pour combler les valeurs manquantes degdp_xtspar interpolation linéaire. Enregistrez ce nouvel objet xts sous le nomgdp_approx. - Tracez votre nouvel objet xts avec
plot.xts(). - Interrogez votre nouvel objet xts pour obtenir le PIB en 1993.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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