Last observation carried forward (LOCF)

Un altro importante metodo di imputazione è il Last observation carried forward, o LOCF. Questo metodo riempie i valori mancanti con l’ultimo valore non NA precedente.

In questo esercizio imputerai una serie temporale dei punteggi mensili agli esami di uno studente, chiamata monthly_test_scores. Questo insieme di dati, insieme ai pacchetti ggplot2 e zoo, è a tua disposizione.

Questo esercizio fa parte del corso

Manipolare dati di serie temporali in R

Visualizza il corso

Istruzioni dell'esercizio

Usa il metodo last observation carried forward per imputare i valori mancanti in monthly_test_scores; salva il risultato come monthly_scores_locf.
Completa il primo autoplot() per generare un grafico della serie temporale originale monthly_test_scores.
Fai l’autoplot di monthly_scores_locf con il tema 'minimal' e l’etichetta dell’asse y "Examination Score (LOCF)".
Confronta il grafico di monthly_scores_locf con quello di monthly_test_scores passando da un grafico all’altro.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Impute using last observation carried forward
___ <- ___

# Create a plot of the original time series 
autoplot(___) + 
  theme_minimal() + 
  labs(y = "Examination Score")

# Autoplot with theme and axis title and compare to the above plot
autoplot(___) + 
  ___

Modifica ed esegui il codice

Manipolare dati di serie temporali in R

IntermediárioNível de habilidade

4.9+

244 reviews

You’ll learn to create “rolling” windows of a time series that move, or "roll" along with data, making it possible to summarize trends in the data across time, such as the average over success months of observations or the sum over several weeks of sales. Overall summary statistics, like mean, median, sum, maximum, and so on, do not always provide insight into how data changes over time, and rolling windows will allow you to compute statistics dynamically. In addition to rolling windows, you will also learn how to create expanding windows, which show how these summary statistics approach their final value.

Exercise 1: What is a rolling window?Exercise 2: Rolling window functions Exercise 3: Rolling windows versus aggregation Exercise 4: Applying functions to rolling windows Exercise 5: Rolling minimum Exercise 6: Rolling apply with a custom function Exercise 7: Expanding windows Exercise 8: Rolling versus expanding windows Exercise 9: Expanding sum Exercise 10: Expanding mean Exercise 11: Congratulations!