Last observation carried forward (LOCF)

Een andere belangrijke imputatiemethode is Last observation carried forward, ofwel LOCF. Deze methode vult missende waarden op met de meest recente niet-NA-waarde die eraan voorafging.

In deze oefening ga je een tijdreeks van de maandelijkse examencijfers van een student imputeren, monthly_test_scores genaamd. Deze gegevensset, samen met de pakketten ggplot2 en zoo, zijn voor je beschikbaar.

Deze oefening maakt deel uit van de cursus

Tijdreeksgegevens bewerken in R

Cursus bekijken

Oefeninstructies

Gebruik last observation carried forward om missende waarden in monthly_test_scores te imputeren; sla dit op als monthly_scores_locf.
Maak de eerste autoplot() af om een plot te genereren van de oorspronkelijke tijdreeks monthly_test_scores.
Maak een autoplot van monthly_scores_locf met het 'minimal'-thema en het y-as-label "Examination Score (LOCF)".
Vergelijk de plot van monthly_scores_locf met de plot van monthly_test_scores door tussen de plots te wisselen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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(___) + 
  ___

Code bewerken en uitvoeren

Tijdreeksgegevens bewerken in R

SkillTag.level.intermediateSkillTag.label

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!