Zastępowanie brakujących danych – II
Podobnie jak w wielu innych aspektach pracy z danymi szeregów czasowych, brakujące wartości można obsługiwać na różne sposoby. Jak przekonałeś się w poprzednim ćwiczeniu, zarówno podejście locf, jak i nocb wymagają przyjęcia pewnych założeń dotyczących wzorców wzrostu w danych. locf jest bardziej zachowawcze, nocb – bardziej agresywne, ale oba generują schodkowy wzrost w miejscach brakujących wartości.
Co jednak zrobić, jeśli masz powody sądzić, że dane rosną liniowo? W takim przypadku lepszym rozwiązaniem może być interpolacja liniowa, która generuje nowe wartości pomiędzy danymi po obu stronach brakującej wartości, ważone według czasu.
W tym ćwiczeniu uzupełnisz brakujące wartości w zbiorze danych gdp_xts za pomocą polecenia na.approx(), które szacuje wartości liniowe w czasie metodą interpolacji.
To ćwiczenie jest częścią kursu
Studium przypadku: analiza danych szeregów czasowych miasta w R
Instrukcje do ćwiczenia
- Użyj
na.approx(), aby uzupełnić brakujące wartości wgdp_xtsmetodą interpolacji liniowej. Zapisz nowy obiekt xts jakogdp_approx. - Wykreśl nowy obiekt xts za pomocą
plot.xts(). - Zapytaj nowy obiekt xts o wartości PKB z 1993 roku.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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