Замена пропущенных данных — II
Как и большинство задач при работе с временными рядами, обработка пропущенных значений допускает множество подходов. Как вы убедились в предыдущем упражнении, методы locf и nocb требуют определённых допущений о характере роста данных. Метод locf более консервативен, nocb — более агрессивен, однако оба формируют ступенчатый рост на участках с пропусками.
Но что, если у вас есть основания ожидать линейного роста? В таком случае удобнее применить линейную интерполяцию: она генерирует новые значения между известными точками по обе стороны от пропуска с учётом временных интервалов.
В этом упражнении вы заполните пропущенные значения в данных gdp_xts с помощью функции na.approx(), которая оценивает линейные значения во времени методом интерполяции.
Это упражнение является частью курса
Практический пример: анализ городских временных рядов в R
Инструкции к упражнению
- Используйте
na.approx(), чтобы заполнить пропущенные значения вgdp_xtsметодом линейной интерполяции. Сохраните новый объект xts какgdp_approx. - Постройте график нового объекта xts с помощью
plot.xts(). - Запросите из нового объекта xts значения ВВП за 1993 год.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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