Hantera saknade värden

I kapitel 3 använde du na.locf() för att fylla i saknade värden med det föregående icke-saknade värdet. Interpolation är ett bättre alternativ när det inte är lämpligt att föra det föregående värdet framåt. I den här övningen utforskar du två interpolationsmetoder: linjär interpolation och spline-interpolation.

Linjär interpolation beräknar värden som ligger på en linje mellan två kända datapunkter. Det är ett bra val för relativt linjära data, till exempel en serie med en tydlig trend. Spline-interpolation passar bättre för serier utan en stark trend, eftersom den beräknar en icke-linjär approximation med hjälp av flera datapunkter.

Använd dessa två metoder för att interpolera de tre saknade värdena för 10-årig statsobligationsränta i objektet DGS10. Jämför sedan resultaten med utdata från na.locf().

Den här övningen är en del av kursen

Importera och hantera finansiella data i R

Visa kurs

Övningsinstruktioner

Komplettera kommandot för att använda na.approx() för att fylla i saknade värden med linjär interpolation.
Komplettera kommandot för att använda na.spline() för att fylla i saknade värden med spline-interpolation.
Slå samman locf, approx och spline till ett objekt med namnet na_filled.
Komplettera kommandot för att plotta na_filled.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# fill NA using last observation carried forward
locf <- na.locf(DGS10)

# fill NA using linear interpolation
approx <- ___(DGS10)

# fill NA using spline interpolation
spline <- ___(DGS10)

# merge into one object


# plot combined object
___(___, col = c("black", "red", "green"))

Redigera och kör kod