Comparación de diferentes métodos para la imputación de series temporales univariantes en R

Los valores faltantes en conjuntos de datos son un problema bien conocido y hay muchos paquetes de R que ofrecen funciones de imputación. Pero, aunque la imputación en general está bien cubierta dentro de R, es difícil encontrar funciones para la imputación de series temporales univariantes. El problema es que la mayoría de las técnicas de imputación estándar no se pueden aplicar directamente. La mayoría de los algoritmos dependen de correlaciones interatributos, mientras que la imputación de series temporales univariantes necesita emplear dependencias temporales. Este documento proporciona una visión general de la imputación de series temporales univariantes en general y una visión detallada de las respectivas implementaciones dentro de los paquetes de R. Además, comparamos experimentalmente las funciones de R en diferentes series temporales utilizando cuatro diferentes proporciones de datos faltantes. Nuestros resultados muestran que ya sea una interpolación con un filtro de Kalman estacional del paquete zoo o una interpolación lineal sobre datos descompuestos estacionalmente por loess del paquete forecast fueron los métodos más efectivos para tratar con datos faltantes en la mayoría de los escenarios evaluados en este documento.