Wagner, boa tarde! Eu não recomendo usar splinefun() porque a calibração do modelo feita na execução de mnimput() é bem mais sofisticada. O objeto imput é o próprio objeto miss2 com as falhas preenchidas com base na covariância e comportamento temporal das séries. Já é o produto final, não precisa ajustar por splinefun(). Se você fizer imput-miss2 verá que a diferença é 0 para todos valores iniciais e um novo valor será imputado para todos os casos onde havia NA. O procedimento que postei faz uma avaliação geral da qualidade do ajuste pras 5 séries porque exige menor quantidade de pontos de teste. Daria pra fazer uma avaliação de cada série, mas teria que reservar uma quantidade significativa de pontos de cada série, o que pode impactar no modelo. Além do mais, se você utilizar splinefun() pra predizer valores utilizados na calibração, vai retornar os próprios valores utilizados... fun <- splinefun(sel.obs, sel.pre) all.equal(fun(sel.obs), sel.pre) ### [1] TRUE Notar que: args(splinefun) ### function (x, y = NULL, method = c("fmm", "periodic", "natural", ### "monoH.FC", "hyman"), ties = mean) A forma que segue é coerente, mas os resultados não são tão animadores quanto os retornados por mtsdi::mnimput() fun2 <- splinefun(miss[notNA]) ### ajusta uma spline em função dos dados disponíveis sel.pre2 <- fun2(sel.obs) ### usa a splinefun pra estimar os dados reservados ggof(sel.pre2,sel.obs) ### avalia predições comparando com dados reservados ("verdade") [image: Imagem inline 1] Éder Comunello <c <comunello.eder@gmail.com>omunello.eder@gmail.com> Dourados, MS - [22 16.5'S, 54 49'W] Em 5 de maio de 2015 13:57, Wagner Wolff <wwolff@usp.br> escreveu:
Olá Éder vou tentar esclarecer com seu exemplo, minhas modificações estão em negrito.
require(mtsdi) data(miss) notNA <- which(!is.na(miss), arr.ind=T) ### valores presentes set.seed(333); sel.pos <- notNA[sample(nrow(notNA), 20),] ### reservando 20 valores sel.obs <- miss[sel.pos] ### valores reservados
miss2 <- miss miss2[sel.pos] <- NA ### "exclui" valores reservados f <- ~c31+c32+c33+c34+c35 i <- mnimput(f,miss2,eps=1e-3,ts=TRUE, method="spline",sp.control=list(df=c(7,7,7,7,7))) summary(i) imput <- data.frame(predict(i)) sel.pre <- imput[sel.pos] ### predição referente aos 20 valores reservados
cbind(sel.pre, sel.obs) ### comparação library(hydroGOF) ggof(sel.pre,sel.obs)
*fun.cal <- splinefun(sel.pre,sel.obs) ## função para calibrarsel.pre.cal <- fun.cal(sel.obs)*
*## calcular valores preditos após calibração*
*## Assim usaria a função fun.cal para calibrar outros valores imputados do mesmo banco de dados.*
*Entretanto, não foi útil, pois quando uso para outros valores imputados houve aumento no erro*
Em 5 de maio de 2015 10:40, Éder Comunello <comunello.eder@gmail.com> escreveu:
Wagner, bom dia!
Não entendi exatamente o que você está buscando. Teria dados pra um exemplo mais prático?
Por exemplo, você quer completar dados de uma série de chuva em particular e dispõe dados de quatro estações próximas, assumindo algum grau de correlação/covariância entre elas? Sua preocupação é saber quão "boa" foi a predição ou algo assim?
Éder Comunello <c <comunello.eder@gmail.com>omunello.eder@gmail.com> Dourados, MS - [22 16.5'S, 54 49'W]
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
_______________________________________________ R-br mailing list R-br@listas.c3sl.ufpr.br https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.