Прогнозирование на шаг впереди

Question

У меня есть один data.frame с тремя столбцами Year, Nominal_Revenue и COEFFICIENT.Поэтому я хочу прогнозировать с этими данными, как пример ниже

        library(dplyr)
    TEST<-data.frame(
      Year= c(2000,2001,2002,2003,2004,2005,2006,2007,2008,2009,2010,2011,2012,2013,2014,2015,2016,2017,2018,2019,2020,2021),
      Nominal_Revenue=c(8634,5798,6011,6002,6166,6478,6731,7114,6956,6968,7098,7610,7642,8203,9856,10328,11364,12211,13150,NA,NA,NA),
      COEFFICIENT=c(NA,1.016,1.026,1.042,1.049,1.106,1.092,1.123,1.121,0.999,1.059,1.066,1.006,1.081,1.055,1.063,1.071,1.04,1.072,1.062,1.07,   1.075))

SIMULATION<-mutate(TEST,
                        FORECAST=lag(Nominal_Revenue)*COEFFICIENT
                        )

И результаты этого кода аналогичны рисунку ниже, или, другими словами, этот код рассчитывает прогнозирование только на один год или более точно 2019.

Поэтому я намерен получить результаты только для NA в столбце Nominal_Revenue, как показано на рисунке ниже.

Так кто-нибудь может мне помочь, как исправить этот код?

Answer 1

Поскольку каждый раз, когда вам требуется предварительно вычисленное значение, мы можем выполнить цикл для количества NA с в вашей переменной и применить dplyr

for (i in 1:length(which(is.na(TEST$Nominal_Revenue)))){
TEST=TEST%>%mutate(Nominal_Revenue=if_else(is.na(Nominal_Revenue),COEFFICIENT*lag(Nominal_Revenue),Nominal_Revenue))
}

> TEST
   Year Nominal_Revenue COEFFICIENT
1  2000         8634.00          NA
2  2001         5798.00       1.016
3  2002         6011.00       1.026
4  2003         6002.00       1.042
5  2004         6166.00       1.049
6  2005         6478.00       1.106
7  2006         6731.00       1.092
8  2007         7114.00       1.123
9  2008         6956.00       1.121
10 2009         6968.00       0.999
11 2010         7098.00       1.059
12 2011         7610.00       1.066
13 2012         7642.00       1.006
14 2013         8203.00       1.081
15 2014         9856.00       1.055
16 2015        10328.00       1.063
17 2016        11364.00       1.071
18 2017        12211.00       1.040
19 2018        13150.00       1.072
20 2019        13965.30       1.062
21 2020        14942.87       1.070
22 2021        16063.59       1.075