The function creates a sequence of time values.
It starts with the smallest time value as the starting point
and the largest time value as the endpoint.
The sequence is incremented by delta_t.
This new sequence is combined with the existing empirical time values.
For any specific time value where there are no observations,
NAs are inserted.
Arguments
- data
Data frame. A data frame object of data for potentially multiple subjects that contain a column of subject ID numbers (i.e., an ID variable), a column indicating subject-specific measurement occasions (i.e., a TIME variable), at least one column of observed values.
- id
Character string. A character string of the name of the ID variable in the data.
- time
Character string. A character string of the name of the TIME variable in the data.
- observed
Character vector. A vector of character strings of the names of the observed variables in the data.
- covariates
Character vector. A vector of character strings of the names of the covariates in the data.
- delta_t
Positive number. Time interval.
- ncores
Positive integer. Number of cores to use. If
ncores = NULL, use a single core. Consider using multiple cores when number of individuals is large.
See also
Other Dynamic Modeling Utility Functions:
DeleteInitialNA(),
InitialNA(),
ScaleByID(),
SubsetByID()
Examples
# prepare parameters
set.seed(42)
## number of individuals
n <- 5
## time points
time <- 5
## dynamic structure
p <- 3
mu0 <- rep(x = 0, times = p)
sigma0 <- 0.001 * diag(p)
sigma0_l <- t(chol(sigma0))
alpha <- rep(x = 0, times = p)
beta <- 0.50 * diag(p)
psi <- 0.001 * diag(p)
psi_l <- t(chol(psi))
library(simStateSpace)
ssm <- SimSSMVARFixed(
n = n,
time = time,
mu0 = mu0,
sigma0_l = sigma0_l,
alpha = alpha,
beta = beta,
psi_l = psi_l,
type = 0
)
data <- as.data.frame(ssm)
InsertNA(
data = data,
id = "id",
time = "time",
observed = paste0("y", 1:p),
delta_t = 0.10
)
#> id time y1 y2 y3
#> 1 1 0.0 -0.0168075605 0.0259702907 0.0701219166
#> 2 1 0.1 NA NA NA
#> 3 1 0.2 NA NA NA
#> 4 1 0.3 NA NA NA
#> 5 1 0.4 NA NA NA
#> 6 1 0.5 NA NA NA
#> 7 1 0.6 NA NA NA
#> 8 1 0.7 NA NA NA
#> 9 1 0.8 NA NA NA
#> 10 1 0.9 NA NA NA
#> 11 1 1.0 0.0043989735 -0.0067845275 0.0663098413
#> 12 1 1.1 NA NA NA
#> 13 1 1.2 NA NA NA
#> 14 1 1.3 NA NA NA
#> 15 1 1.4 NA NA NA
#> 16 1 1.5 NA NA NA
#> 17 1 1.6 NA NA NA
#> 18 1 1.7 NA NA NA
#> 19 1 1.8 NA NA NA
#> 20 1 1.9 NA NA NA
#> 21 1 2.0 -0.0085581649 0.0523870156 0.0359087914
#> 22 1 2.1 NA NA NA
#> 23 1 2.2 NA NA NA
#> 24 1 2.3 NA NA NA
#> 25 1 2.4 NA NA NA
#> 26 1 2.5 NA NA NA
#> 27 1 2.6 NA NA NA
#> 28 1 2.7 NA NA NA
#> 29 1 2.8 NA NA NA
#> 30 1 2.9 NA NA NA
#> 31 1 3.0 -0.0061817260 0.0483959335 -0.0165906623
#> 32 1 3.1 NA NA NA
#> 33 1 3.2 NA NA NA
#> 34 1 3.3 NA NA NA
#> 35 1 3.4 NA NA NA
#> 36 1 3.5 NA NA NA
#> 37 1 3.6 NA NA NA
#> 38 1 3.7 NA NA NA
#> 39 1 3.8 NA NA NA
#> 40 1 3.9 NA NA NA
#> 41 1 4.0 -0.0298779752 0.0251096691 -0.0151779919
#> 42 2 0.0 -0.0061192799 0.0387721989 0.0189961850
#> 43 2 0.1 NA NA NA
#> 44 2 0.2 NA NA NA
#> 45 2 0.3 NA NA NA
#> 46 2 0.4 NA NA NA
#> 47 2 0.5 NA NA NA
#> 48 2 0.6 NA NA NA
#> 49 2 0.7 NA NA NA
#> 50 2 0.8 NA NA NA
#> 51 2 0.9 NA NA NA
#> 52 2 1.0 -0.0329971795 0.0689297674 0.0346677144
#> 53 2 1.1 NA NA NA
#> 54 2 1.2 NA NA NA
#> 55 2 1.3 NA NA NA
#> 56 2 1.4 NA NA NA
#> 57 2 1.5 NA NA NA
#> 58 2 1.6 NA NA NA
#> 59 2 1.7 NA NA NA
#> 60 2 1.8 NA NA NA
#> 61 2 1.9 NA NA NA
#> 62 2 2.0 -0.0800860506 0.0005550857 0.0147337653
#> 63 2 2.1 NA NA NA
#> 64 2 2.2 NA NA NA
#> 65 2 2.3 NA NA NA
#> 66 2 2.4 NA NA NA
#> 67 2 2.5 NA NA NA
#> 68 2 2.6 NA NA NA
#> 69 2 2.7 NA NA NA
#> 70 2 2.8 NA NA NA
#> 71 2 2.9 NA NA NA
#> 72 2 3.0 -0.0139099509 0.0097115321 0.0178024165
#> 73 2 3.1 NA NA NA
#> 74 2 3.2 NA NA NA
#> 75 2 3.3 NA NA NA
#> 76 2 3.4 NA NA NA
#> 77 2 3.5 NA NA NA
#> 78 2 3.6 NA NA NA
#> 79 2 3.7 NA NA NA
#> 80 2 3.8 NA NA NA
#> 81 2 3.9 NA NA NA
#> 82 2 4.0 -0.0483904352 -0.0332660475 -0.0061693084
#> 83 3 0.0 0.0162138501 -0.0300663706 -0.0541857866
#> 84 3 0.1 NA NA NA
#> 85 3 0.2 NA NA NA
#> 86 3 0.3 NA NA NA
#> 87 3 0.4 NA NA NA
#> 88 3 0.5 NA NA NA
#> 89 3 0.6 NA NA NA
#> 90 3 0.7 NA NA NA
#> 91 3 0.8 NA NA NA
#> 92 3 0.9 NA NA NA
#> 93 3 1.0 0.0565002345 -0.0026360905 -0.0148648209
#> 94 3 1.1 NA NA NA
#> 95 3 1.2 NA NA NA
#> 96 3 1.3 NA NA NA
#> 97 3 1.4 NA NA NA
#> 98 3 1.5 NA NA NA
#> 99 3 1.6 NA NA NA
#> 100 3 1.7 NA NA NA
#> 101 3 1.8 NA NA NA
#> 102 3 1.9 NA NA NA
#> 103 3 2.0 0.0111671458 0.0231926410 0.0174936750
#> 104 3 2.1 NA NA NA
#> 105 3 2.2 NA NA NA
#> 106 3 2.3 NA NA NA
#> 107 3 2.4 NA NA NA
#> 108 3 2.5 NA NA NA
#> 109 3 2.6 NA NA NA
#> 110 3 2.7 NA NA NA
#> 111 3 2.8 NA NA NA
#> 112 3 2.9 NA NA NA
#> 113 3 3.0 -0.0418041237 0.0081541330 -0.0188789037
#> 114 3 3.1 NA NA NA
#> 115 3 3.2 NA NA NA
#> 116 3 3.3 NA NA NA
#> 117 3 3.4 NA NA NA
#> 118 3 3.5 NA NA NA
#> 119 3 3.6 NA NA NA
#> 120 3 3.7 NA NA NA
#> 121 3 3.8 NA NA NA
#> 122 3 3.9 NA NA NA
#> 123 3 4.0 -0.0208066072 0.0007748466 -0.0007347123
#> 124 4 0.0 -0.0417993615 0.0431811476 0.0464821572
#> 125 4 0.1 NA NA NA
#> 126 4 0.2 NA NA NA
#> 127 4 0.3 NA NA NA
#> 128 4 0.4 NA NA NA
#> 129 4 0.5 NA NA NA
#> 130 4 0.6 NA NA NA
#> 131 4 0.7 NA NA NA
#> 132 4 0.8 NA NA NA
#> 133 4 0.9 NA NA NA
#> 134 4 1.0 -0.0260596182 0.0136457676 0.0062622657
#> 135 4 1.1 NA NA NA
#> 136 4 1.2 NA NA NA
#> 137 4 1.3 NA NA NA
#> 138 4 1.4 NA NA NA
#> 139 4 1.5 NA NA NA
#> 140 4 1.6 NA NA NA
#> 141 4 1.7 NA NA NA
#> 142 4 1.8 NA NA NA
#> 143 4 1.9 NA NA NA
#> 144 4 2.0 -0.0036136722 0.0120015310 -0.0627221010
#> 145 4 2.1 NA NA NA
#> 146 4 2.2 NA NA NA
#> 147 4 2.3 NA NA NA
#> 148 4 2.4 NA NA NA
#> 149 4 2.5 NA NA NA
#> 150 4 2.6 NA NA NA
#> 151 4 2.7 NA NA NA
#> 152 4 2.8 NA NA NA
#> 153 4 2.9 NA NA NA
#> 154 4 3.0 0.0425994450 0.0276891614 -0.0135222887
#> 155 4 3.1 NA NA NA
#> 156 4 3.2 NA NA NA
#> 157 4 3.3 NA NA NA
#> 158 4 3.4 NA NA NA
#> 159 4 3.5 NA NA NA
#> 160 4 3.6 NA NA NA
#> 161 4 3.7 NA NA NA
#> 162 4 3.8 NA NA NA
#> 163 4 3.9 NA NA NA
#> 164 4 4.0 -0.0201818279 -0.0024087753 0.0219790184
#> 165 5 0.0 0.0002017724 -0.0028082763 0.0114384154
#> 166 5 0.1 NA NA NA
#> 167 5 0.2 NA NA NA
#> 168 5 0.3 NA NA NA
#> 169 5 0.4 NA NA NA
#> 170 5 0.5 NA NA NA
#> 171 5 0.6 NA NA NA
#> 172 5 0.7 NA NA NA
#> 173 5 0.8 NA NA NA
#> 174 5 0.9 NA NA NA
#> 175 5 1.0 0.0509683787 -0.0109636240 0.0715959928
#> 176 5 1.1 NA NA NA
#> 177 5 1.2 NA NA NA
#> 178 5 1.3 NA NA NA
#> 179 5 1.4 NA NA NA
#> 180 5 1.5 NA NA NA
#> 181 5 1.6 NA NA NA
#> 182 5 1.7 NA NA NA
#> 183 5 1.8 NA NA NA
#> 184 5 1.9 NA NA NA
#> 185 5 2.0 0.0377919404 0.0306229441 -0.0201126499
#> 186 5 2.1 NA NA NA
#> 187 5 2.2 NA NA NA
#> 188 5 2.3 NA NA NA
#> 189 5 2.4 NA NA NA
#> 190 5 2.5 NA NA NA
#> 191 5 2.6 NA NA NA
#> 192 5 2.7 NA NA NA
#> 193 5 2.8 NA NA NA
#> 194 5 2.9 NA NA NA
#> 195 5 3.0 0.0673546742 0.0744559593 0.0383459206
#> 196 5 3.1 NA NA NA
#> 197 5 3.2 NA NA NA
#> 198 5 3.3 NA NA NA
#> 199 5 3.4 NA NA NA
#> 200 5 3.5 NA NA NA
#> 201 5 3.6 NA NA NA
#> 202 5 3.7 NA NA NA
#> 203 5 3.8 NA NA NA
#> 204 5 3.9 NA NA NA
#> 205 5 4.0 0.0046099160 0.0617163188 0.0453289300