时间戳

首页 > 解决方案 > 多个估算数据集 - 合并结果

r - 多个估算数据集 - 合并结果

问题描述

我有一个包含缺失值的数据集。我已经估算了这个数据集，如下所示：

library(mice)
id <- c(1,2,3,4,5,6,7,8,9,10)
group <- c(0,1,1,0,1,1,0,1,0,1)
measure_1 <- c(60,80,90,54,60,61,77,67,88,90)
measure_2 <- c(55,NA,88,55,70,62,78,66,65,92)
measure_3 <- c(58,88,85,56,68,62,89,62,70,99)
measure_4 <- c(64,80,78,92,NA,NA,87,65,67,96)
measure_5 <- c(64,85,80,65,74,69,90,65,70,99)
measure_6 <- c(70,NA,80,55,73,64,91,65,91,89)
dat <- data.frame(id, group, measure_1, measure_2, measure_3, measure_4, measure_5, measure_6)
dat$group <- as.factor(dat$group)

imp_anova <- mice(dat, maxit = 0)
meth <- imp_anova$method
pred <- imp_anova$predictorMatrix
imp_anova <- mice(dat, method = meth, predictorMatrix = pred, seed = 2018, 
maxit = 10, m = 5)

这将创建五个估算数据集。然后，我创建了完整的数据集（示例数据集 1）：

impute_1 <- mice::complete(imp_anova, 1) # complete set 1

然后我执行了所需的分析：

library(reshape)
library(reshape2)
datLong <- melt(impute_1, id = c("id", "group"), measure.vars = c("measure_1", "measure_2", "measure_3", "measure_4", "measure_5", "measure_6"))

colnames(datLong) <- c("ID", "Gender", "Time", "Value")
table(datLong$Time) # To check if correct
datLong$ID <- as.factor(datLong$ID)

library(ez)
model_mixed_1 <- ezANOVA(data = datLong, 
                   dv = Value, 
                   wid = ID, 
                   within = Time, 
                   between = Gender, 
                   detailed = TRUE, 
                   type = 3,
                   return_aov = TRUE)

我对所有五个数据集都这样做了，得到了五个模型：

model_mixed_1
model_mixed_2
model_mixed_3
model_mixed_4
model_mixed_5

现在我想结合这个模型的结果，生成一个结果。我之前也问过类似的问题，但我专注于模型。在这里我只想问一下，我如何才能简单地将五个模型组合起来。希望可以有人帮帮我！

标签： rimputationr-mice

解决方案

您正确理解了基本的多重插补过程。过程是这样的：

  1. 首先，您创建您的 m 估算数据集。（老鼠（） - 功能）
  2. 然后你对每个数据集进行分析。(with() - 函数)
  3. 最后，您将这些结果组合在一起。（池（） - 功能）

这是一个经常被误解的过程（人们通常认为您必须将您的 m 个估算数据集组合到一个数据集 - 这是错误的）

这是这个过程的图片： 在此处输入图像描述

现在您必须在鼠标框架中执行这些步骤 - 您只在第 1 步之前执行此操作。

这里摘自老鼠的帮助：

pool() 函数结合了 m 次重复完整数据分析的估计值。进行多重插补分析的典型步骤顺序是：

  1. 用mice函数对缺失的数据进行插补，得到一个多插补数据集（类mids）；

  2. 通过 with() 函数在每个插补数据集上拟合感兴趣的模型（科学模型），得到 mira 类的对象；

  3. 将每个模型的估计值汇集到一组估计值和标准误差中，结果是 mipo 类的对象；

  4. 或者，通过 pool.compare() 函数比较来自不同科学模型的汇总估计。

代码明智，这可以看起来像这样：

imp <- mice(nhanes, maxit = 2, m = 5)
fit <- with(data=imp,exp=lm(bmi~age+hyp+chl))
summary(pool(fit))

推荐阅读