时间戳

首页 > 解决方案 > 如何应用 lm 或 glm 以外的模型来乘以插补数据？

r - 如何应用 lm 或 glm 以外的模型来乘以插补数据？

问题描述

我有一个数据集，其中包含一个人 id 和一个名为 Sevenup 的问卷的 6 个答案：

> names(sevup_mice_data)
[1] "record_id"  "sevenup_01" "sevenup_02" "sevenup_03" "sevenup_04" "sevenup_05" "sevenup_06" "sevenup_07"

所有答案都是 0 到 5 之间的数字。 column 中有缺失值sevenup_06，所以我想用mice它来估算它。

这是我到目前为止所做的：

sevup_mice <- mice(sevup_mice_data, m = 5, method = "pmm", seed = 0, 
                   predictorMatrix = quickpred(sevup_mice_data, exclude = "record_id"))

现在，在我见过的大多数老鼠教程中，人们使用线性模型并获取拟合参数，然后使用 加入结果pool，例如：

fit <- with(sevup_mice, exp = lm(sevenup_05 ~ sevenup_04 + sevenup_06))
pool(fit)

但是，我不需要lm对我的数据进行拟合，我只想得到每个人的最终分数，即每个问题答案的总和。

如果我不估算数据，我会这样计算：

sevup_mice_data$sevup_score <- rowSums(sevup_mice_data[2:ncol(sevup_mice_data)], na.rm=TRUE)

所以我想对包含在其中的 5 个估算数据集中的每sevup_mice一个都这样做，有没有办法在没有循环的情况下做到这一点，with例如函数？pool在那之后，由于我的分析结果不是拟合参数，而是单列，我可以汇总结果吗？

标签： rr-mice

解决方案

让我们试试这个：

library(mice)
set.seed(100)
mat = matrix(rnorm(100,rep(1:10,10)),ncol=10)
mat[sample(length(mat),20)]<-NA

然后我们估算：

imp = mice(mat,m = 5, method = "pmm")

有一个函数调用complete可以使用每个插补基本上完成矩阵：

impdata = complete(imp,"all")
head(impdata[[1]])
        V1       V2       V3        V4        V5        V6        V7        V8
1 5.116971 8.086186 0.561910 0.9088864 0.8983708 0.5529378 0.7380042 6.0127497
2 6.318630 2.096274 2.764061 3.8888065 4.4777166 0.2614021 6.5819589 0.9356443
3 2.921083 8.086186 3.261961 2.8620704 1.2232244 3.1788648 2.6211164 2.9379040
4 4.886785 6.611146 4.773405 3.8888065 4.6228674 5.8974657 6.5819589 2.9379040
5 5.116971 5.123380 4.185621 4.3099857 4.4777166 2.7280745 5.1298341 2.9379040
6 6.318630 5.970683 5.561549 5.7782058 7.3222310 6.9804641 5.2869750 6.0127497
        V9       V10
1 1.896822 0.4428777
2 5.842095 3.4283014
3 1.654651 7.8213169
4 2.068788 2.8424288
5 5.709582 4.4697035
6 5.842095 0.4428777

如果您想对每个估算数据集执行 rowSums，您可以：

sapply(impdata,rowSums)
             1        2        3        4        5
 [1,] 25.21572 25.27762 26.85518 18.89534 23.55415
 [2,] 36.59489 44.62157 43.48562 48.05143 35.17675
 [3,] 36.56838 34.46168 31.17314 30.25396 32.26478
 [4,] 45.11155 47.54594 46.59836 47.54594 45.11155
 [5,] 44.18877 44.18877 44.18877 44.18877 44.18877
 [6,] 55.51646 62.89490 63.89955 57.91601 58.50188
 [7,] 65.75129 68.00360 70.00043 65.89644 68.00360
 [8,] 77.44877 83.87630 86.05698 86.05698 87.27713
 [9,] 86.65979 91.35599 89.35916 86.65979 90.15827
[10,] 85.19222 90.37659 84.34492 86.62083 88.81410

推荐阅读