3

根据mice包的文档，如果我们想在对交互项感兴趣时对数据进行插补，我们需要使用被动插补。这是通过以下方式完成的。

library(mice)
nhanes2.ext <- cbind(nhanes2, bmi.chl = NA)
ini <- mice(nhanes2.ext, max = 0, print = FALSE)

meth <- ini$meth
meth["bmi.chl"] <- "~I((bmi-25)*(chl-200))"

pred <- ini$pred
pred[c("bmi", "chl"), "bmi.chl"] <- 0

imp <- mice(nhanes2.ext, meth = meth, pred = pred, seed = 51600, print = FALSE)

据说

Imputations created in this way preserve the interaction of bmi with chl

bmi.chl在这里，在原始数据集中创建了一个名为的新变量。该meth步骤说明需要如何从现有变量中估算此变量。该pred步骤表示我们不想预测bmi和chl从bmi.chl. 但是现在，如果我们想应用一个模型，我们该如何进行呢？定义的产品"~I((bmi-25)*(chl-200))"是否只是一种控制主效应的估算值的方法，即bmi和chl？

如果我们要拟合的模型是glm(hyp~chl*bmi, family="binomial")，那么从估算数据中指定该模型的正确方法是什么？fit1还是fit2？

fit1 <- with(data=imp, glm(hyp~chl*bmi, family="binomial"))
summary(pool(fit1))

或者我们是否必须以某种方式使用创建的新变量的估算值，即bmi.chl？

fit2 <- with(data=imp, glm(hyp~chl+bmi+bmi.chl, family="binomial"))
summary(pool(fit2))
4

1 回答 1

3

对于被动插补，您是使用被动插补变量，还是在调用glm. fit1在您的示例中产生不同结果的原因fit2是因为不只是对乘积项进行被动插补。

相反，您在相乘之前转换这两个变量（即，您计算bmi-25和chl-100）。因此，被动插补变量bmi.chl不代表乘积项bmi*chl，而是代表(bmi-25)*(chl-200)。

如果您只计算乘积项，那么fit1并fit2产生与应有的结果相同的结果：

library(mice)
nhanes2.ext <- cbind(nhanes2, bmi.chl = NA)
ini <- mice(nhanes2.ext, max = 0, print = FALSE)

meth <- ini$meth
meth["bmi.chl"] <- "~I(bmi*chl)"

pred <- ini$pred
pred[c("bmi", "chl"), "bmi.chl"] <- 0
pred[c("hyp"), "bmi.chl"] <- 1

imp <- mice(nhanes2.ext, meth = meth, pred = pred, seed = 51600, print = FALSE)

fit1 <- with(data=imp, glm(hyp~chl*bmi, family="binomial"))
summary(pool(fit1))
# > round(summary(pool(fit1)),2)
#                est    se     t    df Pr(>|t|)   lo 95 hi 95 nmis  fmi lambda
# (Intercept) -23.94 38.03 -0.63 10.23     0.54 -108.43 60.54   NA 0.41   0.30
# chl           0.10  0.18  0.58  9.71     0.58   -0.30  0.51   10 0.43   0.32
# bmi           0.70  1.41  0.49 10.25     0.63   -2.44  3.83    9 0.41   0.30
# chl:bmi       0.00  0.01 -0.47  9.67     0.65   -0.02  0.01   NA 0.43   0.33

fit2 <- with(data=imp, glm(hyp~chl+bmi+bmi.chl, family="binomial"))
summary(pool(fit2))
# > round(summary(pool(fit2)),2)
#                est    se     t    df Pr(>|t|)   lo 95 hi 95 nmis  fmi lambda
# (Intercept) -23.94 38.03 -0.63 10.23     0.54 -108.43 60.54   NA 0.41   0.30
# chl           0.10  0.18  0.58  9.71     0.58   -0.30  0.51   10 0.43   0.32
# bmi           0.70  1.41  0.49 10.25     0.63   -2.44  3.83    9 0.41   0.30
# bmi.chl       0.00  0.01 -0.47  9.67     0.65   -0.02  0.01   25 0.43   0.33

这并不奇怪，因为~I(bmi*chl)inmice和bmi*chlinglm做完全相同的事情。他们只是计算两个变量的乘积。

评论：

请注意，我添加了一行说bmi.chl应该在 imputing 时用作预测器hyp。如果没有这一步，被动插补就没有任何意义，因为插补模型会忽略乘积项，从而与分析模型不一致。

于 2015-11-28T00:26:38.533 回答