问题标签 [r-mice]

我希望能够基于从字符串构造的公式对mids返回的对象运行回归。mice()对于普通回归（没有插补），这很容易：

我认为在估算数据集上做同样的事情应该是这样的：

然而，R 告诉我，object 'bmi' was not found.

工作得很好，但需要我硬编码列名而不是提供字符串变量。

有没有办法做到这一点？

如果我有一个数据框包含 3 个变量：

我创建了 MCAR（随机缺失完整）数据：

之后，我使用mice包来估算缺失值，如下所示：

我的问题是：我想通过使用循环分别找到所有 10 个数据集的 RMSE。这是我的 RMSE 方程：

我的意思是做一个循环来分别找到每个估算数据集的 RMSE：
RMSE1（对于数据集 #1）
RMSE2（对于数据集 #2）
...
RMSE10（对于数据集 #10）

而且我还想知道哪个数据集最适合 impute NA。

我在 R 中使用了 mouse 包来估算我的数据中的一些缺失值，但不是针对所有变量。现在，如果它们的列名相同，我想用估算数据中的列替换原始数据中的列。这是我的功能：

但它似乎不起作用，有什么帮助吗？

我有一个mids从mice. 我想重新编码一些估算变量并保留mids对象。我知道我可以使用 将mids对象转换为“long” complete()，但我想保留该mids对象，因为它有一些额外的用途。

这是使用数据集的示例nhanes。运行mice()为 中的变量创建 5 个插补数据集nhanes。我专注于hyp。

我如何重新编码对象hyp内的估算值（例如，1 变为 5）。midsimp

到目前为止，我唯一的想法涉及转换imp为 long，将感兴趣的变量提取到新的数据帧中，重新编码，转换新的数据帧 via as.mids，然后放回impvia cbind.mids()。

它有效，但我认为我应该能够直接hyp在impmids 对象中进行修改。

在 MICE R mice.impute.polyreg.r（通过贝叶斯多变量回归模型对分类响应变量进行插补）中，提到该方法包括以下步骤：

1. 将分类响应拟合为多项模型
2. 计算预测类别
3. 为预测添加适当的噪声。

在实施中：

链接到 github 代码

我能够弄清楚前两个步骤，但是我似乎无法找到在实现中将“噪声”添加到预测中的位置。似乎预测的类别是直接返回的。

我错过了什么吗？

在用于提取完整数据集的鼠标包中，您可以使用complete()以下命令：

但是有人能告诉我如何在 Amelia 包中提取完整的数据集吗？

我最近在 R 中发现了用于多重插补的 MICE 包，我目前正在学习如何使用该包。我想尝试对我估算的一些变量设置限制。虽然“缺失数据的灵活插补”一书提供了一些简单的示例，但我想了解一些更复杂的限制。但是，我在弄清楚如何正确指定限制时遇到了一些麻烦。

例如，考虑以下数据集：

我想将 MaininterestVar 设置为给定 Var1 和 Varlo2 的特定值（无论被观察或估算）。我认为最直接的方法是通过后期处理。如果 Var1 高于 8，我可以管理简单的限制，例如将 MaininterestVar 设置为 1：

但是，我遇到了以下问题：

1) 我怎样才能确保 MaininterestVar 设置为 0 对于 Var1<8？虽然在这个例子中这似乎是正确的，但这不是一个特定的限制，我想确保这种情况发生。

2) 假设我想将 MaininterestVar 设置为与估算的 MaininterestVar 在同一行中的 TestVar1 中列出的值，而不是 0？例如，第 2 行中 MaininterestValue 的估算值将显示为 6000，具体取决于 Var 1 的观察值或估算值是否小于 8。我认为这应该可以通过指定正在估算的变量的行索引来实现，但我无法正确指定它。

以下代码：

给我错误：

这表明需要一些额外的行索引规范，尽管我不太确定如何这样做。

3) 最后，假设我想将 MaininterestVar 设置为 0，如果 Var1<5（这违背了一般数据模式，我用它来检查限制是否有效）并且 Var2>28。我尝试过以下规格：

但是 MICE 似乎并没有同时处理这两个限制（并且没有提供它没有的错误消息），或者问题 1）在这里发生。

提前致谢！

我正在使用该mice包R对具有大量缺失的数据集进行多次插补。原始数据集中的一些变量对于插补过程和以后的分析很重要。cor()但是，我想使用不包括某些变量来创建相关矩阵。通常，对于一个简单的数据集x，cor(x[,3:7])将产生第 3 列到第 7 列的相关矩阵。如果x是mids由mice函数创建的对象，通常会使用with执行重复分析来创建mira对象，然后用于pool创建mipo池化结果对象. 然而，第二个元素with应该是引用数据集列的公式，而不是进入cor(). Ifx是一个mids对象，cor(x[,3:7])它不起作用，with(x, cor(x[,3:7])).

如何为多重插补数据集中的变量子集创建汇总相关矩阵？

我在使用 R 中的 MICE 包时遇到问题，特别是在汇集估算数据集方面。

我正在运行多级二项式逻辑回归，其中 Level1 - 主题（参与者对不同主题的 10 个问题的回答，例如黑暗、白天）嵌套在 Level2 - 个人中。

该模型是使用 R2MLwiN 创建的，公式为 > fit1 <-runMLwiN( c(probit(T_Darkness, cons), probit(T_Day, cons), probit(T_Light, cons), probit(T_Night, cons), probit(T_Rain, cons), probit(T_Rainbows, cons), probit(T_Snow, cons), probit(T_Storms, cons), probit(T_Waterfalls, cons), probit(T_Waves, cons)) ~ 1, D=c("Mixed", "Binomial", "Binomial","Binomial","Binomial", "Binomial", "Binomial", "Binomial", "Binomial", "Binomial" ,"Binomial"), estoptions = list(EstM = 0), data=data)

不幸的是，所有 Level1（主题）响应中都缺少数据。我一直在使用mice包 ([CRAN][1]) 来乘以估算缺失值。

我可以使用公式将模型拟合到估算的数据集> fitMI <- (with(MI.Data, runMLwiN( c(probit(T_Darkness, cons), probit(T_Day, cons), probit(T_Light, cons), probit(T_Night, cons), probit(T_Rain, cons), probit(T_Rainbows, cons), probit(T_Snow, cons), probit(T_Storms, cons), probit(T_Waterfalls, cons), probit(T_Waves, cons)) ~ 1, D=c("Mixed", "Binomial", "Binomial","Binomial","Binomial", "Binomial", "Binomial", "Binomial", "Binomial", "Binomial" ,"Binomial"), estoptions = list(EstM = 0), data=data)))

但是，当我将分析与调用代码合并时，> pool(fitMI)它失败了，并出现错误：

Error in pool(with(tempData, runMLwiN(c(probit(T_Darkness, cons), probit(T_Day, : Object has no coef() method.

我不确定为什么说没有系数，因为对单个 MI 数据集的分析提供了固定部分（系数）和随机部分（协方差）

任何有关出现问题的帮助将不胜感激。

我应该警告您，这是我第一次尝试使用 R 和多级建模。另外我知道有一个 MlwiN 软件包 ([REALCOM][2]) 可以做到这一点，但我没有使用 MLwiN 软件的背景。

谢谢约翰尼

更新 - R 可重现的例子

使用的库

库（R2MLwin）

图书馆（小鼠）

数据子集`

T_Darkness <- c(0, 1, 0, 0, 0, 0, 0, 1, 0, 0, NA, 0, 0, 0, NA, 1, 0, NA,NA, 1, 0, 0, 0 , 1, 0, 0, 0, 不适用, 0, 0, 0, 不适用, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0 , 0, 0, 0, 1, NA, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, NA, 1, 0)

T_Day <- c(0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, NA, 0, 0, 0, NA, 0 , 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 0, 0, 不适用, 0, 0, 0, 0, 不适用, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, NA, NA, 0)

T_Light <- c(0, 0, NA, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0 , 1, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 , 0, 0, 1, NA, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, NA, 0, 0)

T_Night <- c(0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, NA , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0 ,NA, 0, NA, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, NA, 0, 0)

T_Rain <- c(1, 0, 0, 1, 1, 0, 0, NA, 0, 1, 0, 0, 1, 0, 0, 0, 0, NA, 0, 0, 1, 0, 0 , 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 不适用, 0, 0, 0, 0, 1, 0, 0, 0 , 不适用, 1, 不适用, 0, 0, 0, 0, 1, 不适用, 1, 0, 0, 0, 0, 1, 不适用, 0, 0)

T_Rainbows <- c(1, 1, 1, 1, 0, 1, 0, 1, 0, 1, NA, 1, 1, 0, 0, 1, 0, NA, 0, 1, 0, NA, 0 , 1, 0, 0, 0, 0, 0, NA, 0, 0, 0, NA, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0 , 1, 1, 1, 1, NA, 1, 0, 1, NA, 0, 0, 1, 0, 1, 1, 1, 0, 1)

T_Snow <- c(0, 0, 1, 0, 0, 0, 1, 1, 0, 1, 0, NA, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0 , 1, 1, 0, 0, 0, NA, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0 , 不适用, 0, 0, 1, 不适用, 1, 0, 1, 1, 0, 0, 0, 0, 0, 不适用, 0, 0, 0)

T_Storms <- c(0, 0, 0, 1, 1, 1, 0, 1, 0, 1, NA, 0, 0, 0, 0, 1, 0, NA, 0, 0, 1, 0, 0 , 不适用, 1, 1, 不适用, 0, 0, 不适用, 0, 1, 0, 不适用, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0 , 0, 0, 1, 0, 不适用, 1, 0, 不适用, 0, 0, 0, 1, 1, 0, 1, 不适用, 不适用, 1)

T_Waterfalls <- c(0, 0, 0, 0, 0, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, NA, 0, 0, 0, 0, 1, 0, 0 , 0, 0, 0, 0, 0, NA, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, NA, 0, 0, 0, 0, 0 , 不适用, 0, 1, 0, 不适用, 1, 0, 1, 0, 0, 0, 不适用, 0, 0, 0, 不适用, 不适用, 0)

T_Waves <- c(0, 1, 0, 1, 1, 0, 1, NA, 0, 0, NA, 0, 0, 0, NA, 1, 0, 0, 0, 0, 1, 0, NA , 0, 不适用, 0, 0, 不适用, 0, 0, 0, 0, 0, 0, 不适用, 1, 0, 0, 0, 1, 0, 0, 不适用, 0, 1, 0, 0, 0 , 0, 0, 1, 1, 不适用, 1, 1, 不适用, 0, 0, 0, 不适用, 0, 0, 0, 不适用, 0, 0)

数据 <- 数据帧（T_Darkness、T_Day、T_Light、T_Night、T_Rain、T_Rainbows、T_Snow、T_Storms、T_Waterfalls、T_Waves）

数据$cons <- 1

`

使用小鼠估算的数据

MI.Data <- 老鼠（数据，m=5，maxit=50，meth='pmm'，seed=500）

我知道之前已经提出过类似的问题（例如1、2、3），但我仍然不明白为什么mice即使我尝试像示例1中那样的无条件均值也无法预测缺失值的原因。

我拥有的稀疏矩阵是：

我应用以下标准鼠标功能

我得到的预测矩阵是：

也许有人可以阐明这个问题？