通过mice包应用多重插补的步骤
基于mice包的分析通常符合以下分析过程：
library(mice)
imp <- mice(data, m)
fit <- with(imp, analysis)
pooled <- pool(fit)
summary(pooled)
其中，
- data是一个包含缺失值的矩阵或数据框。
- imp是一个包含m个插补数据集的列表对象，同时还含有完成插补过程的信息。 默认m为5。
- analysis是一个表达式对象，用来设定应用于m个插补数据集的统计分析方法。方法包括
做线性回归模型的lm()函数、做广义线性模型的glm()函数、做广义可加模型的gam()，以及做负二项模型的nbrm()函数。
表达式在函数的括号中， ~的左边是应变量，
右边是预测变量（用+符号分隔开）。 - fit是一个包含m个单独统计分析结果的列表对象。
- pooled是一个包含这m个统计分析平均结果的列表对象
实例
imp <- mice(sleep, seed=1234)
summary(imp)
fit <- with(imp, lm(Dream ~ Span + Gest))
pooled <- pool(fit)
summary(pooled)
补充
-
predictorMatrix是预测矩阵，1代表由列变量来预测行变量，0代表否，该矩阵可以改变。
如果我想要不做梦时长（ NonD）的值的插补不由体重（ BodyWgt ）情况所影响，则可以通过改变predictorMatrix以实现。
predictorMatrix1 <- imp$predictorMatrix
head(predictorMatrix1,10)
imp2 <- mice(sleep, predictorMatrix = predictorMatrix1,seed=1234)
-
插补后的数据亦可以进行单变量分析
假设该例中我们研究不做梦时长（ NonD）与面临的总危险度（ Danger）之间的关系，危险度有多个分级，故使用非参数检验中的Kruskal-Wallis检验：
仅需改变“analysis”即
kw <- with(imp2,kruskal.test(NonD ~ Danger))
