我正在使用R中的鼠标包进行多次插补并尝试理解其背后的算法。
从其文档http://www.jstatsoft.org/v45/i03/paper开始，据说使用了MICE算法。根据我的理解，它使用Gibbs Sampler执行MCMC，其中模拟参数BETA，其定义Y的条件分布（具有缺失值的变量）给定Y-（所有其他变量没有Y）。使用模拟的BETA，定义相应的条件分布。然后它从条件分布中绘制值并用它替换缺失值。它在具有缺失值的所有变量上重复该过程。
然而，我不明白的是，回归发生在哪里？在mice（）函数中，我们需要指定＆＃39;方法＆＃39;参数。例如，＆＃39; logreg＆＃39;对于二项分布式变量和＆＃39; polyreg＆＃39;因子变量超过2级。如果MCMC完成估算，为什么我们需要指定回归？
有些文档表明MICE算法在缺少模式的所有变量上迭代地运行回归。每次，一个缺失的变量是响应变量，所有其他变量都是解释变量。然后使用拟合值替换缺失并移动到缺少的下一个变量。下一个回归将包括上次回归的推算数据。这与Gibbs采样器的方案相同，但似乎没有模拟。详情请见http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3074241/
有人能帮我理解R中老鼠的真实情况吗？
答案 0 :(得分：2)
对于具有缺失数据的每个变量（Y1，...，Yj，... Yk），MICE算法适合所有其他变量（Yj-或其子集）的统计模型条件Yj。
统计模型的类型由method表示。
这是＆＃34;回归＆＃34;。
在给定Yj-的情况下，拟合模型用于绘制Yj的缺失部分的替换。然后，算法继续执行包含缺失值的下一个变量。
填充完所有变量后，算法重新开始。
注意，在拟合模型时，MICE算法在Yj-的观察到的和插补部分上对Yj的观察到的部分进行回归。 换句话说，在每次迭代时，回归模型对不同的预测值集合进行调节（因此通常需要多于一次的迭代）。这与MI的其他实现略有不同。
另请注意，MICE算法不是正式的Gibbs采样器（参见Carpenter和Kenward撰写的精心编写的讨论，2013）。