如何将多次推算数据与鼠标相结合？

Question

我将数据集拆分为男性和女性，然后使用mice包分别对其进行估算。

#Generate predictormatrix
pred_gender_0<-quickpred(data_gender_0, include=c("age","weight_trunc"),exclude=c("ID","X","gender"),mincor = 0.1)
pred_gender_1<-quickpred(data_gender_1, include=c("age","weight_trunc"),exclude=c("ID","X","gender"),mincor = 0.1)

#impute the data with mice 
imp_pred_gen0 <- mice(data_gender_0,
                 pred=pred_gender_0,
                 m=10,
                 maxit=5,            
                 diagnostics=TRUE,
                 MaxNWts=3000) #i had to set this to 3000 because of an problematic unordered categorical variable 

imp_pred_gen1 <- mice(data_gender_1,
                 pred=pred_gender_1,
                 m=10,
                 maxit=5,            
                 diagnostics=TRUE,
                 MaxNWts=3000)

现在，我有两个带有10个插补数据集的对象。一个针对男性，一个针对女性。 我的问题是，如何将它们结合起来？ 通常情况下，我会使用：

  

comp_imp＆LT; -complete（IMP，＆＃34;长＆＃34）

我应该：

1. 使用rbind.mids()结合男女数据，然后将其转换为长格式？
2. 首先转换为长格式，然后使用rbind.mids()或rbind()？

感谢任何提示！ =）

----------------------------------------------- ----------------------------

更新 - 可重复的示例

library("dplyr")
library("mice")

# We use nhanes-dataset from the mice-package as example

# first: combine age-category 2 and 3 to get two groups (as example)
nhanes$age[nhanes$age == 3] <- "2"
nhanes$age<-as.numeric(nhanes$age)
nhanes$hyp<-as.factor(nhanes$hyp)

#split data into two groups
nhanes_age_1<-nhanes %>% filter(age==1)
nhanes_age_2<-nhanes %>% filter(age==2)

#generate predictormatrix
pred1<-quickpred(nhanes_age_1, mincor=0.1, inc=c('age','bmi'), exc='chl')
pred2<-quickpred(nhanes_age_2, mincor=0.1, inc=c('age','bmi'), exc='chl')

# seperately impute data
set.seed(121012)
imp_gen1 <- mice(nhanes_age_1,
                 pred=pred1,
                 m=10,
                 maxit=5,            
                 diagnostics=TRUE,
                 MaxNWts=3000)

imp_gen2 <- mice(nhanes_age_2,
                 pred=pred2,
                 m=10,
                 maxit=5,            
                 diagnostics=TRUE,
                 MaxNWts=3000)


#------ ALTERNATIVE 1:

#combine imputed data
combined_imp<-rbind.mids(imp_gen1,imp_gen2)
complete_imp<-complete(combined_imp,"long")

#output
   > combined_imp<-rbind.mids(imp_gen1,imp_gen2)
Warning messages:
1: In rbind.mids(imp_gen1, imp_gen2) :
  Predictormatrix is not equal in x and y; y$predictorMatrix is ignored
.
2: In x$visitSequence == y$visitSequence :
  longer object length is not a multiple of shorter object length
3: In rbind.mids(imp_gen1, imp_gen2) :
  Visitsequence is not equal in x and y; y$visitSequence is ignored
.

> complete_imp<-complete(combined_imp,"long")
Error in inherits(x, "mids") : object 'combined_imp' not found


#------ ALTERNATIVE 2:

complete_imp1<-complete(imp_gen1,"long")
complete_imp2<-complete(imp_gen2,"long")
combined_imp<-rbind.mids(complete_imp1,complete_imp2)

#Output
> complete_imp1<-complete(imp_gen1,"long")
> complete_imp2<-complete(imp_gen2,"long")
> combined_imp<-rbind.mids(complete_imp1,complete_imp2)
Error in if (ncol(y) != ncol(x$data)) stop("The two datasets do not have the same number of columns\n") : 
  argument is of length zero

Answer 1

老实说，我不了解包mice，只是对归责概念的一个微弱的想法。

我不知道您想要执行什么样的分析，但是您说通常会这样做：comp_imp<-complete(imp,"long")，所以我会尝试相应地进行回答。

对我来说，第一种方法返回data.frame，但没有任何遗漏。这很奇怪，因为在complete(imp_gen1,"long")中hyp中缺少数据。我不知道rbind.mids在那里做了什么。

因此我会采用你的第二种方法。

complete(., "long")的结果是一个普通的data.frame，因此无需将其与rbind.mids绑定。

我会改变你的第二种方法：

library(dplyr)
complete_imp1 <- complete(imp_gen1, "long")
complete_imp2 <- complete(imp_gen2, "long")
combined_imp <- bind_rows(complete_imp1, complete_imp2)

Answer 2

complete_imp1 <- complete(imp_gen1, "long")已经返回10（m参数）推算数据框，只计算complete_imp1的总行数并乘以m

Answer 3

您可以使用以下代码创建一个新的mids对象，其中包含10个估算的男女数据集。

class AudioCreateView(LoginRequiredMixin, CreateView):
    login_url = 'main:login'
    model = Audio
    #Specify you form there, the actual AudioForm define the fields to use
    form_class = AudioForm 
    template_name = 'main/events/create_audio.html'

执行此操作将调用rbind.mids，而不是R中的常规绑定函数。返回的新对象可以按通常的方式进行分析，例如使用with.mids将所需的模型拟合到每个估算数据集。