我一直在尝试使用R(即MICE)中可用的选项来进行二元逻辑回归分析(连续和分类预测变量之间的相互作用)。
但是,我正在努力对多重插补数据进行这种简单的分析(细节和可重复的例子here)。
具体来说,我无法找到一种方法来汇总输出的每个方面,包括使用Mice的GLM函数等效“对数似然比”。
为了避免前一篇文章的冗余,我正在寻找R包或其他软件的任何建议,这些建议可以使得容易/可能汇集输出的所有基本组件以进行二元逻辑回归(即等效模型似然比检验,回归系数,wald检验)。请参阅下面的示例,我可以使用rms对非插补数据进行获取(无法找出在多重插补数据上运行此方法)
> mylogit
Frequencies of Missing Values Due to Each Variable
P1 ST P8
18 0 31
Logistic Regression Model
lrm(formula = P1 ~ ST + P8 + ST * P8, data = PS, x = TRUE,
y = TRUE)
Model Likelihood Discrimination Rank Discrim.
Ratio Test Indexes Indexes
Obs 362 LR chi2 18.34 R2 0.077 C 0.652
0 287 d.f. 9 g 0.664 Dxy 0.304
1 75 Pr(> chi2) 0.0314 gr 1.943 gamma 0.311
max |deriv| 8e-08 gp 0.099 tau-a 0.100 Brier 0.155
Coef S.E. Wald Z Pr(>|Z|)
Intercept -0.5509 0.3388 -1.63 0.1040
ST= 2 -0.5688 0.4568 -1.25 0.2131
ST= 3 -0.7654 0.4310 -1.78 0.0757
ST= 4 -0.7995 0.5229 -1.53 0.1263
ST= 5 -1.2813 0.4276 -3.00 0.0027
P8 0.2162 0.4189 0.52 0.6058
ST= 2 * P8 -0.1527 0.5128 -0.30 0.7659
ST= 3 * P8 -0.0461 0.5130 -0.09 0.9285
ST= 4 * P8 -0.5031 0.5635 -0.89 0.3719
ST= 5 * P8 0.3661 0.4734 0.77 0.4393
总而言之,我的问题是:1)能够处理多重推算数据的包/软件,以完成传统的二元逻辑回归分析,尤其是交互项2)我需要采取的可能步骤来运行分析该计划
答案 0 :(得分:2)
rms package具有使用fit.mult.impute()
功能组合多重插补数据的强大功能。这是一个小工作示例:
dat <- mtcars
## introduce NAs
dat[sample(rownames(dat), 10), "cyl"] <- NA
im <- aregImpute(~ cyl + wt + mpg + am, data = dat)
fit.mult.impute(am ~ cyl + wt + mpg, xtrans = im, data = dat, fitter = lrm)