是否有R函数对多个估算数据集执行LASSO回归并将结果汇​​总在一起？

Question

我有一个数据集，其中有283个观测值，包含60个变量。我的结果变量是二分法（诊断），可以是两种疾病中的任何一种。我正在比较经常重叠很多的两种类型的疾病，并且我试图找到可以帮助区分这些疾病的特征。我知道LASSO逻辑回归是解决此问题的最佳方法，但是不能在不完整的数据集上运行。

因此，我用R中的MICE软件包估算了丢失的数据，发现大约40个估算值对我拥有的丢失数据量有好处。

现在，我想对所有40个推算数据集执行套索逻辑回归，并以某种方式停留在需要汇总所有这40个数据集结果的部分。

MICE中的with（）函数不适用于.glmnet

使用MICE程序包缺失值的数据库：

imp<-mice(WMT1, m = 40)

对估算数据进行常规logistic回归：

 imp.fit <- glm.mids(Diagnosis~., data=imp, 
                    family = binomial)

汇集所有40个估算数据集的结果：

摘要（pool（imp.fit），2）

上面的代码似乎可以使用glm（）进行逻辑回归，但是当我尝试执行上面确切的代码来执行套索回归时，我得到了：

首先执行交叉验证以找到最佳的lambda值：

CV <-cv.glmnet（Diagnosis〜。，data = imp，                      family =“ binomial”，alpha = 1，nlambda = 100）

当我尝试执行交叉验证时，出现以下错误消息：

 Error in as.data.frame.default(data) : 
    cannot coerce class ‘"mids"’ to a data.frame

有人可以帮助我解决这个问题吗？

Answer 1

一个想法： 考虑对40个数据集的每一个进行分析。 然后，将在每个变量中选择的变量存储在矩阵中。 然后，设置一些阈值（例如，在> 50％的数据集中选择）。