finalfit:：missing_compare:未找到对象时出错

我正在使用

finalfit

包对丢失的数据运行测试

我有一个数据集，它有11046个obs和27个变量。我有不止一个因变量，因为我以后需要用Lavan进行验证性因素分析。可以找到数据集

错误所指的

g

对象是什么

这是

ff_scape

> sl_cfa %>% 
+   ff_glimpse(dependent, explanatory_edu)
Continuous
# A tibble: 11,046 x 0

Categorical
                label var_type     n missing_n missing_percent levels_n levels levels_count
br_logical br_logical    <lgl>  6398      4648            42.1        2      -            -
ch_edu         ch_edu    <lgl> 11046         0             0.0        2      -            -
a4g_4           a4g_4    <lgl>  8723      2323            21.0        2      -            -
           levels_percent
br_logical              -
ch_edu                  -
a4g_4                   -

这给了我这个情节

我们可以看到，

Chu_edu

似乎是MAR，而

a4g_4

似乎是MCAR

PS

有足够声誉的人会为

finalfit

和

missing\u compare

功能创建标签吗？非常感谢

谢谢

这里使用的一个底层函数正在被重新编写，由tibbles引起的问题很可能会消失

目前，您可以：

library(finalfit)

explanatory_edu <- c("ch_edu", "a4g_4")
sl_cfa %>%
  data.frame() %>% 
  missing_compare(dependent, explanatory_edu)

#> Missing data analysis: br_logical       Not missing     Missing      p
#>                            ch_edu FALSE 4203 (65.7) 1730 (37.2) <0.001
#>                                    TRUE 2195 (34.3) 2918 (62.8)       
#>                             a4g_4 FALSE 2548 (50.5) 1774 (48.2)  0.034
#>                                    TRUE 2496 (49.5) 1905 (51.8)       

库（finalfit）
解释性教育单位%
data.frame（）%>%
缺少比较（依赖性、解释性）
#>缺少数据分析：br_逻辑不缺少p
#>ch_edu FALSE 4203（65.7）1730（37.2）TRUE 2195（34.3）2918（62.8）
#>a4g_4假2548（50.5）1774（48.2）0.034
#>真2496（49.5）1905（51.8）

---

正如您所提到的，变量

chu edu

中的缺失与

br\u logical

密切相关

谢谢，那很好！还有一个问题，关于如何解释p值，是否有任何指导方针/经验法则（当然还有解释p值的所有警告）？类似于：>0.05是MCAR，介于0和0.05之间是MAR，低于0是MNAR？（我只是想提出一个想法）谢谢。不，恐怕p值不能这样解释。您可以说的是，数据似乎不是MCAR，因此可能是MAR或MNAR。

> sl_cfa %>% 
+   ff_glimpse(dependent, explanatory_edu)
Continuous
# A tibble: 11,046 x 0

Categorical
                label var_type     n missing_n missing_percent levels_n levels levels_count
br_logical br_logical    <lgl>  6398      4648            42.1        2      -            -
ch_edu         ch_edu    <lgl> 11046         0             0.0        2      -            -
a4g_4           a4g_4    <lgl>  8723      2323            21.0        2      -            -
           levels_percent
br_logical              -
ch_edu                  -
a4g_4                   -

sl_cfa %>% 
  missing_pairs(dependent, explanatory_edu, position = "fill")

library(finalfit)

explanatory_edu <- c("ch_edu", "a4g_4")
sl_cfa %>%
  data.frame() %>% 
  missing_compare(dependent, explanatory_edu)

#> Missing data analysis: br_logical       Not missing     Missing      p
#>                            ch_edu FALSE 4203 (65.7) 1730 (37.2) <0.001
#>                                    TRUE 2195 (34.3) 2918 (62.8)       
#>                             a4g_4 FALSE 2548 (50.5) 1774 (48.2)  0.034
#>                                    TRUE 2496 (49.5) 1905 (51.8)