R 用小鼠插补-排除插补变量，但仍用作预测因子_R_Missing Data_Imputation_Multi Level_R Mice

R 用小鼠插补-排除插补变量，但仍用作预测因子

R 用小鼠插补-排除插补变量，但仍用作预测因子,r,missing-data,imputation,multi-level,r-mice,R,Missing Data,Imputation,Multi Level,R Mice,因此，我试图估算一些缺失的数据，但出现了一个问题。我希望将三个变量用作预测值，但我不希望对它们进行插补。尽管我将预测矩阵指定为： # Initialize m0 = mice(datimp, maxit = 0) predmat = m0$predictorMatrix m0$predictorMatrix m0$method meth = m0$method meth["cm.dep.0"] = "2l.pan" meth["cm.dep.

因此，我试图估算一些缺失的数据，但出现了一个问题。我希望将三个变量用作预测值，但我不希望对它们进行插补。尽管我将预测矩阵指定为：

# Initialize m0 = mice(datimp, maxit = 0) predmat = m0$predictorMatrix m0$predictorMatrix m0$method meth = m0$method meth["cm.dep.0"] = "2l.pan" meth["cm.dep.1"] = "2l.pan" meth["cm.dep.2"] = "2l.pan" # Group is added as a fixed effect to all variables predmat[,"trial"] = -2 predmat[,"group"] = 1 predmat["sess",]= 0 predmat["depmed",]= 0 predmat["prevpsychoth",]= 0 predmat trial group sex age sess degree rel child depmed prevpsychoth cm.dep.0 cm.dep.1 trial -2 1 1 1 1 1 1 1 1 1 1 1 group -2 1 1 1 1 1 1 1 1 1 1 1 sex -2 1 0 1 1 1 1 1 1 1 1 1 age -2 1 1 0 1 1 1 1 1 1 1 1 sess 0 0 0 0 0 0 0 0 0 0 0 0 degree -2 1 1 1 1 0 1 1 1 1 1 1 rel -2 1 1 1 1 1 0 1 1 1 1 1 child -2 1 1 1 1 1 1 0 1 1 1 1 depmed 0 0 0 0 0 0 0 0 0 0 0 0 prevpsychoth 0 0 0 0 0 0 0 0 0 0 0 0 cm.dep.0 -2 1 1 1 1 1 1 1 1 1 0 1 cm.dep.1 -2 1 1 1 1 1 1 1 1 1 1 0 cm.dep.2 -2 1 1 1 1 1 1 1 1 1 1 1 cm.dep.2 trial 1 group 1 sex 1 age 1 sess 0 degree 1 rel 1 child 1 depmed 0 prevpsychoth 0 cm.dep.0 1 cm.dep.1 1 cm.dep.2 0

最后，
sess
，
depmed
和
prevPsychych
被插补。知道为什么会发生这种情况吗？
将列而不是行设置为零，以及清空不被插补变量的方法应该可以工作。来自
鼠标的nhanes 数据集示例 library(mice) m0 <- mice(nhanes, maxit=0) meth <- m0$method meth[names(meth) %in% c("bmi")] <- "" pred <- m0$predictorMatrix pred[, colnames(pred) %in% c("bmi")] <- 0 imp <- mice(nhanes, predictorMatrix=pred, method=meth) imp$imp complete(imp, "long")[1:25, ] imp <- mice(nhanes, predictorMatrix=pred, method=m0$method) complete(imp, "long")[1:25, ] # .imp .id age bmi hyp chl # 1 1 1 1 NA 1 238 # 2 1 2 2 22.7 1 187 # 3 1 3 1 NA 1 187 # 4 1 4 3 NA 1 206 # 5 1 5 1 20.4 1 113 # 6 1 6 3 NA 1 184 # 7 1 7 1 22.5 1 118 # 8 1 8 1 30.1 1 187 # 9 1 9 2 22.0 1 238 # 10 1 10 2 NA 1 186 # 11 1 11 1 NA 1 238 # 12 1 12 2 NA 1 186 # 13 1 13 3 21.7 1 206 # 14 1 14 2 28.7 2 204 # 15 1 15 1 29.6 1 238 # 16 1 16 1 NA 1 238 # 17 1 17 3 27.2 2 284 # 18 1 18 2 26.3 2 199 # 19 1 19 1 35.3 1 218 # 20 1 20 3 25.5 2 199 # 21 1 21 1 NA 1 187 # 22 1 22 1 33.2 1 229 # 23 1 23 1 27.5 1 131 # 24 1 24 3 24.9 1 186 # 25 1 25 2 27.4 1 186