ใช่เป็นไปได้และใช่มีR
ฟังก์ชั่นที่ทำ แทนการคำนวณค่า p ของการวิเคราะห์ซ้ำด้วยมือคุณสามารถใช้แพ็คเกจZelig
ซึ่งถูกอ้างถึงในบทความสั้น ๆของAmelia
-package ( สำหรับวิธีการให้ข้อมูลเพิ่มเติมดูการอัพเดตด้านล่างของฉัน ) ฉันจะใช้ตัวอย่างจากAmelia
-vignette เพื่อสาธิตสิ่งนี้:
library("Amelia")
data(freetrade)
amelia.out <- amelia(freetrade, m = 15, ts = "year", cs = "country")
library("Zelig")
zelig.fit <- zelig(tariff ~ pop + gdp.pc + year + polity, data = amelia.out$imputations, model = "ls", cite = FALSE)
summary(zelig.fit)
นี่คือเอาต์พุตที่สอดคล้องกันรวมถึง value:p
Model: ls
Number of multiply imputed data sets: 15
Combined results:
Call:
lm(formula = formula, weights = weights, model = F, data = data)
Coefficients:
Value Std. Error t-stat p-value
(Intercept) 3.18e+03 7.22e+02 4.41 6.20e-05
pop 3.13e-08 5.59e-09 5.59 4.21e-08
gdp.pc -2.11e-03 5.53e-04 -3.81 1.64e-04
year -1.58e+00 3.63e-01 -4.37 7.11e-05
polity 5.52e-01 3.16e-01 1.75 8.41e-02
For combined results from datasets i to j, use summary(x, subset = i:j).
For separate results, use print(summary(x), subset = i:j).
zelig
สามารถพอดีกับโฮสต์ของแบบจำลองอื่นนอกเหนือจากกำลังสองน้อยสุด
ในการรับช่วงความมั่นใจและระดับความเป็นอิสระสำหรับการประมาณการของคุณคุณสามารถใช้mitools
:
library("mitools")
imp.data <- imputationList(amelia.out$imputations)
mitools.fit <- MIcombine(with(imp.data, lm(tariff ~ polity + pop + gdp.pc + year)))
mitools.res <- summary(mitools.fit)
mitools.res <- cbind(mitools.res, df = mitools.fit$df)
mitools.res
สิ่งนี้จะทำให้คุณมั่นใจในช่วงเวลาและสัดส่วนของความแปรปรวนทั้งหมดที่เกิดจากข้อมูลที่ขาดหายไป:
results se (lower upper) missInfo df
(Intercept) 3.18e+03 7.22e+02 1.73e+03 4.63e+03 57 % 45.9
pop 3.13e-08 5.59e-09 2.03e-08 4.23e-08 19 % 392.1
gdp.pc -2.11e-03 5.53e-04 -3.20e-03 -1.02e-03 21 % 329.4
year -1.58e+00 3.63e-01 -2.31e+00 -8.54e-01 57 % 45.9
polity 5.52e-01 3.16e-01 -7.58e-02 1.18e+00 41 % 90.8
แน่นอนคุณสามารถรวมผลลัพธ์ที่น่าสนใจเป็นวัตถุเดียว:
combined.results <- merge(mitools.res, zelig.res$coefficients[, c("t-stat", "p-value")], by = "row.names", all.x = TRUE)
ปรับปรุง
หลังจากเล่นไปเรื่อย ๆ ฉันพบวิธีที่ยืดหยุ่นกว่าในการรับข้อมูลที่จำเป็นทั้งหมดโดยใช้mice
-package เพื่อให้ใช้งานได้คุณจะต้องแก้ไขas.mids()
ฟังก์ชันของแพ็คเกจ ใช้เวอร์ชันของ Gerko ที่โพสต์ในคำถามติดตามผลของฉัน:
as.mids2 <- function(data2, .imp=1, .id=2){
ini <- mice(data2[data2[, .imp] == 0, -c(.imp, .id)], m = max(as.numeric(data2[, .imp])), maxit=0)
names <- names(ini$imp)
if (!is.null(.id)){
rownames(ini$data) <- data2[data2[, .imp] == 0, .id]
}
for (i in 1:length(names)){
for(m in 1:(max(as.numeric(data2[, .imp])))){
if(!is.null(ini$imp[[i]])){
indic <- data2[, .imp] == m & is.na(data2[data2[, .imp]==0, names[i]])
ini$imp[[names[i]]][m] <- data2[indic, names[i]]
}
}
}
return(ini)
}
ด้วยการกำหนดไว้นี้คุณสามารถดำเนินการวิเคราะห์ชุดข้อมูลที่ถูกใส่ข้อมูลได้:
library("mice")
imp.data <- do.call("rbind", amelia.out$imputations)
imp.data <- rbind(freetrade, imp.data)
imp.data$.imp <- as.numeric(rep(c(0:15), each = nrow(freetrade)))
mice.data <- as.mids2(imp.data, .imp = ncol(imp.data), .id = NULL)
mice.fit <- with(mice.data, lm(tariff ~ polity + pop + gdp.pc + year))
mice.res <- summary(pool(mice.fit, method = "rubin1987"))
นี้จะให้ผลลัพธ์ทั้งหมดที่คุณได้รับใช้Zelig
และmitools
และอื่น ๆ :
est se t df Pr(>|t|) lo 95 hi 95 nmis fmi lambda
(Intercept) 3.18e+03 7.22e+02 4.41 45.9 6.20e-05 1.73e+03 4.63e+03 NA 0.571 0.552
pop 3.13e-08 5.59e-09 5.59 392.1 4.21e-08 2.03e-08 4.23e-08 0 0.193 0.189
gdp.pc -2.11e-03 5.53e-04 -3.81 329.4 1.64e-04 -3.20e-03 -1.02e-03 0 0.211 0.206
year -1.58e+00 3.63e-01 -4.37 45.9 7.11e-05 -2.31e+00 -8.54e-01 0 0.570 0.552
polity 5.52e-01 3.16e-01 1.75 90.8 8.41e-02 -7.58e-02 1.18e+00 2 0.406 0.393
หมายเหตุการใช้pool()
คุณยังสามารถคำนวณค่า -val ด้วยปรับสำหรับตัวอย่างขนาดเล็กได้โดยไม่ต้องระบุพารามิเตอร์ อะไรจะดีไปกว่านี้ตอนนี้คุณสามารถคำนวณและเปรียบเทียบโมเดลที่ซ้อนกันได้:d f R 2pdfmethod
R2
pool.r.squared(mice.fit)
mice.fit2 <- with(mice.data, lm(tariff ~ polity + pop + gdp.pc))
pool.compare(mice.fit, mice.fit2, method = "Wald")$pvalue