R에서 Amelia를 사용하여 여러 대치 된 데이터 집합을 얻었습니다. 그 후 SPSS에서 반복 측정 테스트를 수행했습니다. 이제 테스트 결과를 풀링하고 싶습니다. Rubin의 규칙 (R의 다중 대치 패키지를 통해 구현 됨)을 사용하여 평균 및 표준 오류를 풀 수 있지만 p- 값을 풀링하는 방법을 알고 있습니다. 가능합니까? R에 그렇게하는 기능이 있습니까? 미리 감사드립니다.
R에서 Amelia를 사용하여 여러 대치 된 데이터 집합을 얻었습니다. 그 후 SPSS에서 반복 측정 테스트를 수행했습니다. 이제 테스트 결과를 풀링하고 싶습니다. Rubin의 규칙 (R의 다중 대치 패키지를 통해 구현 됨)을 사용하여 평균 및 표준 오류를 풀 수 있지만 p- 값을 풀링하는 방법을 알고 있습니다. 가능합니까? R에 그렇게하는 기능이 있습니까? 미리 감사드립니다.
답변:
그렇습니다 . 가능하며, R
그 기능을 수행하는 기능이 있습니다. 대신 손으로 반복 분석의 P-값을 계산, 당신은 패키지 사용할 수 있습니다 Zelig
또한에서 언급되고, 네트 의 Amelia
(-package 아래에있는 내 업데이 트를 참조하십시오 더 많은 정보 방법에 대한을 ). 이것을 Amelia
보여주기 위해 -vignette 의 예제를 사용할 것입니다 .
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$imputations, model = "ls", cite = FALSE)
summary(zelig.fit)
포함하는 해당 출력입니다 .
Model: ls
Number of multiply imputed data sets: 15
Combined results:
Call:
lm(formula = formula, weights = weights, model = F, data = data)
Coefficients:
Value Std. Error t-stat p-value
(Intercept) 3.18e+03 7.22e+02 4.41 6.20e-05
pop 3.13e-08 5.59e-09 5.59 4.21e-08
gdp.pc -2.11e-03 5.53e-04 -3.81 1.64e-04
year -1.58e+00 3.63e-01 -4.37 7.11e-05
polity 5.52e-01 3.16e-01 1.75 8.41e-02
For combined results from datasets i to j, use summary(x, subset = i:j).
For separate results, use print(summary(x), subset = i:j).
zelig
최소 제곱 이외 의 다양한 모델에 적합합니다 .
추정치에 대한 신뢰 구간과 자유도를 얻으려면 다음을 사용할 수 있습니다 mitools
.
library("mitools")
imp.data <- imputationList(amelia.out$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$df)
mitools.res
이렇게하면 누락 된 데이터로 인한 신뢰 구간과 총 분산의 비율이 제공됩니다.
results se (lower upper) missInfo df
(Intercept) 3.18e+03 7.22e+02 1.73e+03 4.63e+03 57 % 45.9
pop 3.13e-08 5.59e-09 2.03e-08 4.23e-08 19 % 392.1
gdp.pc -2.11e-03 5.53e-04 -3.20e-03 -1.02e-03 21 % 329.4
year -1.58e+00 3.63e-01 -2.31e+00 -8.54e-01 57 % 45.9
polity 5.52e-01 3.16e-01 -7.58e-02 1.18e+00 41 % 90.8
물론 흥미로운 결과를 하나의 객체로 결합 할 수 있습니다.
combined.results <- merge(mitools.res, zelig.res$coefficients[, c("t-stat", "p-value")], by = "row.names", all.x = TRUE)
몇 가지 놀아 본 후, 나는 mice
-package를 사용하여 필요한 모든 정보를 얻는 더 유연한 방법을 찾았습니다 . 이것이 작동하려면 패키지의 기능을 수정해야합니다 as.mids()
. 내 후속 질문에 게시 된 Gerko의 버전을 사용하십시오 .
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)
}
이를 정의하면 다음과 같이 대치 된 데이터 세트를 분석 할 수 있습니다.
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"))
이렇게하면 모든 사용 얻을 결과를 줄 것이다 Zelig
및 mitools
더 :
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
사용 참고, pool()
할 수도 있습니다 계산 와 -values 생략하여 작은 샘플 조정 -parameter을. 더 좋은 점은 이제 계산 하고 중첩 된 모델을 비교할 수도 있습니다 .method
pool.r.squared(mice.fit)
mice.fit2 <- with(mice.data, lm(tariff ~ polity + pop + gdp.pc))
pool.compare(mice.fit, mice.fit2, method = "Wald")$pvalue
mice.res <- summary(pool(mice.fit, method = "rubin1987"))
.
일반적으로 회귀 가중치와 같은 기존 통계 매개 변수에 Rubin의 규칙을 적용하여 p- 값을 사용합니다. 따라서 종종 p- 값을 직접 풀링 할 필요가 없습니다. 또한 우도 비 통계량을 모아 모형을 비교할 수 있습니다. 다른 통계에 대한 풀링 절차는 필자의 저서 '유연한 데이터의 융통성있는 대치'6 장에서 찾을 수 있습니다.
알려진 분포 나 방법이없는 경우 Licht와 Rubin의 일방적 인 테스트를 위해 게시되지 않은 절차가 있습니다. 이 프로 시저를 사용하여 프로 시저에서 p- 값을 풀링 wilcoxon()
했지만 다른 용도에 맞게 적용하는 것이 일반적이고 간단합니다.
다른 모든 방법이 실패한 경우에만 아래 절차를 사용하십시오. 현재로서는 통계적 특성에 대해 거의 알지 못합니다.
lichtrubin <- function(fit){
## pools the p-values of a one-sided test according to the Licht-Rubin method
## this method pools p-values in the z-score scale, and then transforms back
## the result to the 0-1 scale
## Licht C, Rubin DB (2011) unpublished
if (!is.mira(fit)) stop("Argument 'fit' is not an object of class 'mira'.")
fitlist <- fit$analyses
if (!inherits(fitlist[[1]], "htest")) stop("Object fit$analyses[[1]] is not an object of class 'htest'.")
m <- length(fitlist)
p <- rep(NA, length = m)
for (i in 1:m) p[i] <- fitlist[[i]]$p.value
z <- qnorm(p) # transform to z-scale
num <- mean(z)
den <- sqrt(1 + var(z))
pnorm( num / den) # average and transform back
}
pool()
(당신의 패키지에 기능 이 뛰어난 방법으로는) 풀링 된 p- 값에 도달?