(1)理论介绍
(2)实践操作
世界卫，精神卫生是指一种健康状态，在这种状态中，每个人都能够认识到自身潜力，能够适应正常的生活压力，能够有成效地工作，并能够为其居住的社区做出贡献。
1.理论介绍
在多重插补中，采用回归模型预测法是直接以回归预测值为插补值，而预测平均值匹配法与回归模型预测法类似，但并不是直接以预测值进行填补的，而是根据回归系数估计值的后验分布中随机抽取N个参数，用这些新的参数再计算出预测值。
参考文献：多重填补法在公共卫生调查研究中的应用
预测平均值匹配法一般是适用于连续变量，但我在查看了mice包的帮助文档后，发现这种方法适用于任何数据，如下所示：
2.实践操作
对ms2013里面的缺失数据采用mice包的pmm进行填补，由于适用于任何数据类型，就不用转变为因子了
填补数据的整个流程有以下6步：
l第一步：导入数据
l第二步：查看数据集变量缺失情况
l第三步：mice函数填补数据
l第四步：查看填补的数据与原始数据是否比较类似
l第五步：填补后5个数据库按众数进行提取形成最终的数据库
l第六步：导出数据： 加载writexl包
#导入数据
.libPaths()#查看R包位置.libPaths("D:/Program File/R/R-4.3.2/library")#定义包安装位置setwd("E:/02学习/经验/03R语言图形绘制/18R语言进行多重插补合集")#设置工作空间getwd()#加载工作空间#下载所需要的包install.packages("mice")install.packages("ranger")install.packages("writexl")library(lattice) #调入函数包library(MASS)library(nnet)library(mice) #前三个包是mice的基础library(foreign)library(ranger)
#第一步：导入数据
data1<-read.csv("ms2013.csv",as.is = TRUE,header = T,sep = ",", fileEncoding='utf-8')str(data1)
#第二步：查看数据集变量缺失情况
p1<-md.pattern(data1)这个图怎么看呢？红色代表缺失，蓝色代表未缺失，分两步看
（1）上和下：代表的是每个变量缺失几个，如零食爱好缺失218个观测
（2）左右：代表有多少观测缺失了哪几个变量；比如，613个观测是完整的，没有缺失；
5个观测仅缺失了吸烟年龄这个变量；126个观测缺失了零食爱好到吸烟年龄这四个变量。
#第三步：mice函数填补数据
x<-mice(data1,m=5,#插补几个数据集，默认5seed=10,#随机化种子数,保障每次插补的一样method = "pmm")#选择方法x$method#查看每个变量所用的插补方法x$imp#查看填补结果
可以看到，采用的都是pmm法
#第四步：填补后查看插补的结果
#蓝色是原始数据，红色是插补的数据
stripplot(x,pch=19,cex=1.2,alpha=.3)#局限性是只能查看数值型的变量，对于因子变量无法查看
可以看到，吸烟年龄到饮酒频率进行了插补，且红色的插补数据，可以看到5个数据集和原始数据集的分布基本一致，说明pmm法插补的效果可以的。
#第五步：插补数据的选择
那么，插补的数据集，如何使用，这里我给出以下3个建议：（1）选择其中1个数据集，作为最终插补的数据集x1<-complete(x,action=01)x2<-complete(x,action=02)x3<-complete(x,action=03)x4<-complete(x,action=04)x5<-complete(x,action=05)（2）可以将5个数据集合并，根据插补的5个数据集的变量求缺失值或者众数，形成最终的数据集。代码自行研究（3）直接采用5个数据集进行回归分析，然后采用最终的汇总结果fit<-with(x,glm(MS~吸烟年龄+是否吸烟+零食爱好+饮酒频率,family = binomial))fit#统计分析结果汇总fit<-pool(fit)summary(fit)
如下：这里就给出了5个数据集变量的汇总结果。
但是这种方法我认为有两点局限性：
（1）我们在一开始插补前要把所有变量放过来，但是实际上操作中，我们往往只是需要插补几个变量，然后数据集可能有上百变量
（2）如果采用5个数据集汇总的结果，因为插补的数据结果是保存在列表中了，不是数据框了，所以没办法转化数据格式了。比如上面的结果明显自变量全是数值变量
综上，我比较推荐第一种和第二种方法，为什么第一种也可以呢？我们可以结合第四步插补结果图，然后选择与原始数据插补比较符合的，如果5个数据集插补都比较符合，那就随便选择其中一个，也就是我们依据图形结果进行主观判断，这样，就算审稿人提出疑问，也能说明。
本公众号致力于分享实用的医学科研干货和热点科研文章共享平台，如果您有任何医学科研相关问题或经验分享，可以私信我！
谢谢阅读，以上均为个人在科研实践过程中的一些做法，如有错误敬请指正！！！
End
关注我获得
更多精彩
