利用mice包插补缺失值及效应值估计

文章预览

教程首页 教程地址：https://www.r-bloggers.com/2015/10/imputing-missing-data-with-r-mice-package/ 入门 在分析数据集时，处理缺失数据有以下方案： 删除数据。如果缺失数据占数据集的比例非常小，直接删除具有缺失值的数据就可以了。 替换为简单的值。比如应用均值替换不会改变均值（这是可取的），但会降低方差，这可能是不可取的。另外还可使用中位数、随机数进行替换。 使用该样本的其他数据来猜测此缺失值，即缺失值插补。R 中的 mice 包可帮助您使用合理的数据值来插补缺失值。这些合理的值来自专门为每个缺失数据点设计的分布。 缺失数据主要有两种类型： MCAR：完全随机缺失。这是缺失数据时的理想情况。 MNAR：非随机缺失。非随机数据缺失是一个更严重的问题，在这种情况下，进一步检查数据收集过程并尝试了解信息缺失的原因可能是明智的 ………………………………