Zacznij terazZacznij za darmo

Przepływ mice: mice - with - pool

Wielokrotna imputacja metodą równań łańcuchowych, czyli MICE, pozwala oszacować niepewność wynikającą z imputacji. Polega na wielokrotnym imputowaniu zbioru danych metodą opartą na modelu, z losowaniem z warunkowych rozkładów prawdopodobieństwa. Dzięki temu każdy imputowany zbiór danych jest nieco inny. Następnie na każdym z nich przeprowadza się analizę, a wyniki są łączone (pooling), co daje interesujące wielkości statystyczne wraz z przedziałami ufności uwzględniającymi niepewność imputacji.

W tym ćwiczeniu przećwiczysz typowy przepływ pracy z pakietem MICE: mice() – with() – pool(). Przeprowadzisz analizę regresji na zbiorze danych biopics, aby sprawdzić, jakie zajęcie badanego podmiotu (sub_type) wiąże się z najwyższymi przychodami z filmów. Do dzieła!

To ćwiczenie jest częścią kursu

Obsługa brakujących danych z imputacją w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Wczytaj pakiet mice i wykonaj imputację zbioru biopics za pomocą funkcji mice(), stosując 5 imputacji. Wynik przypisz do zmiennej biopics_multiimp.
  • Dopasuj model regresji liniowej wyjaśniający earnings na podstawie zmiennych year i sub_type do każdego imputowanego zbioru danych. Wynik przypisz do zmiennej lm_multiimp.
  • Połącz modele regresji zapisane w lm_multiimp metodą poolingu. Wynik przypisz do zmiennej lm_pooled.
  • Podsumuj lm_pooled w taki sposób, aby uzyskać przedziały ufności na poziomie 95%.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Load mice package
___

# Impute biopics with mice using 5 imputations
biopics_multiimp <- ___(___, m = ___, seed = 3108)

# Fit linear regression to each imputed data set 
lm_multiimp <- ___(___, ___)

# Pool and summarize regression results
lm_pooled <- ___(___)
___(___, conf.int = ___, conf.level = ___)
Edytuj i uruchom kod