R语言| 缺失值的处理方法——多重插补法：利用mice()包

从今天开始要记录自己的学习笔记啦～～～ 2020.3.5

缺失值的处理方法——多重插补法
1 基本思想
利用蒙特卡洛模拟法（MCMC)将原始数据插补成几个完整数据集，在每个数据集中利用线性回归（lm)或广义线性规格（glm)等方法进行插补建模，再将这些完整的模型整合到一起，评价插补模型的优劣并返回完整数据集。该方法主要利用程辑包mice中的mice( )进行。
大致步骤如下：
缺失数据集——MCMC估计插补成几个数据集——每个数据集进行插补建模（glm、lm模型）——将这些模型整合到一起（pool）——评价插补模型优劣（模型系数的t统计量）——输出完整数据集（compute）
2 mice函数基本书写格式
R语言输入help(mice)可获取详细信息
mice( data, m=5, method=vetor(“charater”,length=ncol(data)), seed=NA,defaultMethod=c(“pmm”,“logger”,“polyreg”,“poor”)…)
data:一个包含完整数据和缺失数据的矩阵或数据框
m:指定的多重插补数，默认值为5
method:一个字符串，或者长度与数据集列数相同的字符串向量，用于指定数据中的每一列采用的插补方法，单一字符串指定所有列用相同的方法插补，字符串向量指定不同列采用不同的方法插补，默认插补法取决于需要插补的目标列，并由defaultMethod指定参数
seed：一个整数，用于函数set.seed( )的参数，默认值为NA
defaultMethod:一个向量，用于指定每个数据集采用的插补建模方法，可供选择的方法有多种，"pmm"表示用预测的均值匹配，"logreg"表示用逻辑回归拟合，“polyreg"表示多项式拟合，“polr“表示采用比例优势模型拟合等。

3 、应用举例

>install.packages（"DMwR")
>library(DMwR)
>data(algae)
>sum(is.na(algae)) #缺失值判断
>install.packages("mice")
>library(mice)
>imp<-mice(algae[,4:11],seed=1234)  #创建一个imp对象，使用的数据为algae数据集中含有缺失值的第4到11行数据，默认插补数据集为5个
>fit<-with(imp,lm(mxPH~.,data=algae[,4:11])  #fit对象用于设定统计方法
>pool=pool(fit)  #对统计分析结果进行汇总
>options(digits=3)  #设定输出结果保留3个小数
>summary(pool)   #用summary函数显示pool的统计信息
>imp$imp$C1    #查看变量C1在五个插补数据集中的插补结果
>imp$method    #查看每个变量所用的插补方法
>algea_compelete=complete(imp,action=1)  #使用函数complete( )返回五个插补数据集中指定的任意一个数据集，这里返回的插补数据集中第一个
>sum(is.na(algae_complete)) #查看插补的第一个数据集是否还有缺失值
>par(mfrow=c(3,3))  #调用函数par( )为设置的R图形的系统参数，这里将图形输出设置为3*3的格式，即一个图版显示3行3列
>stripplot(imp,pch=c(1,8),col=c("grey","1") #利用mice包中的函数stripplot( )对变量分布图进行可视化，其中包含插补数据
>par(mfrow=c(1,1))  #画完图后将窗口重新设置为1*1的格式

4、FAQ（也就是我学习中遇到的问题）
1)函数lm( )中点“."代表什么？
lm(mxPH ~ ., data = algae[,4:11]) 中 mxPH ~ . 这个formula会被lm()解读成在给定数据表中以mxPH 为被解释变量，其他列为解释变量做线性回归模型，在变量很多的情况下可以简化代码，但风险是数据列变化时回归方程也跟着变，有些类似于SQL中使用 select * 的风险。
2)seed(1234)在插补中有什么用处？
seed是一个整数，用于函数set.seed( )的参数，指定产生固定的随机数的个数。括号里的数只是一个编号而已，例如set.seed(100)不应将括号里的数字理解成“一百”，而是应该理解成“编号为一零零的随机数发生”。用于设定随机数种子，一个特定的种子可以产生一个特定的伪随机序列，这个函数的主要目的，是让你的模拟能够可重复出现，因为很多时候我们需要取随机数，但这段代码再跑一次的时候，结果就不一样了，如果需要重复出现同样的模拟结果的话，就可以用set.seed()。在调试程序或者做展示的时候，结果的可重复性是很重要的，所以随机数种子也就很有必要。