估算数据集列表的时间滞后分析

Question

我的问题和数据类似于 post 中的：Loop Through Data with Sequential Time Lags output Linear Regression Coefficients

set.seed(242)
df<- data.frame(month=order(seq(1,248,1),decreasing=TRUE), 
psit=c(79,1, NA, 69, 66, 77, 76, 93,  NA, 65 ,NA ,3, 45, 64, 88, 88 
,76, NA, NA, 85,sample(1:10,228, replace=TRUE)),var=sample(1:10,248, 
replace=TRUE))

但是，我的数据集的结构不同，因为我为 psit 估算了缺失值。在使用 mice() 函数估算值后，psit、month 和 var 现在嵌套在列表 tempdata 中。现在 tempdata 包括 40 个新的估算数据集。

tempdata<-mice(data = df, m = 40, method = "pmm", maxit 
 = 50, seed = 500)

我想采用 40 个推算数据集，运行对每个推算数据集进行相同的时间滞后分析（这不同于上面的 post，其中有一个数据集来执行时间滞后分析) 并汇集所有估算数据集中每个类似时间滞后的 R 平方值。

mice 上的帖子表明您可以使用以下方法汇总 lm() 的结果：

modelFit1 <- with(tempdata,lm(psit~ month))
summary(pool(modelFit1))

但是，我想汇集所有 40 个估算数据集中的类似时间滞后的 R 平方值。所以我不确定如何在 tempdata 中的每个估算数据集上使用 dyn$lm() 函数，然后使用 pool() 函数来合并平方值的结果。

为了达到那个结果。我尝试了以下但出现错误：

modelFit1 <- with(tempData, lapply(1:236, function(i) dyn$lm(psit ~ 
             lag(var, -i),tail(z, 12+i))))
summary(pool(modelFit1),function(x) summary(x)$r.squared))

Answer 1

既然您使用的是 mice 包，"pool.r.squared" 不适合您的目的吗？

pool.r.squared(modelFit1, adjusted = FALSE)
# est      lo 95    hi 95       fmi
# R^2 0.1345633 0.06061036 0.226836 0.1195257

估算数据集列表的时间滞后分析

Time lag analysis on list of imputed datasets

r

time-series

r-mice