我关心的问题是，我想从多重插补 (MI) 数据中引导 p 值来估计，但我不清楚如何在 MI 集之间组合 p 值。
对于 MI 数据集，获得估计总方差的标准方法使用鲁宾规则。请参阅此处查看汇集 MI 数据集的评论。总方差的平方根用作的标准误差估计。但是，对于某些估计器，总方差没有已知的封闭形式，或者抽样分布不正常。统计量可能不是 t 分布的，甚至不是渐近分布的。
因此，在完整数据情况下，一种替代选择是引导统计量以找到方差、p 值和置信区间，即使采样分布不正常且其封闭形式未知。在 MI 情况下，有两种选择：
第一个选项将再次使用鲁宾规则。但是，我认为这是有问题的，如果具有非正态采样分布。在这种情况下（或更一般地说，在所有情况下），可以直接使用自举 p 值。但是，在 MI 情况下，这将导致多个 p 值或置信区间，需要跨 MI 数据集进行汇总。
所以我的问题是：我应该如何在多重插补数据集中汇集多个自举 p 值（或置信区间）？
我欢迎任何关于如何进行的建议，谢谢。
我认为这两种选择都会导致正确的答案。一般来说，我更喜欢方法 1，因为它保留了整个分布。
对于方法 1，在每个 MI 解决方案中引导参数然后简单地混合个自举分布以获得最终密度，现在由个样本组成，其中包括插补间变化。然后将其视为传统的引导样本以获得置信区间。对小样本使用贝叶斯引导程序。我知道没有任何模拟工作可以研究这个过程，这实际上是一个待研究的开放问题。
对于方法 2，使用 Licht-Rubin 程序。请参阅如何在多个估算数据集中完成的测试中获得合并的 p 值？
这不是我熟悉的文献，但解决此问题的一种方法可能是忽略这些是自举 p 值这一事实，并查看有关在多重插补数据集中组合 p 值的文献。
在这种情况下，Li、Meng、Raghunathan 和 Rubin (1991)适用。该过程基于来自每个估算数据集的统计数据，并使用因估算导致的信息损失的度量进行加权。他们遇到了与跨插补的统计数据联合分布相关的问题，并且他们做出了一些简化假设。
相关的兴趣是Meng (1994)。
Christine Licht, Ch.的论文中描述了跨多重插补数据集组合 p 值的过程。4 . 这个想法，她归因于 Don Rubin，本质上是将 p 值转换为正态分布，然后可以使用 z 统计组合的标准规则跨 MI 数据集进行组合。