我正在为包含大约 20 个变量和 3,000 个观察值的数据集估算缺失值。大多数缺失数据值包含在 2 个变量中（一个有大约 20% 的缺失数据，另一个有 40%）。
我已经探索过使用 MICE 进行插补。然而，我的主要分析模型具有广泛的非线性，我最终将在我的分析中使用广义加法模型，以便我可以拟合非参数平滑项。不幸的是，MICE 不适合使用 GAM。
因此，我决定使用随机森林插补，这似乎会产生有效的插补。R 中的missForest包看起来相对简单且易于使用。我能够得到我的估算，并且袋外错误相对较低。但是，它只产生一个估算数据集。
现在对这一数据集执行所有后续分析是否有效？我担心的是后续分析不会考虑估算中的不确定性。这是一个合理的担忧吗？如果是这样，我能做些什么吗？我没有太多运气找到关于人们在成功使用missForest.
您说得对，低估估算不确定性是人们使用 MICE 等多个估算包的原因。对于这个例子，我无法missForest特别回答这个问题，除了观察到同样的原因，一个人可能会在估计模型时使用多重插补，我认为没有理由不使用多次missForest运行：树和引导样本会有所不同（提供不同的随机种子），因此您可以通过这种方式量化估算数据集中的不确定性。
听起来好像你对变量在哪里以及如何相互关联有一些强烈的概念，所以也许完全贝叶斯方法是合适的，其中缺失数据的建模和模型参数的估计同时发生. 这种方法的一个优点是模型所有级别的不确定性——参数估计和缺失数据插补——都同时被考虑在内，而在标准插补模型中，缺失数据被插补，然后模型被估计。估算和建模的标准“两阶段”方法首先导致低估估算不确定性，因此贝叶斯方法完全避免了这种情况。
使用该mice包，您可以使用随机森林作为基础建模方法进行多重插补。修改文档中显示的示例mice：
imp <- mice(nhanes,defaultMethod=c("rf","rf","rf"))
这将创建 5 个估算数据集，其中所有缺失的数据，无论是连续的还是分类的，都通过随机森林填充。问题是如何gam使用适合每个估算数据集的平滑项来汇集对象。通过扫描mice文档，似乎 package 具有从lm、glm、lme和lmer对象中汇集结果的功能。因此，对于其他对象，例如gam，如果可行的话，池化必须手动完成。所以在这种情况下没有优势。这与missForest手动生成 5 个估算数据集并合并结果相同。
在介绍missForest包的论文中（参见下面的参考资料），摘要中提到：“通过对许多未修剪的分类或回归树进行平均，随机森林本质上构成了多重插补方案。”
...其次是：“使用随机森林的内置袋外误差估计，我们能够在不需要测试集的情况下估计插补误差。”
如果我理解这一点，OOBerror 表示跨多个插补的错误（因此它将包括单个树的插补误差与观察到的误差以及不同树的误差？）。
不过，我不是专家，我认为以前对您问题的回答提供了一种解决您问题的安全方法（通过使用多次 missForest 运行）。根据作者在摘要中所说的确切含义，我认为您应该在多次 missForest 运行中获得接近单次运行的 OOBerror 的错误？
参考：Stekhoven、Daniel J. 和 Peter Bühlmann。“MissForest——混合类型数据的非参数缺失值插补。” 生物信息学 28.1 (2011): 112-118。