假设我有一个具有特定结果的数据集, 协变量，以及某个状态变量，它可以采用有限（少量）的值，例如 1、2 和 3。数据集中可能缺少这些变量中的任何一个，所以我想乘以估算我的数据。在模型的估算之上，我想获得归一化的插补- 即，强制我的预测变量之一设置为特定级别。
上下文有点类似于第二节中的 BMI 骗子练习。7.3 在Stef van Buuren的FIMD 书中。状态对应于不同的测量来源，我怀疑状态是最准确的，所以我想了解一下结果如果每个人都使用源进行测量. 不同之处在于我没有任何平行的措施，比如他的自我报告和测量的 BMI。所以我需要在计算上运行老化，校准插补模型，并在最后一次迭代中， 代替而不是它的实际值或预测值。可能有一种方法可以创建一个恒定的被动变量，但随后它会从插补方程中删除，因为它与截距项共线。如果我只是创建一个副本并使其丢失, 并放和作为预测器，然后我得到一个带有奇异矩阵的完美预测，所以这也是不行的。
任何想法如何使用合理的标准包来实现？我想为此使用 Stata 或 R。
以下是Stata原始多重插补包的贡献者之一Ian White的建议： ice
我假设您相信 Y|X 的分布“如果 Z 为 1”等于 Y|X 在观察到的 Z 等于 1 的子组中的分布。
我认为您可以按以下方式执行此操作。
以通常的方式估算，例如使用
ice x y, by(z) m(5) clear在估算数据集中，删除 的所有估算值和
y所有观察值y。z<>1估算 y 例如使用
uvis y x, gen(yimp) by(_mj)
我认为一个选项将遵循predicton newdatain的类比R。这假设使用mice单一估算，然后在老化和收敛后访问最终的回归模型。然后使用该模型进行一次性预测，如数据集在predict.glm哪里newdata已更换所有单位和和是估算数据的副本。
或者，您也可以创建多个估算数据集，为您提供可在新数据框上使用的参数集，再次在整个过程中，为您提供多重插补数据集以进行方差控制。
通过这种方式，您当然可以获得所有单元的预测，即使是那些没有丢失数据的单元，但是您可以用最初观察到的信息再次替换这些预测。
这种方法的唯一困难是如何在mice. 快速浏览文档（第 77 页）显示模型参数不是mids对象中的默认输出。这可能需要联系作者或按照 van Buuren (2012) 或 Raghunathan (2001) 自己通过链式方程对插补进行编程。
Raghunathan, TE, Lepkowski, J., van Hoewyk, J., & Solenberger, P. (2001)。一种使用一系列回归模型对缺失值进行多重插补的多元技术。调查方法，27 (1), 85–95。
范布伦，S.（2012 年）。缺失数据的灵活插补。博卡拉顿：CRC 出版社。