尽管您问题中的信息不太有意义（0.75% 的缺失与 156 个观察值），但您问题的答案是您需要应用 Rubin 的规则来汇集对 20 个估算数据集的分析。本质上，这涉及简单地平均点估计，但标准误差没有被平均，因为插补之间以及插补内部存在差异。

您可以使用任何统计软件应用鲁宾规则，但您必须在每个估算数据集上运行分析模型，然后手动（或以编程方式）计算合并值。

或者，您可以只使用miceR 中的包并使用提供的pool函数。例如使用 nhanes 数据集：

> library(mice)    
> imp <- mice(nhanes, seed = 15)  # perform imputations with defaults

> fit <- with(imp, lm(chl ~ age + bmi))   # fit the analysis model to each imputed dataset
> round(summary(pool(fit), conf.int = TRUE), 3)
            estimate std.error statistic     df p.value    2.5 %  97.5 %
(Intercept)   -7.222    68.901    -0.105  9.462   0.919 -161.933 147.490
age           36.655    10.351     3.541 11.529   0.004   13.998  59.311
bmi            5.199     2.156     2.412  9.332   0.038    0.349  10.050

这会使用鲁宾规则生成汇总估计，包括标准误差、置信区间和 p 值。

有一个新的解决方案：新的 R 包 ( hmi , Speidel et al 2020)。它处理丢失的数据插补+像老鼠一样的系数池，但也处理分层设计。这将解决多重测量/人的问题（又名纵向数据、重复测量、随机效应）。

使用 sleepstudy 数据集的简单演示如下所示：

# load required libraries
library(hmi)    # imputation
library(lme4)   # mixed effects models

# simulate 10% missing cells (not 10% missing rows)
# while avoiding rows missing both variables
set.seed(321321)
sleep <- sleepstudy
iremove <- sample(nrow(sleepstudy), size = 0.1*nrow(sleepstudy))
sleep$Reaction[head(iremove, length(iremove)/2)] <- NA
sleep$Days[tail(iremove, length(iremove)/2)] <- NA

# Impute missing data and fit the model
# ! this takes a few minutes to run !
myForm <- formula(Reaction ~ 1 + Days + (1|Subject))
sleep.imp <- hmi(data = sleep, 
                 model_formula = myForm,
                 # family = Gamma(link = "log"),
                 m = 10)

# Get the pooled model coefficients
summary(sleep.imp$pooling)

根据文档，池化也遵循鲁本的规则。（注意：为了简洁起见，我省略了诊断检查，但应该完成！）

作为附加说明：如果将 202 个项目用作多元回归中的预测变量，则共线性可能是一个问题。

我希望这会有所帮助！