我目前有一个数据集，其中包含具有不同缺失程度的变量。我分析的关键变量之一有大约 12% 的值未随机缺失 (MNAR)。
从我之前所做的研究中，我收集到大多数当前的 MI 方法都假设 MAR 机制，但在 MNAR 场景中仍然有用。处理 MNAR 数据的最糟糕的解决方案仍然是完整的案例分析。
我听说您可以通过使用模式混合模型和选择模型来处理 MNAR，但我没有在 R（这是我通常用于分析的软件）中使用这些的经验。或者，我已经看到该mice包有一个称为mice.impute.ri“不可忽略数据”的方法。我还看到有一个较旧的软件包（从 2011 年开始），它在插补完成SensMice后执行敏感性分析。mice但是，它似乎不再与我的 Rstudio 版本兼容，而且这个包似乎没有太多最新消息。
有人对我如何对这个变量进行插补有实用的建议吗？最好提供与可能有用的特定 R 包相关的建议。否则，在估算过程中采取的理论建议或步骤也值得赞赏。
我目前也在处理同样的问题。我有一个包含 70 个可变量的数据集，其中很多都有缺失值。他们中的大多数肯定是MNAR。
我发现的一篇很棒的论文就是这篇。 http://journals.lww.com/epidem/Fulltext/2011/03000/Sensitivity_Analysis_When_Data_Are_Missing.25.aspx
他们还使用 SensMice 进行了敏感分析，并提供了很好的示例。
你的分析有进展吗？我仍在努力解释用老鼠进行的敏感性分析。
我的意思是对一个变量进行敏感性分析需要做很多工作，而我有 70 个变量....
我可以问一件事来澄清一下吗？您进行敏感性分析是因为您想看看如果您从 MAR 假设慢慢漂移到 MNAR 会发生什么，对吗？因此，您逐步更改假设分布中的参数...但是最终您将无法找到“最佳”参数，您只知道在解释参数时必须小心的值是什么预测模型（因为您使用了 MAR 假设）。最后，您仍然在 MAR 假设下使用 MICE....
我在这个话题上挣扎了一段时间，我真的不确定我是否理解正确....也许你可以帮助我？