Usando Amelia em R, obtive vários conjuntos de dados imputados. Depois disso, realizei um teste de medidas repetidas no SPSS. Agora, quero reunir os resultados dos testes. Eu sei que posso usar as regras do Rubin (implementadas por meio de qualquer pacote de imputação múltipla em R) para agrupar meios e erros padrão, mas como faço para agrupar valores-p? É possível? Existe uma função no R para fazer isso? Desde já, obrigado.

Sim , é possível e, sim, existem Rfunções que o fazem. Em vez de calcular manualmente os valores-p das análises repetidas, você pode usar o pacote Zelig, que também é referido na vinheta do Ameliapacote-( para um método mais informativo, veja minha atualização abaixo ). Vou usar um exemplo da Ameliavinheta para demonstrar isso:

library("Amelia")
data(freetrade)
amelia.out <- amelia(freetrade, m = 15, ts = "year", cs = "country")

library("Zelig")
zelig.fit <- zelig(tariff ~ pop + gdp.pc + year + polity, data = amelia.out$imputations, model = "ls", cite = FALSE)
summary(zelig.fit)

Esta é a saída correspondente, incluindo valores- :$p$

  Model: ls
  Number of multiply imputed data sets: 15 

Combined results:

Call:
lm(formula = formula, weights = weights, model = F, data = data)

Coefficients:
                Value Std. Error t-stat  p-value
(Intercept)  3.18e+03   7.22e+02   4.41 6.20e-05
pop          3.13e-08   5.59e-09   5.59 4.21e-08
gdp.pc      -2.11e-03   5.53e-04  -3.81 1.64e-04
year        -1.58e+00   3.63e-01  -4.37 7.11e-05
polity       5.52e-01   3.16e-01   1.75 8.41e-02

For combined results from datasets i to j, use summary(x, subset = i:j).
For separate results, use print(summary(x), subset = i:j).

zeligpode caber em uma série de modelos que não sejam mínimos quadrados.

Para obter intervalos de confiança e graus de liberdade para suas estimativas, você pode usar mitools:

library("mitools")
imp.data <- imputationList(amelia.out$imputations)
mitools.fit <- MIcombine(with(imp.data, lm(tariff ~ polity + pop + gdp.pc + year)))
mitools.res <- summary(mitools.fit)
mitools.res <- cbind(mitools.res, df = mitools.fit$df)
mitools.res

Isso fornecerá intervalos de confiança e proporção da variação total atribuível aos dados ausentes:

              results       se    (lower    upper) missInfo    df
(Intercept)  3.18e+03 7.22e+02  1.73e+03  4.63e+03     57 %  45.9
pop          3.13e-08 5.59e-09  2.03e-08  4.23e-08     19 % 392.1
gdp.pc      -2.11e-03 5.53e-04 -3.20e-03 -1.02e-03     21 % 329.4
year        -1.58e+00 3.63e-01 -2.31e+00 -8.54e-01     57 %  45.9
polity       5.52e-01 3.16e-01 -7.58e-02  1.18e+00     41 %  90.8

Claro que você pode apenas combinar os resultados interessantes em um objeto:

combined.results <- merge(mitools.res, zelig.res$coefficients[, c("t-stat", "p-value")], by = "row.names", all.x = TRUE)

Atualizar

Depois de algumas brincadeiras, encontrei uma maneira mais flexível de obter todas as informações necessárias usando o micepacote Para que isso funcione, você precisará modificar a as.mids()função -pacote. Use a versão de Gerko postada na minha pergunta de acompanhamento :

as.mids2 <- function(data2, .imp=1, .id=2){
  ini <- mice(data2[data2[, .imp] == 0, -c(.imp, .id)], m = max(as.numeric(data2[, .imp])), maxit=0)
  names  <- names(ini$imp)
  if (!is.null(.id)){
    rownames(ini$data) <- data2[data2[, .imp] == 0, .id]
  }
  for (i in 1:length(names)){
    for(m in 1:(max(as.numeric(data2[, .imp])))){
      if(!is.null(ini$imp[[i]])){
        indic <- data2[, .imp] == m & is.na(data2[data2[, .imp]==0, names[i]])
        ini$imp[[names[i]]][m] <- data2[indic, names[i]]
      }
    } 
  }
  return(ini)
}

Com isso definido, você pode continuar analisando os conjuntos de dados imputados:

library("mice")
imp.data <- do.call("rbind", amelia.out$imputations)
imp.data <- rbind(freetrade, imp.data)
imp.data$.imp <- as.numeric(rep(c(0:15), each = nrow(freetrade)))
mice.data <- as.mids2(imp.data, .imp = ncol(imp.data), .id = NULL)

mice.fit <- with(mice.data, lm(tariff ~ polity + pop + gdp.pc + year))
mice.res <- summary(pool(mice.fit, method = "rubin1987"))

Isto lhe dará todos os resultados que você começa usando Zelige mitoolse mais:

                  est       se     t    df Pr(>|t|)     lo 95     hi 95 nmis   fmi lambda
(Intercept)  3.18e+03 7.22e+02  4.41  45.9 6.20e-05  1.73e+03  4.63e+03   NA 0.571  0.552
pop          3.13e-08 5.59e-09  5.59 392.1 4.21e-08  2.03e-08  4.23e-08    0 0.193  0.189
gdp.pc      -2.11e-03 5.53e-04 -3.81 329.4 1.64e-04 -3.20e-03 -1.02e-03    0 0.211  0.206
year        -1.58e+00 3.63e-01 -4.37  45.9 7.11e-05 -2.31e+00 -8.54e-01    0 0.570  0.552
polity       5.52e-01 3.16e-01  1.75  90.8 8.41e-02 -7.58e-02  1.18e+00    2 0.406  0.393

Observe que pool()você também pode calcular os valores de com ajustado para amostras pequenas, omitindo o parâmetro O que é ainda melhor, agora você também pode calcular e comparar modelos aninhados:$p$$df$method$R^2$

pool.r.squared(mice.fit)

mice.fit2 <- with(mice.data, lm(tariff ~ polity + pop + gdp.pc))
pool.compare(mice.fit, mice.fit2, method = "Wald")$pvalue

Normalmente, você usaria o valor de p aplicando as regras de Rubin em parâmetros estatísticos convencionais, como pesos de regressão. Portanto, muitas vezes não há necessidade de agrupar valores-p diretamente. Além disso, a estatística da razão de verossimilhança pode ser combinada para comparar modelos. Os procedimentos de agrupamento para outras estatísticas podem ser encontrados no meu livro Imputação flexível de dados ausentes, capítulo 6.

Nos casos em que não há distribuição ou método conhecido, existe um procedimento não publicado de Licht e Rubin para testes unilaterais. Eu usei esse procedimento para agrupar valores p do wilcoxon()procedimento, mas é geral e direto adaptar-se a outros usos.

Use o procedimento abaixo SOMENTE se tudo mais falhar, por enquanto, sabemos pouco sobre suas propriedades estatísticas.

lichtrubin <- function(fit){
    ## pools the p-values of a one-sided test according to the Licht-Rubin method
    ## this method pools p-values in the z-score scale, and then transforms back 
    ## the result to the 0-1 scale
    ## Licht C, Rubin DB (2011) unpublished
    if (!is.mira(fit)) stop("Argument 'fit' is not an object of class 'mira'.")
    fitlist <- fit$analyses
        if (!inherits(fitlist[[1]], "htest")) stop("Object fit$analyses[[1]] is not an object of class 'htest'.")
    m <- length(fitlist)
    p <- rep(NA, length = m)
    for (i in 1:m) p[i] <- fitlist[[i]]$p.value
    z <- qnorm(p)  # transform to z-scale
    num <- mean(z)
    den <- sqrt(1 + var(z))
    pnorm( num / den) # average and transform back
}