হ্যাঁ , এটি সম্ভব এবং হ্যাঁ , এটির Rকাজগুলি রয়েছে functions হাত দ্বারা কম্পিউটিং পুনরাবৃত্তি বিশ্লেষণ P-মূল্যবোধের পরিবর্তে, আপনি প্যাকেজ ব্যবহার করতে পারেন Zelig, যা মধ্যে উল্লেখ করা হয় চিত্র এর Amelia(-package আরো একটি তথ্যপূর্ণ পদ্ধতির জন্য নীচের আমার আপডেট দেখতে )। আমি এটি Ameliaপ্রদর্শনের জন্য- উইগনেট থেকে একটি উদাহরণ ব্যবহার করব :
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$imputations, model = "ls", cite = FALSE)
summary(zelig.fit)
এটি মূল্যগুলি সহ সংশ্লিষ্ট আউটপুট :পি
Model: ls
Number of multiply imputed data sets: 15
Combined results:
Call:
lm(formula = formula, weights = weights, model = F, data = data)
Coefficients:
Value Std. Error t-stat p-value
(Intercept) 3.18e+03 7.22e+02 4.41 6.20e-05
pop 3.13e-08 5.59e-09 5.59 4.21e-08
gdp.pc -2.11e-03 5.53e-04 -3.81 1.64e-04
year -1.58e+00 3.63e-01 -4.37 7.11e-05
polity 5.52e-01 3.16e-01 1.75 8.41e-02
For combined results from datasets i to j, use summary(x, subset = i:j).
For separate results, use print(summary(x), subset = i:j).
zeligকমপক্ষে স্কোয়ার ছাড়াও বেশ কয়েকটি মডেলকে ফিট করতে পারে ।
আপনার অনুমানের জন্য আত্মবিশ্বাসের ব্যবধান এবং স্বাধীনতার ডিগ্রি পেতে আপনি ব্যবহার করতে পারেন mitools:
library("mitools")
imp.data <- imputationList(amelia.out$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$df)
mitools.res
এটি আপনাকে আত্মবিশ্বাসের অন্তর এবং মোট অনুপাতের অনুপাত দেবে যা অনুপস্থিত তথ্যের জন্য দায়ী:
results se (lower upper) missInfo df
(Intercept) 3.18e+03 7.22e+02 1.73e+03 4.63e+03 57 % 45.9
pop 3.13e-08 5.59e-09 2.03e-08 4.23e-08 19 % 392.1
gdp.pc -2.11e-03 5.53e-04 -3.20e-03 -1.02e-03 21 % 329.4
year -1.58e+00 3.63e-01 -2.31e+00 -8.54e-01 57 % 45.9
polity 5.52e-01 3.16e-01 -7.58e-02 1.18e+00 41 % 90.8
অবশ্যই আপনি আকর্ষণীয় ফলাফলগুলি কেবল একটি বস্তুর সাথে একত্রিত করতে পারেন:
combined.results <- merge(mitools.res, zelig.res$coefficients[, c("t-stat", "p-value")], by = "row.names", all.x = TRUE)
হালনাগাদ
কিছুটা খেলার পরে, miceপ্যাকেজটি ব্যবহার করে প্রয়োজনীয় প্রয়োজনীয় সমস্ত তথ্য পাওয়ার আরও নমনীয় উপায় খুঁজে পেয়েছি। এটি কাজ করার জন্য, আপনাকে প্যাকেজের as.mids()ফাংশনটি পরিবর্তন করতে হবে । আমার ফলো-আপ প্রশ্নে পোস্ট করা জেরকো সংস্করণটি ব্যবহার করুন :
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)
}
এই সংজ্ঞায়িত করে, আপনি অভিযুক্ত ডেটা সেটগুলি বিশ্লেষণ করতে যেতে পারেন:
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"))
এই আপনি সমস্ত ফলাফল আপনি ব্যবহার করতে দেব Zeligএবং mitoolsএবং আরো:
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
দ্রষ্টব্য, pool()আপনি ব্যবহার করে -পরিমিতি বাদ দিয়ে ছোট নমুনাগুলির জন্য সমন্বিত মূল্যগুলি গণনা করতে পারেন । এর থেকে আরও ভাল, আপনি এখন গণনা এবং নেস্টেড মডেলগুলির সাথে তুলনা করতে পারেন :d f আর 2পিঘচmethodআর2
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