如何用mice或其他方法合理插补各国GDP缺失值？

一、改进mice包的插补逻辑 #

你之前的mice调用只用到了GDP列，没有利用时间趋势这个关键信息，导致插补值偏离实际。可以通过重构数据、加入年份变量、选择适合的插补方法来优化：

1. 先把宽格式数据转成时间序列长格式，让年份成为预测变量：

library(tidyr)
# 宽转长，提取年份信息
df_long <- df %>%
  pivot_longer(cols = starts_with("gdp"), 
               names_to = "year", 
               values_to = "gdp",
               names_prefix = "gdp") %>%
  mutate(year = as.numeric(year) + 2000) # 把gdp00转为2000，以此类推

2. 用mice结合时间变量，选择适合时间序列的插补方法（比如CART树，它能捕捉非线性趋势）：

library(mice)
# 以年份和GDP为变量，用CART方法插补
impute <- mice(df_long[, c("year", "gdp")], 
               method = "cart", 
               m = 3, 
               seed = 123)
# 转回宽格式
newDATA_long <- complete(impute, 1)
newDATA <- newDATA_long %>%
  pivot_wider(names_from = year, 
              values_from = gdp,
              names_prefix = "gdp") %>%
  rename(gdp00 = gdp2000, gdp04 = gdp2004, gdp08 = gdp2008, 
         gdp12 = gdp2012, gdp16 = gdp2016, gdp20 = gdp2020) %>%
  select(country, country.code, gdp00, gdp04, gdp08, gdp12, gdp16, gdp20)

这样插补时会参考年份的增长趋势，阿富汗2000年的GDP会更贴合其战后经济起步的实际情况。

二、更适合GDP的针对性插补方法 #

GDP属于有时间趋势的序列数据，直接用时间序列插值或趋势拟合会比通用的mice更精准：

1. 线性/样条插值（基于zoo包） #

利用相邻年份的GDP变化趋势，对缺失值做插值，适合连续时间点的缺失：

library(zoo)
df_imputed <- df %>%
  rowwise() %>%
  # 对每个国家的GDP列做线性插值，边缘缺失用相邻值填充
  mutate(across(starts_with("gdp"), ~na.approx(.x, rule = 2))) %>%
  ungroup()

对于阿富汗的gdp00，会基于2004年的5285和后续年份的增长趋势，插出一个远低于5285的合理值。

2. 单个国家的趋势拟合 #

针对每个国家的GDP时间序列拟合线性模型，预测缺失值，能精准匹配该国的经济增长轨迹：

# 定义趋势插补函数
impute_gdp_trend <- function(gdp_vec) {
  years <- c(2000, 2004, 2008, 2012, 2016, 2020)
  non_na_pos <- which(!is.na(gdp_vec))
  
  # 至少2个非缺失值才能拟合模型
  if (length(non_na_pos) < 2) return(gdp_vec)
  
  # 拟合线性模型
  fit <- lm(gdp_vec[non_na_pos] ~ years[non_na_pos])
  # 预测缺失值
  na_pos <- which(is.na(gdp_vec))
  gdp_vec[na_pos] <- predict(fit, newdata = data.frame(years = years[na_pos]))
  # 确保GDP不为负数（极端情况处理）
  gdp_vec[gdp_vec < 0] <- min(gdp_vec[!is.na(gdp_vec)]) / 2
  
  return(gdp_vec)
}

# 应用到所有国家
df_imputed <- df %>%
  rowwise() %>%
  mutate(across(starts_with("gdp"), ~impute_gdp_trend(c(gdp00, gdp04, gdp08, gdp12, gdp16, gdp20)))) %>%
  ungroup()

这个方法会根据阿富汗2004-2020年的GDP增长趋势，预测出符合其战后经济水平的2000年GDP值（大概在3000-4000区间）。

内容的提问来源于stack exchange，提问作者Dome