如何将MICE插补数据的拟合模型合并为可用于新预测的模型？

你遇到的核心问题是：pool()函数返回的是模型系数的汇总结果（比如合并后的系数、标准误等），它并不是一个可以直接用predict()调用的拟合模型对象，所以会触发方法不匹配的错误。下面提供两种实用的解决思路：

方法一：标准多重插补预测流程（推荐） #

这是多重插补框架下的规范做法，会保留插补带来的预测不确定性，步骤是对每个插补数据集的模型分别预测，再合并结果：

# 1. 在每个插补数据集上生成预测值
pred_results <- with(imputed_data, predict(lm(Ozone ~ Solar.R + Wind + Temp + Month + Day), newdata = airquality))

# 2. 将多个插补模型的预测结果合并为数据框
pred_df <- do.call(cbind, pred_results)

# 3. 计算每个样本的平均预测值（作为最终单一预测结果）
final_predictions <- rowMeans(pred_df)

# 可选：计算预测值的标准差，反映插补带来的不确定性
pred_uncertainty <- apply(pred_df, 1, sd)

方法二：用合并系数手动构建单一模型（简化版） #

如果确实需要一个可以直接调用的“单一模型”（忽略插补变异，适合快速预测场景），可以用合并后的系数手动计算预测值：

# 1. 提取合并后的模型系数
pooled_coefficients <- coef(pooled_model)

# 2. 给新数据添加截距项（线性模型需要）
newdata_with_intercept <- cbind(Intercept = 1, airquality[, c("Solar.R", "Wind", "Temp", "Month", "Day")])

# 3. 手动计算预测值
final_predictions_manual <- as.vector(newdata_with_intercept %*% pooled_coefficients)

重要注意事项 #

如果你的新数据存在缺失值，必须先用训练好的插补器对新数据进行插补（不能直接用原始缺失数据），代码示例：

# 用训练数据的插补参数对新数据插补
newdata_imputed <- complete(imputed_data, action = "all", newdata = your_new_data)
# 之后再对每个插补后的新数据执行预测步骤

内容的提问来源于stack exchange，提问作者Dan W