如何基于mice多重插补数据集循环实现多因变量logistic回归

完全可以通过循环实现批量计算，不需要重复编写单模型代码，以下是可直接运行的实现方案：

完整实现代码 #

library(mice)

# 以下部分和你原有数据处理、多重插补代码完全一致
P1 <- c(7,8,5,NA)
P2 <- c(10,12,11,12)
P3 <- c(1,1,0,1)
P4 <- c(1,1,1,0)
R1 <- c(0,1,0,1)
R2 <- c(0,0,1,0)
R3 <- c(1,1,0,0)
R4 <- c(0,1,1,1)
R5 <- c(1,0,1,0)
df1 <- data.frame(P1,P2,P3,P4,R1,R2,R3,R4,R5)
cols <- c("P3","P4","R1","R2","R3","R4","R5")
df1[cols] <- lapply(df1[cols], factor)

imp <- mice(df1, maxit=0)
predM <- imp$predictorMatrix
meth <- imp$method
imp2 <- mice(df1, maxit=5, predictorMatrix = predM, method = meth, print = F)

# ------------ 批量回归核心代码 ------------
# 替换为你需要分析的所有因变量名，示例为R1-R5，实际使用换成你的7个因变量即可
dv_list <- c("R1", "R2", "R3", "R4", "R5")
# 固定自变量部分的公式
iv_part <- "~ P1 + P2 + P3 + P4"
# 建空列表存储每个模型的结果
res_storage <- list()

for (dv in dv_list) {
  # 拼接当前因变量对应的完整回归公式
  current_formula <- as.formula(paste0(dv, iv_part))
  # 在插补数据集上拟合当前模型
  current_model <- with(imp2, glm(current_formula, family = binomial(link = logit)))
  # 按mice规则合并插补结果，计算指数化OR与置信区间
  current_res <- summary(pool(current_model), exponentiate = TRUE, conf.int = TRUE)
  # 新增列标记当前结果对应的因变量，方便后续区分
  current_res$outcome <- dv
  # 存入结果列表
  res_storage[[dv]] <- current_res
}

# 合并所有模型结果为一张结构化表格
final_result <- do.call(rbind, res_storage)
# 筛选需要保留的列：因变量、自变量项、OR、95%CI上下限、P值
final_result <- final_result[, c("outcome", "term", "estimate", "2.5 %", "97.5 %", "p.value")]
# 重命名列方便阅读
colnames(final_result) <- c("因变量", "自变量", "OR值", "95%CI下限", "95%CI上限", "P值")

# 打印查看结果
print(final_result)

# 如需导出结果到本地，运行下面这行即可
# write.csv(final_result, "多重插补logistic结果.csv", row.names = FALSE)

代码说明 #

• 所有计算逻辑和你手动跑单个因变量模型完全一致：每个因变量单独在插补得到的mids对象上拟合模型，再通过pool()按照Rubin规则合并所有插补集的估计结果，不存在结果合并逻辑错误的问题。
• 实际使用时仅需修改dv_list中的变量名为你自己的7个因变量即可，其余部分不需要调整。
• 如果需要修改自变量组合、回归模型参数，直接改动iv_part中的公式内容即可。
• 最终输出的表格是长格式结构化数据，可直接用于后续结果整理、导出。

内容的提问来源于stack exchange，提问作者19056530