多重插补数据集异方差校正及回归方差齐性检验问题咨询

问题1：异方差统计检验与残差图判断冲突的合理性 #

• Breusch-Pagan、NCV这类异方差统计检验对样本量高度敏感，当样本量较大时，即使是完全可以忽略的轻微异方差也会返回p<0.05的显著结果，这类检验的统计显著性不等于异方差的实际影响大小。
• 残差图的判断优先级更高：如果标准化残差-拟合值散点图的残差分布呈大致均匀的水平带状，没有明显的喇叭口、发散/收敛趋势，你判断方差大致符合要求是完全合理的。如果异方差程度极轻，不会对回归系数的显著性判断产生实质影响，不需要额外校正。

问题2：多重插补数据集的稳健标准误合并解决方案 #

你不需要依赖现成的封装函数，可通过以下两种成熟路径实现需求：

方案1：兼容mice生态的极简实现 #

使用estimatr包的lm_robust()函数搭配mice包的pool()函数即可快速完成，代码示例如下：

library(mice)
library(estimatr)
# 假设imp为已生成的mice多重插补对象
fit_list <- with(imp, lm_robust(y ~ x1 + x2 + x3, se_type = "HC1"))
# 直接按Rubin规则合并带稳健标准误的结果
pooled_fit <- pool(fit_list)
summary(pooled_fit)

方案2：手动按Rubin规则合并（适配自定义需求） #

如果需要自定义稳健标准误类型，可按以下步骤手动实现：

1. 对每个插补数据集拟合回归，用sandwich::vcovHC()提取稳健协方差矩阵，同时提取回归系数向量
2. 按Rubin规则计算合并后的系数、插补内方差（所有稳健协方差矩阵的均值）、插补间方差（系数在不同插补集的变异），最终得到合并后的协方差矩阵和标准误

补充建议：如果Box-Cox变换没有改善异方差，不需要强行做因变量变换，稳健标准误可以在不改变因变量解释尺度的前提下完成异方差校正，是更优选择。

内容的提问来源于stack exchange，提问作者Ecidem