如何在R中选择最优插补数据集用于多变量时间序列后续分析

你可以通过人工掩码验证的方式定量对比多个插补集的准确度，筛选出最优结果，操作步骤如下：

1. 构造验证数据集：从原始数据的所有非缺失值中，随机抽取和真实缺失率比例一致的观测值，手动标记为NA，保留原始值作为标准答案。如果是时间序列场景，建议优先模拟真实缺失模式（比如短连续缺失、特定季节缺失等），不要完全随机采样避免破坏时序特性
2. 对齐参数插补验证集：使用你之前跑原始数据时的mice参数，对构造的带人工缺失的验证集做插补，生成相同数量的插补候选集
3. 计算插补精度指标：对每个候选集，和你保留的标准答案做对比，计算连续变量的常用误差指标：
   • 单个变量误差：RMSE（均方根误差）、MAE（平均绝对误差）
   • 多变量整体误差：NRMSE（标准化均方根误差，消除不同变量的量纲差异），如果不同变量重要性有差异，可以给核心变量的误差加更高权重
4. 筛选最优插补集：选择误差最小的候选集对应的序号，提取原始数据插补结果中相同序号的数据集即可，最后可以补充时序合理性校验：对比插补序列和原始非缺失序列的自相关性、季节性波动规律，避免插补值破坏时间序列本身的特性。

示例R代码如下：

library(mice)
# 原始数据设为df，原始数据的mice插补对象设为imp_original
set.seed(123)
# 1. 构造验证集
non_na_pos <- which(!is.na(df), arr.ind = TRUE)
# 按真实缺失率20%采样作为人工缺失值
sample_pos <- non_na_pos[sample(1:nrow(non_na_pos), size = 0.2*nrow(non_na_pos)), ]
df_val <- df
df_val[sample_pos] <- NA
# 2. 对齐参数插补验证集
imp_val <- mice(df_val, m = 5, method = "pmm", printFlag = FALSE)
# 3. 计算每个插补集的整体RMSE
rmse_list <- sapply(1:imp_val$m, function(x){
  imp_df <- complete(imp_val, x)
  sqrt(mean((imp_df[sample_pos] - df[sample_pos])^2, na.rm = TRUE))
})
# 4. 提取最优插补集
best_idx <- which.min(rmse_list)
best_imp_df <- complete(imp_original, best_idx)

原生mice是针对截面数据设计的插补工具，没有利用时间序列的自相关、季节性特性，针对你的月频多变量时序数据，可以选择以下更适配的插补方案：

• 单变量时序插补：适合时序规律强、缺失率较低的场景
  • forecast包的na.interp()：自动识别序列的趋势和季节性，基于STL分解做插值，对月频数据适配性极强
  • zoo包的na.approx()/na.spline()：线性/样条插值，适合短间隔缺失
• 多变量时序插补：同时利用变量间相关性和时序特性
  • imputeTS包：专门为时间序列缺失值设计的工具包，包含na.kalman()（卡尔曼滤波插补，适合有明确结构化规律的时序）、na.seadec()（季节分解插补）等多种方法
  • miceTS包：原生mice的时序扩展版本，插补时会自动加入滞后项、季节项作为预测因子，比mice更适配时序场景
  • missForest包：基于随机森林的非参数插补，你可以手动加入月份、年份、滞后1/12期的变量值作为特征，可同时捕捉非线性相关和时序规律，插补准确度通常高于mice默认的PMM方法
• 长连续缺失插补：如果存在连续3个月以上的缺失，可以采用同季节历史均值填充，或用Prophet拟合单变量时序模型后填充缺失值。

内容的提问来源于stack exchange，提问作者Franc