我太懂这种“搞定了大部分就差个p值交差”的处境了！既然已经掌握了Rubin法则合并系数和标准误的方法，那合并p值其实也有明确的套路，给你理清楚两种常用方式：

方法一：基于合并统计量的近似计算（快速上手） #

如果你已经算出了合并系数$\bar{\beta}$和合并标准误$SE_{pooled}$，可以先算出合并t统计量：

t_pooled = |$\bar{\beta}$| / $SE_{pooled}$

但这里的自由度不能用单个模型的自由度，得用Rubin调整后的有效自由度：

df_pooled = (M - 1) / (1 + 1/γ)

其中：

• M是插补数据集的数量
• $\gamma$是相对方差增量，公式为$\gamma = (1 + 1/M)λ$，而$λ$是你算合并标准误时已经得到的「组间方差/组内平均方差」的比值

有了t值和调整后的自由度，就可以通过t分布计算双侧p值。这个方法适合插补数据集数量M较大的场景，计算起来快，但属于近似结果。

方法二：Li-Raghunathan-Rubin精确p值计算（更推荐） #

如果M比较小（比如少于10个），上面的近似方法误差会比较大，这时候用这个精确方法更靠谱：

1. 对每个插补数据集，先算出单个模型的t统计量$t_k$和对应的残差自由度$df_k$
2. 计算每个$t_k$对应的单侧p值$p_k$（如果是双侧检验，后续记得乘2）
3. 算出所有单个p值的平均值：$\bar{p} = \frac{1}{M}\sum_{k=1}^M p_k$
4. 用上一步的$λ$（组间/组内方差比），计算调整后的F分布分母自由度：

df_denominator = 2*(M-1)/(1 + 1/(M*λ))

5. 最后将$\bar{p}$代入分子自由度为2、分母自由度为$df_denominator$的F分布，得到合并后的精确p值

偷懒小技巧 #

其实完全不用手动算这么麻烦！大部分统计软件都内置了Rubin法则的合并功能：

• R里用mice包做完插补后，用pool()函数合并模型，再summary()就能直接得到合并后的系数、标准误和p值
• Stata里用mi estimate前缀运行模型，输出结果里就包含了正确的合并p值

这样既准确又省时间，完全能满足上司的要求～

内容的提问来源于stack exchange，提问作者llewmills