仅缺失一级数据的多水平数据集的mice插补方法咨询

问题核心 #

你手头是嵌套结构的语言评分数据集：被试（subject）对固定的24个动词（verb）打分，rating是0-100的双峰分布值，仅该变量存在缺失。目前用pmm方法插补，但不确定预测矩阵设置是否合理；尝试2l.系列多水平方法时，插补值会超出0-100范围。

预测矩阵的问题修正 #

1. 聚类与效应变量的设置错误 #

你把subject_int设为-2是对的，这是指定一级聚类变量（被试水平）的正确方式，但ageofarrival和verb_int设为2完全没必要：

• ageofarrival是被试水平的固定属性（每个被试只有一个值），应该作为固定效应预测rating，对应预测矩阵值设为1，而非2（2是用于指定嵌套在聚类下的随机效应，这里不适用）。
• verb是跨被试的固定项（所有被试都评相同动词），同样作为固定效应即可，设为1，不需要设为随机效应。

2. language变量不该舍弃 #

你觉得verb已经区分了语言类型就把language设为0，但直接纳入language能让模型直接捕捉两种语言的整体评分趋势，减少verb变量的维度负担，尤其是后续分析关注语言差异时，插补时加入language会让缺失值更贴合分组特征。

修正后的预测矩阵 #

先确保整数变量转换正确，再调整矩阵：

# 转换为整数编码
df <- df %>%
  mutate(subject_int = as.integer(factor(subject)),
         verb_int = as.integer(factor(verb)))

# 生成初始矩阵并调整
predMatrix <- make.predictorMatrix(df)
# 给rating设置预测变量和聚类
predMatrix["rating", "subject_int"] <- -2  # 聚类变量
predMatrix["rating", "ageofarrival"] <- 1   # 固定效应
predMatrix["rating", "verb_int"] <- 1       # 固定效应
predMatrix["rating", "language"] <- 1       # 加入语言变量
# 其他变量不需要预测rating，全设为0
predMatrix[rownames(predMatrix) != "rating", ] <- 0

调整后的矩阵结构如下：

subject language verb rating ageofarrival verb_int subject_int
subject                0        0    0      0            0        0          0
language               0        0    0      0            0        0          0
verb                   0        0    0      0            0        0          0
rating                 0        1    0      0            1        1          -2
ageofarrival           0        0    0      0            0        0          0
verb_int               0        0    0      0            0        0          0
subject_int            0        0    0      0            0        0          0

插补方法的选择 #

• 继续用pmm是最优选择：因为预测均值匹配会从现有观测值中选取插补值，天然符合0-100的范围，还能保留rating的双峰分布特征，比线性模型类的2l.方法更适配你的数据。
• 如果一定要用多水平方法，可以在插补后对rating做截断处理（把<0的设为0，>100的设为100），但这不如pmm自然。

完整插补代码示例 #

library(mice)

# 设置插补方法：仅rating用pmm，其他变量无需插补
method <- rep("", ncol(df))
method[names(df) == "rating"] <- "pmm"

# 执行插补，m是插补数据集数量，maxit是迭代次数
imp <- mice(df, 
            predictorMatrix = predMatrix,
            method = method,
            m = 5,
            maxit = 20)

# 检查插补结果：查看分布是否合理
summary(imp)
densityplot(imp, ~rating)  # 确认双峰分布保留，且值在0-100之间

额外提醒 #

插补完成后一定要检查rating的分布和范围，确保插补值符合数据的实际意义。如果后续要做多水平模型分析，插补时纳入聚类变量和关键预测变量，能让插补结果更贴合数据的嵌套结构，提升后续分析的可靠性。

内容的提问来源于stack exchange，提问作者vcityx