Я использовал множественное вменение для получения ряда завершенных наборов данных.
Я использовал байесовские методы на каждом из законченных наборов данных, чтобы получить апостериорные распределения для параметра (случайный эффект).
Как я могу объединить / объединить результаты для этого параметра?
Больше контекста:
Моя модель является иерархической в смысле отдельных учеников (одно наблюдение на ученика), сгруппированных в школах. Я сделал несколько вменений (используя MICE
в R) свои данные, которые я включил в school
качестве одного из предикторов для отсутствующих данных - чтобы попытаться включить иерархию данных в вменения.
Я установил простую модель случайного уклона для каждого из законченных наборов данных (используя MCMCglmm
в R). Результат является двоичным.
Я обнаружил, что апостериорные плотности случайной дисперсии наклона "хорошо себя ведут" в том смысле, что они выглядят примерно так:
Как я могу объединить / объединить апостериорные средние и вероятные интервалы из каждого вмененного набора данных для этого случайного эффекта?
Обновление 1 :
Из того, что я понимаю до сих пор, я мог бы применить правила Рубина к последнему среднему значению, чтобы дать многократное вмененное заднее среднее - есть ли проблемы с этим? Но я понятия не имею, как я могу объединить 95% вероятных интервалов. Кроме того, поскольку у меня есть фактическая задняя выборка плотности для каждого вменения - могу ли я как-то объединить это?
Обновление 2 :
Согласно предложению @ cyan в комментариях, мне очень нравится идея простого объединения выборок из апостериорных распределений, полученных из каждого полного набора данных из многократного вменения. Тем не менее, я хотел бы знать теоретическое обоснование для этого.
источник
Ответы:
С особенно хорошо ведущими постерами, которые могут быть адекватно описаны параметрическим описанием распределения, вы можете просто взять среднее значение и дисперсию, которая лучше всего описывает ваш апостериор, и пойти дальше. Я подозреваю, что этого может быть достаточно во многих обстоятельствах, когда вы не получаете действительно странные апостериорные распределения.
источник
Если вы используете stata, существует процедура под названием «mim», которая объединяет данные после вменения с использованием моделей со смешанным эффектом. Я не знаю, доступен ли он в R.
источник