statsmodels.imputation.mice.MICE¶

class statsmodels.imputation.mice.MICE(model_formula, model_class, data, n_skip=3, init_kwds=None, fit_kwds=None)[source]¶

使用链式方程进行多重插补。

此类可用于使用“链式方程的多重插补”（MICE）方法将大多数 statsmodels 模型拟合到包含缺失值的数据集。

Parameters:¶

model_formulastr

拟合到填补数据集的模型公式。此公式用于“分析模型”。

model_classstatsmodels model

拟合到填补数据集的模型。 这个模型类用于‘分析模型’。

dataMICEData instance

包含要进行缺失值插补的数据集的MICEData对象

n_skipint

在连续的用于分析的插补数据集之间跳过的插补数据集的数量。

init_kwdsdict-like

传递给分析模型初始化方法的关键字参数字典。

fit_kwdsdict-like

传递给分析模型 fit 方法的关键字参数字典。

示例

运行所有MICE步骤并获取结果：

>>> imp = mice.MICEData(data)
>>> fml = 'y ~ x1 + x2 + x3 + x4'
>>> mice = mice.MICE(fml, sm.OLS, imp)
>>> results = mice.fit(10, 10)
>>> print(results.summary())

                         Results: MICE
=================================================================
Method:                    MICE       Sample size:           1000
Model:                     OLS        Scale                  1.00
Dependent variable:        y          Num. imputations       10
-----------------------------------------------------------------
           Coef.  Std.Err.    t     P>|t|   [0.025  0.975]  FMI
-----------------------------------------------------------------
Intercept -0.0234   0.0318  -0.7345 0.4626 -0.0858  0.0390 0.0128
x1         1.0305   0.0578  17.8342 0.0000  0.9172  1.1437 0.0309
x2        -0.0134   0.0162  -0.8282 0.4076 -0.0451  0.0183 0.0236
x3        -1.0260   0.0328 -31.2706 0.0000 -1.0903 -0.9617 0.0169
x4        -0.0253   0.0336  -0.7520 0.4521 -0.0911  0.0406 0.0269
=================================================================

获取一系列未合并以获得摘要的拟合分析模型：

>>> imp = mice.MICEData(data)
>>> fml = 'y ~ x1 + x2 + x3 + x4'
>>> mice = mice.MICE(fml, sm.OLS, imp)
>>> results = []
>>> for k in range(10):
>>>     x = mice.next_sample()
>>>     results.append(x)

方法

combine()	池化多重插补结果。
fit([n_burnin, n_imputations])	使用MICE拟合模型。
next_sample()	执行一次完整的MICE迭代。